【YOLOv11】071、YOLOv11零样本学习：识别训练中未出现过的类别

一、深夜报警：产线上出现了没教过的缺陷

上周三凌晨两点，产线MES系统弹出一条异常：AOI检测到一种从未见过的焊点缺陷。产线工程师紧急排查，发现现有的YOLOv11模型将这种新缺陷误判为“正常焊点”——这问题很要命，漏检的板卡如果流入市场，就是重大质量事故。

我们连夜调取数据，确认这种缺陷形态确实从未出现在训练集中。传统解决方案要么重新标注数据、从头训练，要么做增量学习。但产线等不起，客户要求模型必须能识别未知类别的缺陷，而且不能停产。

这时候，零样本学习（Zero-Shot Learning）从论文里走到了产线上。

二、零样本学习：让模型学会“举一反三”

零样本学习的核心思想是：利用类别之间的语义关系，让模型能够识别训练阶段从未见过的类别。在YOLO的传统检测流程中，模型本质上是在学习从图像特征到固定类别标签的映射。而零样本检测要做的，是让模型学会将图像特征映射到一个语义空间，在这个空间里，已知类别和未知类别可以通过语义描述建立联系。

举个例子：假设训练集里有“狗”“猫”“马”，但没见过“斑马”。如果模型知道“斑马”的语义描述是“像马、有黑白条纹”，那么当它检测到具有马的特征且带有条纹的物体时，就有可能推断出这是“斑马”。

在工业场景中，缺陷的语义描述可以是：“形状类似裂纹但颜色偏白”“位置在焊盘边缘呈圆形凸起”等文本特征。

三、动手改造：给YOLOv11装上零样本能力

我们基于YOLOv11的官方代码进