news 2026/3/5 2:14:21

YOLO11如何对接API？Flask服务封装实战

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
YOLO11如何对接API？Flask服务封装实战

YOLO11如何对接API？Flask服务封装实战

1. 技术背景与应用场景

随着计算机视觉技术的快速发展，目标检测在智能监控、自动驾驶、工业质检等领域的应用日益广泛。YOLO（You Only Look Once）系列作为实时目标检测的标杆算法，其最新版本YOLO11在精度和推理速度之间实现了更优平衡。然而，模型训练只是第一步，如何将训练好的模型部署为可被外部系统调用的服务，是工程落地的关键环节。

本文聚焦于YOLO11模型的服务化封装，通过使用 Flask 框架构建 RESTful API 接口，实现图像上传→目标检测→结果返回的完整流程。结合提供的深度学习镜像环境，读者可以快速搭建一个可运行、可扩展的视觉服务原型，适用于各类需要集成目标检测能力的应用场景。

2. 环境准备与项目结构

2.1 完整可运行环境说明

本文基于预置的 YOLO11 深度学习镜像进行开发，该镜像已集成以下核心组件：

  • Python 3.9+
  • PyTorch 2.0+
  • Ultralytics 8.3.9（YOLO11 所属框架）
  • Flask 2.3+
  • OpenCV-Python
  • Jupyter Notebook 支持
  • SSH 远程访问支持

此环境可通过 CSDN 星图镜像广场一键部署，支持本地或云端运行，极大简化了依赖配置过程。

2.2 开发方式选择：Jupyter 与 SSH

Jupyter 使用方式

适合快速验证模型效果和调试代码逻辑。启动后可通过浏览器访问交互式 Notebook 界面，逐步执行训练、推理和服务测试任务。

SSH 使用方式

适用于长期运行服务或自动化脚本部署。通过终端连接实例后，可直接操作文件系统、运行后台服务并监控日志输出。

推荐组合使用：前期在 Jupyter 中调试模型，后期通过 SSH 部署 Flask 服务。

3. YOLO11 模型训练与加载

3.1 进入项目目录

首先确保进入 Ultralytics 主目录：

cd ultralytics-8.3.9/

该目录包含train.py、detect.py等核心脚本，以及配置文件和数据集管理模块。

3.2 模型训练命令

运行默认训练脚本以生成自定义模型：

python train.py

该命令将使用 COCO 数据集或用户指定的数据路径开始训练，并自动保存权重至runs/train/exp/weights/best.pt。

提示：可通过参数指定数据集、图像尺寸、批量大小等，例如：

python train.py --data custom.yaml --imgsz 640 --batch 16 --epochs 100

3.3 加载训练好的模型

在 Flask 服务中，我们需加载.pt格式的权重文件。使用如下代码初始化模型：

from ultralytics import YOLO # 加载本地训练好的模型 model = YOLO('runs/train/exp/weights/best.pt') # 或使用预训练模型 'yolo11s.pt'

4. 基于 Flask 的 API 封装实现

4.1 Flask 服务基本架构

我们将构建一个轻量级 Web 服务，提供/detect接口，接收上传的图像文件，返回 JSON 格式的检测结果（包括类别、置信度、边界框坐标）。

项目结构建议如下：

flask_yolo_api/ ├── app.py # Flask 主程序 ├── models/ │ └── best.pt # 训练好的权重文件 ├── static/uploads/ # 临时存储上传图片 └── requirements.txt # 依赖列表

4.2 核心代码实现

完整app.py实现
from flask import Flask, request, jsonify from PIL import Image import io import os import uuid # 导入 YOLO11 模型 from ultralytics import YOLO # 初始化 Flask 应用 app = Flask(__name__) app.config['MAX_CONTENT_LENGTH'] = 16 * 1024 * 1024 # 最大上传 16MB # 加载模型（全局加载一次） model = YOLO('models/best.pt') # 允许的文件类型 ALLOWED_EXTENSIONS = {'png', 'jpg', 'jpeg'} def allowed_file(filename): return '.' in filename and \ filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS @app.route('/detect', methods=['POST']) def detect_objects(): if 'image' not in request.files: return jsonify({'error': 'No image provided'}), 400 file = request.files['image'] if file.filename == '': return jsonify({'error': 'Empty filename'}), 400 if not allowed_file(file.filename): return jsonify({'error': 'File type not allowed'}), 400 try: # 读取图像数据 img_bytes = file.read() img = Image.open(io.BytesIO(img_bytes)).convert('RGB') # 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 = box.xyxy[0] conf = box.conf[0] cls = int(box.cls[0]) detections.append({ 'class_id': cls, 'class_name': model.names[cls], 'confidence': float(conf), 'bbox': [float(x1), float(y1), float(x2), float(y2)] }) return jsonify({ 'success': True, 'detections': detections, 'count': len(detections) }) except Exception as e: return jsonify({'error': str(e)}), 500 @app.route('/health', methods=['GET']) def health_check(): return jsonify({'status': 'healthy', 'model_loaded': True}) if __name__ == '__main__': # 创建上传目录 os.makedirs('static/uploads', exist_ok=True) app.run(host='0.0.0.0', port=5000, debug=False)

4.3 依赖管理文件

创建requirements.txt以保证环境一致性：

Flask==2.3.3 ultralytics==8.3.9 Pillow==9.5.0 torch==2.0.1 torchvision==0.15.2

安装命令：

pip install -r requirements.txt

5. 服务启动与接口测试

5.1 启动 Flask 服务

在 SSH 终端中运行：

python app.py

服务将在http://0.0.0.0:5000监听请求。

生产建议：使用 Gunicorn + Nginx 部署以提升并发性能和安全性。

5.2 使用 curl 测试接口

上传一张测试图像并获取结果：

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

预期返回示例：

{ "success": true, "detections": [ { "class_id": 2, "class_name": "car", "confidence": 0.93, "bbox": [120.5, 89.2, 450.1, 200.8] } ], "count": 1 }

5.3 健康检查接口

用于服务状态监控：

curl http://localhost:5000/health

6. 性能优化与工程建议

6.1 模型推理加速技巧

  • 启用半精度（FP16）：减少显存占用，提升推理速度
    model = YOLO('best.pt').to('cuda').half()
  • 使用 TensorRT 或 ONNX Runtime：进一步提升部署效率
  • 批处理（Batch Inference）：对多图同时推理提高 GPU 利用率

6.2 安全性增强措施

  • 添加 API 认证（如 JWT 或 API Key）
  • 限制请求频率（Rate Limiting）
  • 图像内容过滤防止恶意输入
  • 日志记录与异常追踪

6.3 可维护性设计

  • 使用配置文件分离环境变量
  • 添加 Prometheus 指标暴露端点用于监控
  • 结构化日志输出便于排查问题
  • Docker 化打包便于跨平台部署

7. 总结

7.1 核心价值回顾

本文详细介绍了如何将 YOLO11 模型封装为 RESTful API 服务，涵盖从环境准备、模型训练到 Flask 接口开发的全流程。通过预置镜像的便捷性与 Flask 的灵活性结合，开发者可在短时间内完成从实验到部署的跨越。

7.2 实践建议总结

  1. 优先使用预建镜像：避免复杂的依赖冲突问题。
  2. 分阶段验证：先在 Jupyter 中测试模型输出，再封装为服务。
  3. 接口设计标准化：统一错误码、响应格式，便于前端集成。
  4. 关注资源消耗：长时间运行需监控内存与显存使用情况。

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。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/3/3 18:22:17

揭秘PDF-Extract-Kit：如何用4090D单卡实现高效PDF解析

揭秘PDF-Extract-Kit：如何用4090D单卡实现高效PDF解析 在当前AI与文档智能处理深度融合的背景下，PDF文档的结构化信息提取已成为大模型应用、知识库构建和自动化办公中的关键环节。传统PDF解析工具往往面临格式错乱、表格识别不准、公式丢失等问题&…

作者头像 李华
网站建设 2026/3/1 23:53:50

Campus-iMaoTai：智能茅台预约系统的终极使用指南

Campus-iMaoTai：智能茅台预约系统的终极使用指南 【免费下载链接】campus-imaotai i茅台app自动预约，每日自动预约，支持docker一键部署 项目地址: https://gitcode.com/GitHub_Trending/ca/campus-imaotai 还在为每天抢购茅台而焦虑不…

作者头像 李华
网站建设 2026/3/3 23:37:48

Sambert中文TTS部署教程：解决SciPy兼容性问题的完整指南

Sambert中文TTS部署教程：解决SciPy兼容性问题的完整指南 1. 引言与学习目标 随着语音合成技术在智能客服、有声读物、虚拟主播等场景中的广泛应用，高质量、低延迟的中文TTS（Text-to-Speech）系统成为开发者关注的重点。Sambert-H…

作者头像 李华
网站建设 2026/3/3 7:36:45

UI-TARS桌面版：智能GUI助手的完整部署与应用指南

UI-TARS桌面版：智能GUI助手的完整部署与应用指南 【免费下载链接】UI-TARS-desktop A GUI Agent application based on UI-TARS(Vision-Lanuage Model) that allows you to control your computer using natural language. 项目地址: https://gitcode.com/GitHub_…

作者头像 李华
网站建设 2026/3/4 8:10:36

NX12.0捕获C++异常的操作指南：从零实现

如何在 NX12.0 中安全捕获 C 异常？一份来自实战的深度指南你有没有遇到过这样的场景：辛辛苦苦写完一个 NX 插件，测试时一切正常，结果用户一运行就弹出“NX 已停止工作”——而日志里只留下一句模糊的崩溃提示？更糟的是…

作者头像 李华
网站建设 2026/3/4 10:51:46

Whisper Large v3实战：教育视频自动字幕生成

Whisper Large v3实战：教育视频自动字幕生成 1. 引言 1.1 业务场景描述 在现代在线教育平台中，高质量的字幕是提升学习体验的关键因素。尤其面对多语言学习者、听力障碍用户以及非母语观众时，自动生成准确、同步的字幕不仅能提高内容可访问…

作者头像 李华