YOLOE镜像快速体验：无需训练，直接检测自定义类别（附示例图）

YOLOE镜像快速体验：无需训练，直接检测自定义类别（附示例图）

想用AI模型检测图片里的东西，但不想花时间训练模型？或者想检测的物体类别，模型压根没学过？今天要介绍的YOLOE镜像，就是为你准备的“开箱即用”神器。它最大的魅力在于，你不需要准备任何训练数据，也不需要漫长的训练过程，只需要告诉它你想找什么（比如“消防栓”、“无人机”、“红色跑车”），它就能在图片里帮你找出来。

这听起来是不是有点像给模型“下指令”？没错，这就是YOLOE支持的“文本提示”功能。我们这次体验的YOLOE官版镜像，已经预装好了所有环境，你只需要跑几行简单的命令，就能立刻体验到这种“指哪打哪”的开放词汇检测能力。下面，我就带你一步步上手，看看如何用这个镜像，零门槛地检测任何你感兴趣的物体。

1. 环境准备：一分钟进入状态

拿到一个预装好的镜像，第一步永远是确认环境，确保我们站在正确的起跑线上。YOLOE镜像已经把最麻烦的依赖安装和环境配置都搞定了。

1.1 激活与进入

当你启动并进入这个镜像容器后，只需要执行两条简单的命令：

# 1. 激活专为YOLOE配置的Python环境 conda activate yoloe # 2. 进入项目的主目录 cd /root/yoloe

执行完这两步，你的终端提示符通常会发生变化，表示已经进入了名为yoloe的Conda环境。这个环境里已经安装了PyTorch、CLIP、Gradio等所有必需的库，版本都是兼容好的，避免了令人头疼的依赖冲突。

1.2 理解核心脚本

在/root/yoloe目录下，你会看到几个关键的Python脚本，它们对应着YOLOE不同的使用模式。我们这次体验的核心是predict_text_prompt.py，它专门用于“文本提示”检测。

简单来说，这个脚本的工作流程是：你给它一张图片，再给它一个或多个物体类别的文字描述（比如“dog”，“traffic light”），它就能在图片中框出这些物体。这一切，完全不需要模型事先在“狗”或“交通灯”的数据集上训练过。

2. 核心体验：用文字指令检测任意物体

理论说再多，不如动手试一次。我们直接用一个例子，看看如何检测自定义类别。

2.1 准备你的“指令”

假设我们有一张街景图片street_scene.jpg，我们想找出里面的“人”（person）、“狗”（dog）和“自行车”（bicycle）。那么，我们的“指令”就是这三个类别的名称。

在YOLOE镜像中，官方已经提供了一些示例图片，位于ultralytics/assets/目录下。我们就用经典的bus.jpg（公交车图片）来演示。我们的目标是检测出“人”、“公交车”和“狗”（虽然原图可能没有狗，但没关系，这正好展示了其开放词汇能力）。

2.2 运行文本提示检测

打开终端，在已经激活的yoloe环境并位于/root/yoloe目录下，执行以下命令：

python predict_text_prompt.py \ --source ultralytics/assets/bus.jpg \ --checkpoint pretrain/yoloe-v8l-seg.pt \ --names person bus dog \ --device cuda:0

我们来拆解一下这个命令的每个部分：

• --source ultralytics/assets/bus.jpg: 指定要检测的图片路径。
• --checkpoint pretrain/yoloe-v8l-seg.pt: 指定使用的模型权重文件。这里用的是预训练好的yoloe-v8l-seg模型（大型分割模型）。镜像已经预下载了权重，放在pretrain/目录下。
• --names person bus dog: 这就是核心的“文本提示”。我们告诉模型，请在这张图里找出“人”、“公交车”和“狗”。你可以在这里替换成任何你想检测的类别英文单词，比如car tree traffic_light。
• --device cuda:0: 指定使用GPU进行推理以加速。如果你的环境没有GPU，可以改为--device cpu。

2.3 查看结果与示例图

命令执行后，模型会开始推理。整个过程通常很快（在GPU上只需零点几秒）。完成后，结果会默认保存在runs/predict-text-prompt/目录下。

你可以在该目录找到生成的结果图片，例如bus.jpg。这张图会在原图的基础上，用边界框和类别标签标出检测到的物体。

（此处为示例描述，实际运行后请查看生成图片）在下图的公交车场景中，YOLOE-v8l-seg模型成功检测到了多个“人”和“公交车”主体。对于提示词中不存在的“狗”，模型则没有产生任何误检，显示出其精准的开放词汇理解能力。每个检测框都带有类别标签和置信度分数，一目了然。

提示：如果你想检测自己的图片，只需将--source参数后的路径改为你的图片路径即可，例如--source /path/to/your_image.jpg。支持常见格式如jpg、png等。

3. 进阶玩法：探索其他提示模式

除了文本提示，YOLOE镜像还内置了其他两种强大的模式，适合不同的场景。

3.1 视觉提示：按图索骥

如果你不知道某个物体叫什么，但有一张它的示例图片，你可以使用“视觉提示”模式。

python predict_visual_prompt.py

运行这个脚本通常会启动一个交互界面或需要你指定参考图片和目标图片。它的原理是：模型会学习你提供的示例图片（比如一张特定的“复古台灯”），然后在另一张杂乱房间的图片里，找出所有看起来类似的台灯。这对于检测特定款式、特定外观的物体非常有用。

3.2 无提示模式：让模型自己发现

如果你连“提示”都给不出，就想看看图里有什么显著物体，可以试试无提示模式。

python predict_prompt_free.py

这种模式下，模型不依赖任何外部文字或图片提示，而是利用其内置的“懒惰区域-提示对比”机制，自动发现图像中所有可能感兴趣的、完整的物体区域。这更像是一种通用的“场景理解”或“显著物体检测”。

4. 模型选择与性能浅析

在刚才的命令中，我们使用了yoloe-v8l-seg.pt这个模型。镜像可能预置了不同大小的模型，通常以s(小)、m(中)、l(大) 来区分，-seg后缀代表支持实例分割（不仅能框出物体，还能精确勾勒出物体的像素级轮廓）。

• yoloe-v8s-seg: 模型小，速度快，适合对实时性要求高或资源受限的场景，精度相对较低。
• yoloe-v8l-seg: 模型大，速度稍慢，但检测精度和分割效果通常最好，适合对精度要求高的离线分析任务。

你可以通过更换--checkpoint参数来体验不同模型的效果。根据官方数据，在开放词汇检测任务上，YOLOE系列模型在精度和速度上相比前代技术都有显著优势，实现了“零训练”检测自定义类别的同时，还保持了高效的推理速度。

5. 总结：零门槛的开放世界视觉感知

通过这次快速体验，我们可以看到YOLOE官版镜像将强大的开放词汇检测能力变得极其易用。总结一下关键要点：

1. 开箱即用：镜像预置环境，免除配置烦恼，conda activate和cd两步即可开跑。
2. 零样本检测：核心魅力所在。使用predict_text_prompt.py，通过--names参数输入任意类别名称，无需训练即可检测。
3. 灵活多样：除了文本提示，还支持视觉提示和全自动的无提示检测，应对不同需求场景。
4. 简单直接：整个过程就是准备图片、修改命令参数、运行脚本、查看结果，几乎没有学习成本。

无论是想快速验证某个自定义物体能否被检测，还是希望将开放词汇检测能力集成到自己的项目中，这个镜像都提供了一个完美的起点。你不再需要收集数据、标注、训练，只需要发挥想象力，列出你想“看见”的物体名称即可。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。