《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------》
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
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01对于模型验证：
python
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
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
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
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！