新手零门槛！Java+YOLOv11从0到1：100行代码实现猫狗图像分类，一键复制跑通

做Java+YOLO入门的同学，是不是都被环境搭一周、依赖冲突、代码看不懂、模型加载失败这些问题劝退？我去年第一次学Java+YOLOv8的时候，光是解决OpenCV DNN的JNI依赖、模型格式转换，就折腾了整整3天，差点放弃。

今天这篇文章，用最主流、最稳定、零JNI依赖的技术栈：Java 17 + DJL（Deep Java Library，亚马逊开源的纯Java深度学习库） + YOLOv11n（轻量版，推理快，新手友好），实现经典的猫狗图像分类，核心代码100行左右，一键复制，Windows/Linux/macOS都能用，统信UOS/鲲鹏也能快速适配。

一、先搞懂：为什么选这套技术栈？

新手入门Java+YOLO，最怕的就是JNI依赖冲突、跨平台适配难、代码复杂难维护，这套技术栈完美解决了所有痛点：

1. 纯Java，零JNI依赖：DJL是纯Java实现的，不需要OpenCV DNN的JNI库，不需要TensorFlow Lite的C++库，一键安装NuGet（哦不对，是Maven）依赖，跨平台直接跑；
2. 生态完善，支持所有主流模型：DJL原生支持YOLOv5/v8/v11/v26、BERT、ResNet等所有主流模型，支持ONNX Runtime、PyTorch、TensorFlow等推理引擎，新手入门用ONNX Runtime，性能好、部署简单；
3. 代码简洁，新手友好：DJL封装了所有底层细节，比如模型加载、图像预处理、推理、后处理，核心代码100行左右就能实现完整的图像分类；
4. 国产平台适配好：DJL原生支持统信UOS/麒麟/鲲鹏/飞腾等国产平台，开启NEON向量加速后，性能比原生Python还快。

二、环境准备（5分钟搞定，零踩坑）

2.1 系统要求

• Java 11+（推荐Java 17 LTS，性能最好、兼容性最强）；
• Maven 3.6+（或者Gradle，新手推荐Maven，配置简单）；
• 任意操作系统（Windows/Linux/macOS/统信UOS/麒麟）。

2.2 Maven依赖配置（一键复制）

创建一个空的Maven项目，在pom.xml里添加以下依赖，不需要任何额外配置，不需要下载任何本地库：

<?xml version="1.0" encoding="UTF-8"?><projectxmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>com.example</groupId><artifactId>yolo11-cat-dog</artifactId><version>1.0-SNAPSHOT</version><properties><maven.compiler.source>17</maven.compiler.source><maven.compiler.target>17</maven.compiler.target><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding><djl.version>0.27.0</djl.version></properties><dependencies><!-- DJL核心库 --><dependency><groupId>ai.djl</groupId><artifactId>api</artifactId><version>${djl.version}</version></dependency><!-- DJL ONNX Runtime推理引擎（新手首选，性能好、部署简单） --><dependency><groupId>ai.djl.onnxruntime</groupId><artifactId>onnxruntime-engine</artifactId><version>${djl.version}</version><scope>runtime</scope></dependency><!-- DJL图像预处理库 --><dependency><groupId>ai.djl</groupId><artifactId>model-zoo</artifactId><version>${djl.version}</version></dependency><!-- 日志库（可选，新手可以不加，用System.out.println） --><dependency><groupId>org.slf4j</groupId><artifactId>slf4j-simple</artifactId><version>2.0.12</version></dependency></dependencies></project>

2.3 模型准备（1分钟搞定）

我们用Ultralytics官方预训练的YOLOv11n分类模型，轻量版，推理快，新手友好，模型大小仅2.8MB：

1. 打开浏览器，访问Ultralytics官方模型库：https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n-cls.onnx；
2. 下载模型文件，放到项目的src/main/resources目录下；
3. 模型的分类标签是COCO数据集的1000类，但我们只需要猫狗分类，标签索引是：15=猫，16=狗。

三、核心代码实现（100行左右，一键复制）

创建一个CatDogClassifier.java类，放在com.example包下，核心代码100行左右，一键复制就能跑通：

packagecom.example;importai.djl.Application;importai.djl.MalformedModelException;importai.djl.Model;importai.djl.inference.Predictor;importai.djl.modality.Classifications;importai.djl.modality.cv.Image;importai.djl.modality.cv.ImageFactory;importai.djl.modality.cv.transform.Normalize;importai.djl.modality.cv.transform.Resize;importai.djl.modality.cv.transform.ToTensor;importai.djl.modality.cv.translator.ImageClassificationTranslator;importai.djl.repository.zoo.Criteria;importai.djl.repository.zoo.ModelNotFoundException;importai.djl.translate.TranslateException;importai.djl.translate.Translator;importjava.io.IOException;importjava.nio.file.Path;importjava.nio.file.Paths;importjava.util.List;publicclassCatDogClassifier{// 模型路径（src/main/resources目录下）privatestaticfinalStringMODEL_PATH="src/main/resources/yolo11n-cls.onnx";// 模型输入尺寸（YOLOv11分类模型固定224×224）privatestaticfinalintINPUT_SIZE=224;// 猫狗分类标签索引（COCO数据集）privatestaticfinalintCAT_INDEX=15;privatestaticfinalintDOG_INDEX=16;// 置信度阈值（只显示置信度>0.5的结果）privatestaticfinalfloatCONF_THRESHOLD=0.5f;publicstaticvoidmain(String[]args){// 1. 准备测试图片路径（换成你自己的图片路径）StringtestImagePath="src/main/resources/test-cat.jpg";// String testImagePath = "src/main/resources/test-dog.jpg";try{// 2. 构建图像分类翻译器（预处理+后处理）Translator<Image,Classifications>translator=ImageClassificationTranslator.builder()// 预处理：Resize到224×224 → ToTensor → Normalize（和Python训练时完全一致）.addTransform(newResize(INPUT_SIZE,INPUT_SIZE)).addTransform(newToTensor()).addTransform(newNormalize(newfloat[]{0.485f,0.456f,0.406f},// COCO数据集均值newfloat[]{0.229f,0.224f,0.225f}// COCO数据集标准差))// 后处理：只显示Top 5结果.optTopK(5).build();// 3. 构建模型加载Criteria（指定模型路径、推理引擎、翻译器）Criteria<Image,Classifications>criteria=Criteria.builder().optApplication(Application.CV.IMAGE_CLASSIFICATION).setTypes(Image.class,Classifications.class).optModelPath(Paths.get(MODEL_PATH)).optTranslator(translator).optEngine("OnnxRuntime")// 指定ONNX Runtime推理引擎.build();// 4. 加载模型（只加载一次，不要每次推理都加载）try(Modelmodel=criteria.loadModel();Predictor<Image,Classifications>predictor=model.newPredictor()){System.out.println("模型加载成功！");// 5. 加载测试图片PathimagePath=Paths.get(testImagePath);Imageimage=ImageFactory.getInstance().fromFile(imagePath);System.out.println("测试图片加载成功！");// 6. 执行推理Classificationsclassifications=predictor.predict(image);System.out.println("推理完成！");// 7. 解析结果（只显示猫狗分类，置信度>0.5）List<Classifications.Classification>topK=classifications.topK();System.out.println("\nTop 5分类结果：");for(Classifications.Classificationcls:topK){System.out.printf("类别：%s，置信度：%.2f%%\n",cls.getClassName(),cls.getProbability()*100);}// 8. 只显示猫狗分类的最终结果System.out.println("\n猫狗分类最终结果：");booleanfound=false;for(Classifications.Classificationcls:topK){intindex=Integer.parseInt(cls.getClassName().split(" ")[0]);if(index==CAT_INDEX&&cls.getProbability()>CONF_THRESHOLD){System.out.printf("这是一只猫！置信度：%.2f%%\n",cls.getProbability()*100);found=true;break;}elseif(index==DOG_INDEX&&cls.getProbability()>CONF_THRESHOLD){System.out.printf("这是一只狗！置信度：%.2f%%\n",cls.getProbability()*100);found=true;break;}}if(!found){System.out.println("未检测到猫或狗！");}}catch(MalformedModelException|ModelNotFoundException|TranslateExceptione){e.printStackTrace();}}catch(IOExceptione){e.printStackTrace();}}}

四、测试运行（1分钟搞定，零踩坑）

1. 准备一张测试图片（猫或狗的图片），放到项目的src/main/resources目录下，命名为test-cat.jpg或test-dog.jpg；
2. 修改CatDogClassifier.java里的testImagePath变量，换成你自己的图片路径；
3. 右键点击CatDogClassifier.java，选择“Run ‘CatDogClassifier.main()’”；
4. 等待几秒钟，就能在控制台看到分类结果！

五、新手常见问题与解决方案（避坑指南）

5.1 模型加载失败

• 问题现象：报错ModelNotFoundException或MalformedModelException；
• 解决方案：检查模型路径是否正确，模型文件是否完整，模型文件是否放在src/main/resources目录下；
• 避坑技巧：用绝对路径测试，比如C:/Users/xxx/Desktop/yolo11n-cls.onnx，确认没问题再用相对路径。

5.2 推理结果不对

• 问题现象：明明是猫，却识别成狗，或者置信度很低；
• 解决方案：检查预处理的均值和标准差是否和Python训练时完全一致，检查模型输入尺寸是否正确（YOLOv11分类模型固定224×224）；
• 避坑技巧：用Ultralytics官方预训练模型的话，预处理参数必须和官方一致，不要随便修改。

5.3 推理速度慢

• 问题现象：单张图片推理要1秒以上；
• 解决方案：检查是否每次推理都加载了模型（模型只加载一次，不要放在循环里），检查是否开启了CPU优化（DJL默认开启），如果有NVIDIA显卡，可以开启CUDA加速；
• 避坑技巧：模型加载放在try-with-resources块外面，或者用单例模式，只加载一次。

六、进阶学习方向

跑通猫狗分类后，你可以沿着这几个方向深入学习：

1. 目标检测：用YOLOv11n目标检测模型，实现猫狗目标检测；
2. 自定义模型训练：用自己的数据集训练YOLOv11分类/目标检测模型，导出为ONNX格式，用DJL加载推理；
3. 工业场景落地：结合OpenCV C#/Java，实现工业视觉缺陷检测；
4. 国产平台适配：在统信UOS/鲲鹏/飞腾等国产平台上部署，开启NEON向量加速。

写在最后

Java+YOLO入门，从来不是简单的“找个代码复制粘贴”，而是要选对技术栈，避免JNI依赖冲突、跨平台适配难这些坑。本文这套技术栈，用纯Java的DJL库，一键安装Maven依赖，100行左右核心代码，一键复制就能跑通经典的猫狗图像分类，新手零门槛。

如果你在Java+YOLO入门中遇到任何问题，欢迎在评论区交流讨论。