YOLO v11 代表了实时目标检测的最新技术水平。自定义训练：以 YOLO 格式准备数据集（图像 + .txt 标注），训练命令：yolo train model=yolo11m.pt data=dataset.yaml epochs=100 imgsz=640 batch=16。通过 wandb 集成监控训练过程。数据增强使用 Albumentations：随机水平翻转、颜色抖动、马赛克、针对小目标的复制粘贴。迁移学习：从预训练的 COCO 权重（80 类）开始，在自定义类别上进行微调。每类仅需 500-1000 张图像即可获得出色性能。优化：导出为 TensorRT：yolo export model=best.pt format=engine device=0 half=True，在 NVIDIA GPU 上实现 3-5 倍推理加速。对于 CPU：导出为 OpenVINO 或 ONNX 并采用 INT8 量化。边缘部署：YOLO Nano 适用于移动设备（iPhone 15 Pro 上推理时间 <3ms），TFLite 导出用于 Android。实时视频：使用 OpenCV VideoCapture 结合 YOLO 推理，在独立线程中运行，利用 asyncio 处理多个摄像头流。生产架构：RTSP 流 -> Kafka -> Flink 进行视频帧采样 -> YOLO 推理工作节点 -> 结果数据库 + 实时告警。典型用例：制造质量控制（缺陷检测）、零售分析（客户计数、货架可用性）、安防（入侵检测、PPE 合规）。