YOLO12 目标检测 WebUI 快速部署实战教程

3.3 解读检测结果

检测完成后，你会看到：

• 彩色边界框：不同颜色的框标记不同类别的物体
• 类别标签：每个框上方显示物体名称（如"person"、"car"）
• 置信度分数：表示识别准确度的百分比
• 详细信息列表：页面下方列出所有检测到的物体及其置信度

举个例子，如果你上传一张街景图片，可能会看到：

• 蓝色框标出行人（person：92%）
• 红色框标出汽车（car：85%）
• 绿色框标出交通灯（traffic light：78%）

4. API 接口调用方法

除了 Web 界面，YOLO12 还提供了 RESTful API 接口，方便开发者集成到自己的应用中。

4.1 健康检查接口

检查服务是否正常运行：

curl http://localhost:8001/health

返回结果：

{
  "status": "ok",
  "model": "yolov12n.pt"
}

4.2 目标检测接口

通过 API 进行图片检测：

curl -F "file=@your_image.jpg" http://localhost:8001/predict

返回结果示例：

{
  "filename": "your_image.jpg",
  "detections": [
    {
      "class_id": 0,
      "class_name": "person",
      "confidence": 0.9234,
      "bbox": [320, 240, 100, 200]
    }
  ],
  "count": 1
}

bbox 参数说明：[x, y, w, h] 格式，其中：

• x, y：边界框中心点坐标
• w, h：边界框的宽度和高度

5. 支持检测的物体类别

YOLO12 基于 COCO 数据集训练，支持 80 种常见物体的检测，包括：

这意味着 YOLO12 可以识别日常生活中绝大多数常见物体，满足大多数应用场景的需求。

6. 常见问题与解决方案

6.1 检测不到物体怎么办？

如果上传图片后没有检测到任何物体，可能是以下原因：

1. 物体太小：尝试使用更大的模型版本（yolov12s/l/x）
2. 不在支持类别中：确认物体属于 COCO 80 类别
3. 图片质量差：使用更清晰、亮度适中的图片
4. 模型置信度阈值过高：可以调整检测阈值

6.2 如何更换模型版本？

YOLO12 提供多种规模的模型，满足不同需求：

# 编辑配置文件 /root/yolo12/config.py
MODEL_NAME = "yolov12n.pt" # 最快，精度较低
# MODEL_NAME = "yolov12s.pt" # 平衡速度与精度
# MODEL_NAME = "yolov12m.pt" # 中等规模
# MODEL_NAME = "yolov12l.pt" # 较大规模，精度更高
# MODEL_NAME = "yolov12x.pt" # 最大规模，精度最高

修改后重启服务：

supervisorctl restart yolo12

6.3 服务管理命令

使用 Supervisor 管理服务状态：

# 查看服务状态
supervisorctl status yolo12
# 重启服务
supervisorctl restart yolo12
# 停止服务
supervisorctl stop yolo12
# 查看日志
supervisorctl tail yolo12

6.4 端口冲突处理

如果 8001 端口被占用，可以修改服务端口：

# 查看端口占用情况
ss -tlnp | grep 8001
# 修改配置文件中 PORT 值，然后重启服务

7. 总结

通过这个教程，你已经成功部署了一个功能完整的 YOLO12 目标检测 WebUI 服务。让我们回顾一下重点：

• 部署流程简单：只需几个命令，5 分钟内就能完成全部部署
• 使用方式直观：支持点击和拖拽两种上传方式，界面友好
• 检测能力强大：支持 80 种常见物体识别，准确率高
• 扩展性强：提供 API 接口，方便集成到其他系统

YOLO12 作为最新的目标检测模型，在速度和精度之间取得了很好的平衡。无论是用于学习研究、项目演示，还是实际应用，都是一个优秀的选择。

现在你可以尝试上传不同的图片，体验 YOLO12 的强大检测能力。从生活照片到专业场景，看看它都能识别出哪些有趣的物体！