手把手带你使用 Java 快速实现目标检测：支持 YOLOv8，YOLOv11，YOLOv12 开箱即用（附源码）

deng775747758

1156人浏览 · 2025-05-11 18:30:25

deng775747758 · 2025-05-11 18:30:25 发布

在计算机视觉领域，“目标检测”无疑是最炙手可热的技术之一。它被广泛应用于安防监控、自动驾驶、工业质检、智慧医疗等场景。但在 Java 圈，很多开发者往往因为深度学习主流生态以 Python 为主，望而却步。

其实，现在我们已经可以借助 SmartJavaAI 项目，通过 Java 快速接入目标检测能力。本文将手把手教你如何使用 SmartJavaAI 来实现目标识别功能，即使你没有深度学习基础，也能轻松上手！

SmartJavaAI是什么？

SmartJavaAI是专为JAVA 开发者打造的一个功能丰富、开箱即用的 JAVA AI算法工具包，致力于帮助JAVA开发者零门槛使用各种AI算法模型，开发者无需深入了解底层实现，即可轻松在 Java 代码中调用人脸识别、目标检测、OCR 等功能。底层支持包括基于 DJL (Deep Java Library) 封装的深度学习模型，以及通过 JNI 接入的 C++/Python 算法，兼容多种主流深度学习框架如 PyTorch、TensorFlow、ONNX、Paddle 等，屏蔽复杂的模型部署与调用细节，开发者无需了解 AI 底层实现即可直接在 Java 项目中集成使用，后续将持续扩展更多算法，目标是构建一个“像 Hutool 一样简单易用”的 JAVA AI 通用工具箱

一、什么是目标检测？

目标检测（Object Detection）是计算机视觉领域的一项核心任务，旨在识别图像或视频中的目标物体，并定位它们的位置（用矩形框表示）。典型应用场景包括：

智能安防：检测入侵者、可疑行为
自动驾驶：识别车辆、行人、交通标志
工业质检：检测产品缺陷
医疗影像：检测病灶区域

目前主流的检测算法包括：

YOLO（You Only Look Once）：兼顾速度和精度
SSD（Single Shot MultiBox Detector）：结构简单，推理快
Faster R-CNN：精度高，适合离线任务

效果展示

二、快速开始？

借助 SmartJavaAI 开源项目，你可以直接在 Java 中集成目标检测模型，无需自己处理复杂的深度学习框架。

环境要求：

JDK：11 或以上
操作系统：Windows / Linux / macOS
Maven 引入jar包

1、Maven 引入依赖：

<dependency>
    <groupId>cn.smartjavaai</groupId>
    <artifactId>smartjavaai-objectdetection</artifactId>
    <version>1.0.12</version>
</dependency>

2、加载默认模型并检测：

DetectorModel detectorModel = ObjectDetectionModelFactory.getInstance().getModel();
DetectionResponse response = detectorModel.detect("example.jpg");

你也可以使用配置类加载其他模型：

DetectorModelConfig config = new DetectorModelConfig();
config.setModelEnum(DetectorModelEnum.SSD_300_RESNET50);
DetectorModel detectorModel = ObjectDetectionModelFactory.getInstance().getModel(config);

3、支持的目标检测模型

SSD 系列

模型名称	骨干网络	输入尺寸	训练数据集	精度（mAP）	推理速度	适用场景
SSD_300_RESNET50	ResNet‑50	300×300	COCO	中等	快	精度需求一般
SSD_512_RESNET50_V1_VOC	ResNet‑50	512×512	Pascal VOC	稍高	中等	精度优先、可接受略低速度的场景
SSD_512_VGG16_ATROUS_COCO	VGG‑16	512×512	COCO	较高	中等	通用场景；对小目标有一定提升
SSD_300_VGG16_ATROUS_VOC	VGG‑16	300×300	Pascal VOC	中等偏上	快	VOC 数据集同类任务；资源受限时使用
SSD_512_MOBILENET1_VOC	MobileNet‑1.0	512×512	Pascal VOC	中等	快	嵌入式/移动端设备；算力和内存都很有限

YOLO 系列

模型名称	版本	大小（Backbone）	数据集	精度	速度	适用场景
YOLO11N	v11	极轻量	COCO	中等偏上	极快	与 v8n 类似，版本更新点在兼容性与 API
YOLOV8N	v8	极轻量	COCO	中等偏上	极快	对实时性要求极高的应用
YOLOV5S	v5	小型	COCO	较高	非常快	常见通用场景，算力资源有限时优选
YOLOV5S_ONNXRUNTIME	v5	小型	COCO	较高	加速（需 ONNX 支持）	Windows/Linux 通用加速部署
YOLO (MXNet / 通用模型)	v3	DarkNet‑53	COCO	较高	快	需要 MXNet 生态或复现老项目时使用

YOLOv3 变体系列

模型名称	骨干网络	数据集	输入尺寸	精度	速度	适用场景
YOLO3_DARKNET_VOC_416	DarkNet‑53	VOC	416×416	高	中等	VOC 任务复现；精度优先
YOLO3_DARKNET_COCO_320	DarkNet‑53	COCO	320×320	中等	快	COCO 小模型测试；资源受限
YOLO3_DARKNET_COCO_416	DarkNet‑53	COCO	416×416	高	中等	通用 COCO 部署；精度优先
YOLO3_DARKNET_COCO_608	DarkNet‑53	COCO	608×608	很高	慢	批量离线推理；精度要求极高
YOLO3_MOBILENET_VOC_320	MobileNet‑V1	VOC	320×320	中等	非常快	嵌入式设备；VOC 小目标任务
YOLO3_MOBILENET_VOC_416	MobileNet‑V1	VOC	416×416	高	快	移动端 VOC 部署
YOLO3_MOBILENET_COCO_320	MobileNet‑V1	COCO	320×320	中等	非常快	嵌入式设备；COCO 小目标任务
YOLO3_MOBILENET_COCO_416	MobileNet‑V1	COCO	416×416	高	快	移动端 COCO 部署
YOLO3_MOBILENET_COCO_608	MobileNet‑V1	COCO	608×608	很高	中等	对精度要求较高的移动端任务

DetectorModelConfig参数说明

字段名称	字段类型	默认值	说明
modelEnum	DetectorModelEnum	YOLO11N	目标检测模型枚举
threshold	double	0.5	置信度阈值，分数低于这个值的结果将被过滤掉。值越高越严格，越低越宽松
device	DeviceEnum	CPU	指定运行设备，支持 CPU/GPU

4、结果绘制与 API 简介

绘制检测结果：

detectorModel.detectAndDraw("input.jpg", "output.jpg");

返回结果结构（DetectionResponse）：

{
    "detectionInfoList": [ //检测信息列表
        {
            "detectionRectangle": { //矩形框
                "height": 174, // 矩形高度
                "width": 147, // 矩形宽度
                "x": 275, // 左上角横坐标
                "y": 143 // 左上角纵坐标
            },
            "objectDetInfo": { //目标检测信息
                "className": "person" //类别
            },
            "score": 0.8118719 //检测结果置信度分数
        }
    ]
}