江西省网站建设_网站建设公司_UI设计_seo优化

YOLO11推理服务封装：Flask API部署实战教程

YOLO11是Ultralytics公司推出的最新目标检测算法，延续了YOLO系列“又快又准”的核心优势。相比前代版本，它在模型结构、训练策略和推理效率上做了进一步优化，尤其在小目标检测和复杂场景下的鲁棒性表现突出。无论是工业质检、智能安防还是自动驾驶，YOLO11都能提供稳定高效的视觉感知能力。但光有模型还不够，如何将训练好的模型快速部署为可调用的服务，才是落地的关键一步。

本文将带你从零开始，把YOLO11模型封装成一个可通过HTTP请求调用的RESTful API服务。我们使用轻量级Web框架Flask实现接口封装，并基于提供的完整深度学习镜像环境进行操作，确保整个过程开箱即用、无需额外配置依赖。无论你是刚接触模型部署的新手，还是想快速搭建演示系统的开发者，这篇教程都能帮你高效完成任务。

1. 环境准备与项目结构

你所使用的深度学习镜像已经预装了YOLO11所需的全部依赖库，包括PyTorch、Ultralytics官方包、OpenCV、Flask等，省去了繁琐的环境配置过程。这意味着你可以直接进入开发阶段，专注于服务封装本身。

首先登录到你的开发环境。该镜像支持两种主流接入方式：Jupyter Lab 和 SSH 远程连接，可根据个人习惯选择。

1.1 使用 Jupyter Lab 开发

如果你更喜欢图形化界面和交互式编程，推荐使用 Jupyter Lab。通过浏览器访问指定端口后，你会看到熟悉的文件浏览界面。点击进入ultralytics-8.3.9目录，即可查看项目文件结构：

• train.py：用于启动模型训练
• detect.py：推理脚本，可用于测试单张图片或视频流
• models/：存放不同规模的YOLO11模型定义（如yolo11n, yolo11s）
• data/：数据集配置文件目录
• runs/：训练结果保存路径

Jupyter Notebook 的优势在于可以分块运行代码、实时查看输出图像，非常适合调试模型效果。

1.2 使用 SSH 命令行开发

对于熟悉终端操作的用户，可以通过SSH远程登录服务器，在命令行中执行训练和部署任务。这种方式更适合自动化脚本管理和长期运行任务。

使用SSH客户端（如Terminal、PuTTY）连接主机后，首先进入项目主目录：

cd ultralytics-8.3.9/

然后可以直接运行训练脚本：

python train.py

训练完成后，模型权重会自动保存在runs/detect/train/weights/best.pt路径下。这是后续API服务加载的核心文件。

如图所示，训练过程中的损失曲线、mAP指标和验证集检测效果图都会实时展示，帮助你判断模型收敛情况。

2. 构建 Flask 推理服务

现在我们已经有了训练好的模型，下一步就是将其封装为Web服务。我们将创建一个简单的Flask应用，接收上传的图片，用YOLO11进行目标检测，返回带有标注框的结果图和JSON格式的检测信息。

2.1 创建项目目录结构

为了保持整洁，我们在主目录外新建一个专门用于部署的文件夹：

mkdir yolo11_api && cd yolo11_api

创建以下文件：

• app.py：Flask主程序
• static/uploads/：临时存储上传图片
• static/results/：保存带检测框的输出图片

2.2 编写 Flask 应用代码

在app.py中写入以下内容：

from flask import Flask, request, jsonify, send_from_directory import cv2 import numpy as np from ultralytics import YOLO import os from datetime import datetime # 初始化Flask应用 app = Flask(__name__) # 加载预训练的YOLO11模型（请根据实际路径调整） model = YOLO('../ultralytics-8.3.9/runs/detect/train/weights/best.pt') # 配置上传和结果目录 UPLOAD_FOLDER = 'static/uploads' RESULT_FOLDER = 'static/results' os.makedirs(UPLOAD_FOLDER, exist_ok=True) os.makedirs(RESULT_FOLDER, exist_ok=True) app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER app.config['RESULT_FOLDER'] = RESULT_FOLDER @app.route('/') def index(): return ''' <h3>YOLO11目标检测API服务</h3> <p>使用方法：</p> <ul> <li>POST /detect - 上传图片并返回检测结果</li> </ul> ''' @app.route('/detect', methods=['POST']) def detect(): if 'file' not in request.files: return jsonify({'error': '未上传文件'}), 400 file = request.files['file'] if file.filename == '': return jsonify({'error': '文件名为空'}), 400 # 读取图像 img_bytes = file.read() nparr = np.frombuffer(img_bytes, np.uint8) img = cv2.imdecode(nparr, cv2.IMREAD_COLOR) if img is None: return jsonify({'error': '无法解码图像'}), 400 # 使用YOLO11进行推理 results = model(img) # 提取检测结果 detections = [] for result in results: boxes = result.boxes.cpu().numpy() for box in boxes: x1, y1, x2, y2 = map(int, box.xyxy[0]) conf = float(box.conf[0]) cls_id = int(box.cls[0]) label = model.names[cls_id] detections.append({ 'class': label, 'confidence': conf, 'bbox': [x1, y1, x2, y2] }) # 在原图上绘制框和标签 cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, f'{label} {conf:.2f}', (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) # 生成唯一文件名保存结果图 timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") result_filename = f"result_{timestamp}.jpg" result_path = os.path.join(app.config['RESULT_FOLDER'], result_filename) cv2.imwrite(result_path, img) # 返回结果URL和检测数据 result_url = f"/results/{result_filename}" return jsonify({ 'detections': detections, 'result_image_url': result_url }) @app.route('/results/<filename>') def serve_result(filename): return send_from_directory(app.config['RESULT_FOLDER'], filename) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=False)

2.3 代码说明

这段代码实现了以下几个关键功能：

• 模型加载：使用YOLO()类加载之前训练好的.pt模型权重。
• 图像处理：通过cv2.imdecode将上传的二进制数据转为OpenCV图像对象。
• 推理执行：调用model(img)完成前向推理，获取边界框、类别和置信度。
• 结果可视化：在原图上绘制绿色矩形框和文字标签。
• 结构化输出：以JSON格式返回每个检测对象的类别、置信度和坐标。
• 静态资源服务：通过/results/<filename>路由提供结果图访问。

注意：debug=False是为了防止在生产环境中意外开启调试模式导致安全风险。

3. 启动并测试API服务

完成编码后，就可以启动Flask服务了。

3.1 运行Flask应用

在终端中执行：

python app.py

如果一切正常，你会看到类似以下输出：

* Running on http://0.0.0.0:5000

这表示API服务已在本地5000端口监听外部请求。

3.2 测试接口功能

我们可以使用curl命令来测试API是否正常工作。假设有一张名为test_car.jpg的汽车图片：

curl -X POST \ http://localhost:5000/detect \ -F "file=@test_car.jpg" \ | python -m json.tool

预期返回如下格式的JSON响应：

{ "detections": [ { "class": "car", "confidence": 0.96, "bbox": [120, 80, 350, 200] }, { "class": "person", "confidence": 0.89, "bbox": [200, 150, 280, 300] } ], "result_image_url": "/results/result_20250322_143012.jpg" }

同时，打开浏览器访问http://<your-server-ip>:5000/results/result_20250322_143012.jpg即可查看带检测框的输出图像。

3.3 前端简易集成示例

如果你想嵌入网页使用，可以添加一个HTML页面作为前端界面。创建templates/index.html：

<h3>上传图片进行检测</h3> <form id="uploadForm" enctype="multipart/form-data"> <input type="file" name="file" accept="image/*" required /> <button type="submit">检测</button> </form> <div id="result"></div> <script> document.getElementById('uploadForm').onsubmit = async (e) => { e.preventDefault(); const formData = new FormData(e.target); const res = await fetch('/detect', { method: 'POST', body: formData }); const data = await res.json(); document.getElementById('result').innerHTML = ` <p>共检测到 ${data.detections.length} 个物体</p> <img src="${data.result_image_url}" style="max-width:600px;" /> `; }; </script>

重启Flask服务后访问根路径即可看到上传界面。

4. 实际应用建议与优化方向

虽然当前的API已经具备基本功能，但在真实项目中还可以做进一步优化。

4.1 性能提升建议

• 启用GPU加速：确认PyTorch已正确识别CUDA设备，可在推理时添加device=0参数强制使用GPU：

  model = YOLO('best.pt').to('cuda')

• 批量处理支持：修改接口支持多图同时上传，提高吞吐量。
• 异步处理队列：对于高并发场景，可引入Celery + Redis实现异步任务调度。

4.2 安全性增强

• 文件类型校验：限制只允许上传.jpg,.png,.jpeg等图片格式。
• 大小限制：设置最大上传尺寸（如10MB），避免内存溢出。
• 防DDoS机制：结合Nginx或使用限流中间件（如Flask-Limiter）控制请求频率。

4.3 日志与监控

添加日志记录有助于排查问题：

import logging logging.basicConfig(level=logging.INFO) @app.route('/detect', methods=['POST']) def detect(): app.logger.info(f"收到新请求，文件名: {request.files['file'].filename}") # ...其余逻辑...

4.4 部署扩展

当需要对外提供服务时，建议不要直接使用Flask内置服务器。可采用以下方案：

• 使用Gunicorn + Nginx部署，提升稳定性与并发能力
• 通过Docker容器化打包应用，便于迁移和复制
• 结合HTTPS反向代理保障通信安全

5. 总结

5.1 总结

本文详细演示了如何将YOLO11模型封装为可通过HTTP调用的RESTful API服务。我们利用预置的深度学习镜像快速搭建环境，通过Flask框架编写了一个简洁高效的推理接口，实现了图片上传、目标检测、结果标注和结构化返回的全流程功能。

整个过程无需手动安装任何依赖，只需几段核心代码就能让模型真正“跑起来”。无论是用于内部测试、客户演示还是集成到更大系统中，这种部署方式都极具实用价值。

更重要的是，这套方法不仅适用于YOLO11，也可以轻松迁移到其他YOLO系列模型或自定义检测任务上。只要替换模型权重和类别名称，就能快速构建专属的视觉识别服务。

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。