wordpress 支付查看,企业网站seo哪里好,常用个人网站是什么,东莞工厂网站建设文章目录 1、YOLO v11 介绍1.1、改进点特性1.2、性能对比1.3、多任务支持 2、测试2.1、官方Python测试2.2、Opencv dnn测试2.3、测试统计 3、训练 1、YOLO v11 介绍
YOLO11是Ultralytics实时目标探测器系列中最新的迭代版本#xff0c;重新定义尖端的精度、速度和效率。在以往… 文章目录 1、YOLO v11 介绍1.1、改进点特性1.2、性能对比1.3、多任务支持 2、测试2.1、官方Python测试2.2、Opencv dnn测试2.3、测试统计 3、训练 1、YOLO v11 介绍
YOLO11是Ultralytics实时目标探测器系列中最新的迭代版本重新定义尖端的精度、速度和效率。在以往具有令人印象深刻进步的yolo版本基础上YOLO11对架构和训练方法进行了重大改进使其成为各种计算机视觉任务的多功能选择。
1.1、改进点特性
YOLO11 相比之前版本带来了五大关键改进 增强特征提取YOLO11 通过重新设计主干网络和颈部网络Backbone 和 Neck新增了C3k2和C2PSA等组件提高了从图像中提取特征的能力。这个改进使得 YOLO11 在复杂任务如多目标检测、遮挡处理等中表现得更为出色。特征提取的效率直接影响目标的精确定位和分类新的架构优化提升了检测的敏感度和准确度。 优化速度与效率YOLO11 采用了更高效的架构和训练流程保持高精度的同时提升了处理速度。 更高精度与更少参数YOLO11 的一个亮点在于它在减少了模型参数的情况下依然能实现较高的精度。相较于 YOLOv8mYOLO11m 在 COCO 数据集上的 mAP 提升了且参数减少了 22%。 即YOLO11 在减少计算资源消耗的同时依然能够保持或提高检测性能。特别是在资源受限的设备上如边缘计算设备或低功耗的嵌入式系统这种高效性显得尤为重要。 多环境适应性强YOLO11 支持多种环境包括边缘设备、云平台甚至是移动端。结合 NVIDIA GPU 的支持它能够在不同的硬件环境中无缝运行。 广泛支持多种任务除了传统的目标检测外YOLO11 还支持目标跟踪、实例分割、关键点姿态估计、OBB定向物体检测旋转目标检测、物体分类等视觉任务。
1.2、性能对比
官网描述相比之前版本它在架构和训练方法上有显著改进提升了整体性能。实际感觉提升不太大。下图中展示了 YOLO11 与其他 YOLO 版本如 YOLOv10、YOLOv9 等在延迟与检测精度mAP上的对比。
1.3、多任务支持
yolo11支持多种视觉任务包括目标检测、实例分割、关键点姿态估计、OBB旋转目标检测和物体分类。
下表提供了YOLO11模型变体的概述展示了它们在特定任务中的适用性以及与推理、验证、训练和导出等操作模式的兼容性。这种灵活性使YOLO11适用于计算机视觉中的广泛应用从实时检测到复杂的分割任务。 ModelFilenamesTaskInferenceValidationTrainingExportYOLO11yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.ptDetection✅✅✅✅YOLO11-segyolo11n-seg.p yolo11s-seg.pt yolo11m-seg.pt yolo11l-seg.pt yolo11x-seg.ptInstance Segmentation✅✅✅✅YOLO11-poseyolo11n-pose.pt yolo11s-pose.pt yolo11m-pose.pt yolo11l-pose.pt yolo11x-pose.ptPose/Keypoints✅✅✅✅YOLO11-obbyolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.ptOriented Detection✅✅✅✅YOLO11-clsyolo11n-cls.pt yolo11s-cls.pt yolo11m-cls.pt yolo11l-cls.pt yolo11x-cls.ptClassification✅✅✅✅ 每种任务都有专门的模型文件如yolo11n.pt、yolo11m-seg.pt 等支持推理、验证、训练和导出功能。可以根据具体的任务需求在不同场景中灵活部署 YOLO11。 模型太多卷不动了具体代码层面的改进优化就不说明有兴趣直接看源码… 2、测试
官方默认的安装方式是通过运行 pip install ultralytics 来快速安装 Ultralytics 包。 安装有问题时建议使用国内镜像源加速 pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple/ 。
2.1、官方Python测试
YOLOv1 可以在命令行界面CLI中直接使用只需输入 yolo 命令
yolo predict modelyolo11n.pt sourcehttps://ultralytics.com/images/bus.jpg以 coco数据集训练的 yolov8m.pt 进行测试为例执行脚本为 yolo predict modelyolo11m.pt sourcebus.jpg device0运行输出如下
(yolo_pytorch) E:\yolov8-ultralyticsyolo predict modelyolov8m.pt sourcehttps://ultralytics.com/images/bus.jpg device0
Ultralytics YOLOv8.0.154 Python-3.9.16 torch-1.13.1cu117 CUDA:0 (NVIDIA GeForce GTX 1080 Ti, 11264MiB)
YOLOv8m summary (fused): 218 layers, 25886080 parameters, 0 gradients, 78.9 GFLOPsFound https://ultralytics.com/images/bus.jpg locally at bus.jpg
image 1/1 E:\DeepLearning\yolov8-ultralytics\bus.jpg: 640x480 4 persons, 1 bus, 19.0ms
Speed: 3.0ms preprocess, 19.0ms inference, 4.0ms postprocess per image at shape (1, 3, 640, 480)
Results saved to runs\detect\predict1首次运行时会自动下载最新的模型文件。 cpu 和 gpu的时间 CPU 3.9ms preprocess, 579.7ms inference, 21.2ms postprocess GPU 2.3ms preprocess, 17.5ms inference, 1.5ms postprocess
2.2、Opencv dnn测试
按照惯例将pt转换为onnx模型 yolo detect export modelyolo11m.pt formatonnx imgsz640,640 输出如下
(yolo_pytorch) E:\DeepLearning\yolov8-ultralyticsyolo detect export modelyolo11m.pt formatonnx imgsz640,640
Ultralytics 8.3.8 Python-3.9.16 torch-1.13.1cu117 CPU (Intel Core(TM) i7-7700K 4.20GHz)
YOLO11m summary (fused): 303 layers, 20,091,712 parameters, 0 gradients, 68.0 GFLOPsPyTorch: starting from yolo11m.pt with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 84, 8400) (38.8 MB)ONNX: starting export with onnx 1.14.0 opset 16...
ONNX: slimming with onnxslim 0.1.34...
ONNX: export success ✅ 5.4s, saved as yolo11m.onnx (76.9 MB)Export complete (7.5s)
Results saved to E:\DeepLearning\yolov8-ultralytics
Predict: yolo predict taskdetect modelyolo11m.onnx imgsz640
Validate: yolo val taskdetect modelyolo11m.onnx imgsz640 data/ultralytics/ultralytics/cfg/datasets/coco.yaml
Visualize: https://netron.appLearn more at https://docs.ultralytics.com/modes/export使用netron查看网络结构依然和yolov8一致输入 (640,640)输出(84, 8400)。 因此直接使用yolov8的测试代码仅修改模型文件即可。参考代码见链接 opencv dnn模块 示例(23) 目标检测 object_detection 之 yolov8 。
2.3、测试统计
python (CPU)579ms python (GPU)17ms
opencv dnn(CPU) opencv dnn(GPU)
以下包含 预处理推理后处理 openvinoCPU325ms onnxruntimeGPU28ms onnxruntimeGPU393ms TensorRT19ms
3、训练
训练部分也完全同 opencv dnn模块 示例(23) 目标检测 object_detection 之 yolov8 中一致。
