🏆本文收录于专栏《YOLOv11实战：从入门到深度优化》。本专栏围绕YOLOv11 的改进、训练、部署与工程优化展开，系统梳理并复现当前主流的YOLOv11 实战案例与优化方案，内容目前已覆盖分类、检测、分割、追踪、关键点、OBB 检测等多个方向。整体坚持持续更新 + 深度解析 + 工程导向的写作思路，不仅关注模型结构本身，也关注训练策略、损失函数设计、推理加速、部署适配以及真实项目中的问题排查。部分章节还会结合国内外前沿论文与 AIGC 大模型技术，对主流改进方案进行重构与再设计。🎯当前专栏限时优惠中：一次订阅，终身有效，后续更新内容均可免费解锁👉点此查看专栏详情👈️🎉本专栏还不够过瘾？别急，好戏才刚刚开始！我已经为你准备了一整套 YOLO 进阶实战大礼包🎁：👉《YOLOv8实战》👉《YOLOv9实战》👉《YOLOv10实战》👉《YOLOv11实战》👉《YOLOv12实战》👉以及最新上线的 《YOLOv26实战》想一次搞定所有版本？直接冲 《YOLO全栈实战合集》，一站式涵盖 YOLO 各版本实战教学！🚀想学哪个版本？直接找 bug 菌“许愿”，安排！必须安排！🚀🎯本文定位：目标检测 × YOLOv11 行业垂直应用与定制篇📅预计阅读时间：约50～60 分钟⭐难度等级：⭐⭐⭐⭐☆（高级）🔧技术栈：Ultralytics YOLO11 | Python v3.9+ | PyTorch v2.0+ | torchvision v0.9+ | Ultralytics v8.x | CUDA v11.8+全文目录：🌾 上期回顾🚁 本节主题：农业植保·无人机作物病虫害识别与精准喷洒定位4.1 为什么这个场景特别难4.2 系统整体架构4.3 数据集构建：垂直农业场景的标注规范4.3.1 推荐的公开数据集4.3.2 标注规范（适用于 YOLOv11）4.4 SAHI 切图推理：解决小目标检测的关键4.5 YOLOv11 训练配置：适配农业场景4.6 精准喷洒定位：从像素到地理坐标4.7 病虫害热力图生成：让结果"看得见"4.8 轻量化部署：在无人机机载端运行推理4.9 效果评估与注意事项📦 下期预告：第5节·智慧物流——快递分拣 + 包裹尺寸估算 + 堆叠检测🧧🧧 文末福利，等你来拿！🧧🧧🫵 Who am I?🌾 上期回顾在上期《YOLOv11【第十九章：行业垂直应用与定制篇·第3节】工业质检：表面缺陷（划痕/气泡）+ 尺寸测量 OBB 实战！》内容中，我们深入工业质检场景，把 YOLOv11 带进了生产线。核心内容包括：表面缺陷检测：针对划痕、气泡、凹坑等微小缺陷，我们讨论了如何通过小目标增强策略（SAHI 切图推理）和高分辨率输入配置来提升检测精度；OBB（旋转边界框）实战：工件往往在流水线上有任意角度，传统水平框会引入大量背景噪声，OBB 能以最小包围框紧贴目标轮廓，同时输出旋转角度 θ，从而实现毫米级尺寸测量；像素–物理尺寸标定：通过标准标定板建立像素坐标到物理坐标的映射，结合 OBB 的长短轴像素长度，最终换算出实际尺寸并触发不良品告警。如果你跟着上一节跑通了 OBB 训练和标定脚本，相信已经对"让模型输出带角度的框"这件事有了直观感受。这节我们换个完全不同的场景——从工厂车间飞到广袤的田间地头。🚁 本节主题：农业植保·无人机作物病虫害识别与精准喷洒定位我在写这节内容的时候，脑子里一直浮现一个画面：大夏天，农民顶着烈日，背着几十斤重的喷药桶，在玉米地里一垄垄地走。哪块地生了稻飞虱，哪片叶子得了白粉病，全靠经验和肉眼。漏掉了，减产；全地撒药，成本高还污染