YOLOv11模型架构以及使用命令介绍

《博主简介》

小伙伴们好,我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。

👍感谢小伙伴们点赞、关注!

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称 项目名称
1.【人脸识别与管理系统开发 2.【车牌识别与自动收费管理系统开发
3.【手势识别系统开发 4.【人脸面部活体检测系统开发
5.【图片风格快速迁移软件开发 6.【人脸表表情识别系统
7.【YOLOv8多目标识别与自动标注软件开发 8.【基于YOLOv8深度学习的行人跌倒检测系统
9.【基于YOLOv8深度学习的PCB板缺陷检测系统 10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统
11.【基于YOLOv8深度学习的安全帽目标检测系统 12.【基于YOLOv8深度学习的120种犬类检测与识别系统
13.【基于YOLOv8深度学习的路面坑洞检测系统 14.【基于YOLOv8深度学习的火焰烟雾检测系统
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统 16.【基于YOLOv8深度学习的舰船目标分类检测系统
17.【基于YOLOv8深度学习的西红柿成熟度检测系统 18.【基于YOLOv8深度学习的血细胞检测与计数系统
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统 20.【基于YOLOv8深度学习的水稻害虫检测与识别系统
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统 22.【基于YOLOv8深度学习的路面标志线检测与识别系统
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统 24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统 26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统
27.【基于YOLOv8深度学习的人脸面部表情识别系统 28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统
29.【基于YOLOv8深度学习的智能肺炎诊断系统 30.【基于YOLOv8深度学习的葡萄簇目标检测系统
31.【基于YOLOv8深度学习的100种中草药智能识别系统 32.【基于YOLOv8深度学习的102种花卉智能识别系统
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统 34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统 36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统 38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统 40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统 42.【基于YOLOv8深度学习的无人机视角地面物体检测系统
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统 44.【基于YOLOv8深度学习的野外火焰烟雾检测系统
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统 46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统 48.【基于深度学习的车辆检测追踪与流量计数系统
49.【基于深度学习的行人检测追踪与双向流量计数系统 50.【基于深度学习的反光衣检测与预警系统
51.【基于深度学习的危险区域人员闯入检测与报警系统 52.【基于深度学习的高密度人脸智能检测与统计系统
53.【基于深度学习的CT扫描图像肾结石智能检测系统 54.【基于深度学习的水果智能检测系统
55.【基于深度学习的水果质量好坏智能检测系统 56.【基于深度学习的蔬菜目标检测与识别系统
57.【基于深度学习的非机动车驾驶员头盔检测系统 58.【太基于深度学习的阳能电池板检测与分析系统
59.【基于深度学习的工业螺栓螺母检测 60.【基于深度学习的金属焊缝缺陷检测系统
61.【基于深度学习的链条缺陷检测与识别系统 62.【基于深度学习的交通信号灯检测识别
63.【基于深度学习的草莓成熟度检测与识别系统 64.【基于深度学习的水下海生物检测识别系统
65.【基于深度学习的道路交通事故检测识别系统 66.【基于深度学习的安检X光危险品检测与识别系统
67.【基于深度学习的农作物类别检测与识别系统 68.【基于深度学习的危险驾驶行为检测识别系统
69.【基于深度学习的维修工具检测识别系统

二、机器学习实战专栏【链接】 ,已更新31期,欢迎关注,持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】持续更新中~~
六、YOLO性能对比专栏【链接】,持续更新中~

《------正文------》

目录

YOLOv11基本架构

YOLOv11是YOLO系列的最新产品。YOLO是一种几乎无与伦比的算法,在物体检测领域取得了非常成功的结果。该算法系列在YOLOv5之后继续由Ultralytics开发,每一个新模型都继续产生更好的性能。

YOLOv11是Ultralytics开发的最新YOLO型号。该模型在执行实时对象检测的同时继续平衡准确性和效率。基于之前的YOLO版本,YOLO 11在架构和培训方面进行了重大改进。在保持速度的同时提高性能的最重要的架构变化是增加了C3K2块、SPFF模块和C2PSA块。

C3 K2块: 这是对之前版本中引入的CSP(跨阶段部分)块的增强。该模块使用不同的内核大小(例如3x3或5x5)和通道分离策略优化更复杂特征的提取。

SPFF(Spatial Pyramid Pooling Fusion)模块: 它是在YOLO版本中使用的SPP(Spatial Pyramid Pooling)模块的优化版本。该模块通过捕获不同尺度下的对象属性,使模型能够更好地执行。

C2 PSA块: 该块通过结合通道和空间信息提供更有效的特征提取。它还与多头注意机制一起工作,从而能够更准确地感知物体。它优化了前几层的特征图,并使用注意力机制来丰富它们,以提高模型的性能。这种结构可以实现更精确的检测,特别是在复杂场景中,并提高了YOLOv11的准确性。

除了这些架构上的变化,YOLOv11还具有与YOLOv8一样的多模型功能。由于其多模型功能,YOLOv11可以执行的任务如下:

  • 目标检测: 识别和定位图像中的目标。
  • 实例分割: 检测对象并确定其边界。
  • 分类: 将图像分类到预定义的类别中。
  • 姿态估计: 检测和跟踪人体上的地标。
  • 定向对象检测(OBB): 检测旋转对象以获得更高的灵敏度。

在我们开始使用它之前,让我们来谈谈新版本的YOLO所带来的功能。

  • 现有的主干结构已被C3K2块取代,以提高特征提取能力。
  • 颈部结构已通过SPFF模块进行了改进,以捕获不同尺寸的物体,并更好地检测小物体。
  • 增加了C2PSA块, 以聚焦较小或部分遮挡的物体中的重要区域。
  • 任务的数量随着多模型功能的增加而增加。
  • 更好地适应各种环境,包括边缘设备。
  • 由于其优化的架构和高效的处理能力,它可以部署在边缘设备,云平台和支持NVIDIA GPU的系统上。

由于这些优化和创新,YOLOv11提供了性能提升,特别是在实时应用中。该模型运行速度更快,更准确,提高了目标检测,样本分割和姿态估计等任务的效率。此外,兼容性得到了改进,因此模型可以轻松地在不同的平台和硬件(例如云或边缘设备)上运行。

在Ultralyricts页面上,当他们评估YOLOv11与以前版本相比的性能时,他们说了以下内容。

随着模型设计的进步,YOLO11m在COCO数据集上实现了更高的平均精度(mAP),同时使用的参数比YOLOv8m少22%,使其在不影响精度的情况下提高了计算效率。

然而,尽管YOLOv 11模型的性能良好,并且提供了广泛的范围,但与YOLOv 10相比,它在目标检测方面并不十分成功。虽然YOLOv 10有更多的参数,但YOLOv 11的性能更好,只有很小的差异(+0.1-0.5)。在这种情况下,YOLOv 10可能仍然是我们的首选,因为过多的参数会导致速度和成本的损失。

YOLOv11目标检测使用指令

使用PyTorch构建YOLOv11模型及其与其他模式的使用简要如下。

步骤1: 首先,我们需要下载Ultralytics库。使用这个库,我们可以运行从YOLOv3到YOLOv11的所有模型。

pip install ultralytics

步骤2: 如果你只想在训练好的模型中进行预测。下面的代码就足够了。否则你可以跳过它。

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'py

步骤3: 如果你说不,我想训练我的模型,你可以选择你想要的模型并下载.pt文件。

from ultralytics import YOLO

# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")

步骤4: 然后您需要选择训练数据,epochs的数量,图像的大小和您的设备。

train_results = model.train(
    data="coco8.yaml",  # path to dataset YAML
    epochs=100,  # number of training epochs
    imgsz=640,  # training image size
    device="cpu",  # device to run on, i.e. device=0 or device=0,1,2,3 or device=cpu
)

步骤5: 您需要使用验证数据评估和测试模型。它将验证数据与训练数据本身分离,对于测试,您只需提供所需图像的路径。

metrics = model.val()

results = model("path/to/image.jpg")
results[0].show()

步骤6: 在最后一步中,我们可以导出您的模型,并在以后反复使用它。如果你想用自己的模型进行预测,只需使用步骤2。

path = model.export(format="onnx")

YOLOv11其他命令

要使用您自己的数据以特定的学习率和epoch训练您的对象检测模型:

python 复制代码
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

对于模型验证:

python 复制代码
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

要在YouTube视频上测试模型的结果,图像大小为320:

python 复制代码
yolo predict model=yolo11n.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

要使用预训练的分割模型预测具有320个图像大小的YouTube视频:

python 复制代码
yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

要将经过特殊训练的模型导出为.pt扩展名,请执行以下操作:

python 复制代码
yolo export model=path/to/best.pt format=onnx

好了,这篇文章就介绍到这里,喜欢的小伙伴感谢给点个赞和关注,更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见,欢迎在评论区留言交流!

相关推荐
HuggingAI19 分钟前
stable diffusion文生图
人工智能·stable diffusion·ai绘画
云端奇趣24 分钟前
Stable Diffusion 绘画技巧分享,适合新手小白的技巧分享
人工智能·stable diffusion
Jurio.25 分钟前
【SPIE单独出版审核,见刊检索稳定!】2024年遥感技术与图像处理国际学术会议(RSTIP 2024,11月29-12月1日)
大数据·图像处理·人工智能·深度学习·机器学习·计算机视觉·学术会议
真的是我225 分钟前
基于MATLAB课程设计-图像处理完整版
图像处理·人工智能·计算机视觉·matlab
不脱发的牧码人30 分钟前
C#实现傅里叶变换算法
人工智能·算法·机器学习·c#·傅里叶分析
0x21130 分钟前
[论文阅读]BERT-based Lexical Substitution
论文阅读·人工智能·bert
云起无垠33 分钟前
【论文速读】| PathSeeker:使用基于强化学习的越狱攻击方法探索大语言模型的安全漏洞
人工智能·语言模型
goTsHgo33 分钟前
自然语言处理——Hugging Face 详解
人工智能·机器学习·自然语言处理
算家云42 分钟前
moffee模型部署教程
人工智能·python·github·markdown·nvidia·ppt·幻灯片制作
武子康1 小时前
大数据-208 数据挖掘 机器学习理论 - 岭回归 和 Lasso 算法 原理
大数据·人工智能·机器学习·数据挖掘·scikit-learn