YOLOv11入门到入土使用教程(含结构图)

今天炼丹了吗

已于 2025-02-11 18:49:53 修改

阅读量4w

点赞数 166

分类专栏： YOLOv11与自研模型专栏文章标签： YOLO

于 2024-10-23 22:34:22 首次发布

本文链接：https://blog.csdn.net/StopAndGoyyy/article/details/143169639

版权

YOLOv11与自研模型专栏专栏收录该内容

61 篇文章

订阅专栏

一、简介

前些天发布了YOLOv11，也是Ultralytics公司在之前的YOLO版本上推出的最新一代实时目标检测器，支持目标检测、追踪、实力分割、图像分类和姿态估计等任务。官方代码：ultralytics/ultralytics：ultralytics YOLO11 🚀 (github.com)https://github.com/ultralytics/ultralytics

二、使用教程

2.1 准备代码

首先，点击上方链接进入YOLOv11的GitHub仓库，按照图示流程下载打包好的YOLOv11代码与预训练权重文件到本地。

下载完成后解压，使用PyCharm（或VsCode等IDE软件）打开，并将下载的预训练权重拷贝到解压的工程目录下，下文以PyCharm为例。

2.2 准备数据集

Ultralytics版本的YOLO所需格式的数据集标签为txt格式的文本文件，文本文件中保存的标签信息分别为：类别序号、中心点x/y坐标、标注框的归一化信息，每一行对应一个对象。图像中有几个标注的对象就有几行信息。

自制数据集标注教程可看此篇文章：深度学习工具|LabelImg（标注工具）的安装与使用教程_labelimg安装-CSDN博客文章浏览阅读8.7k次，点赞15次，收藏66次。软件界面上包含了常用的打开文件、打开文件夹、更改保存路径、下一张/上一张图片、创建标注的格式、创建标注框等按钮，右侧显示从文件夹导入的文件列表、标签等信息。使用时可以进行如下设置，便于快速标注。_labelimg安装https://blog.csdn.net/StopAndGoyyy/article/details/139906637 如果没有自己的数据集，本文提供一个小型数据集（摘自SIMD公共数据集）以供测试代码，包含24张训练集以及20张测试集，约17.7MB，百度云链接：https://pan.baidu.com/s/1sCivMDjfAmUZK1J2P2_Dtg?pwd=1234https://pan.baidu.com/s/1sCivMDjfAmUZK1J2P2_Dtg?pwd=1234 下载完成后将提供的datasets文件夹解压并复制到工程路径下。

创建 data.yaml文件保存数据集的相关信息，如果使用本文提供的数据集可使用以下代码：

 # dataset path
train: ./images/train
val: ./images/test
test: ./images/test

# number of classes
nc: 15

# class names
names: ['car', 'Truck', 'Van', 'Long Vehicle','Bus', 'Airliner', 'Propeller Aircraft', 'Trainer Aircraft', 'Chartered Aircraft', 'Fighter Aircraft',\
        'Others', 'Stair Truck', 'Pushback Truck', 'Helicopter', 'Boat']

2.3 模型训练

创建train.py文件，依次填入以下信息。epochs=2表示只训练两轮，通常设置为100-300之间，此处仅测试两轮。batch=1表示每批次仅训练一张图片，可按显存大小调整batchsize，一般24g卡可设置为16-64。

from ultralytics.models import YOLO
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'

if __name__ == '__main__':
    model = YOLO(model='ultralytics/cfg/models/11/yolo11.yaml')
    # model.load('yolov8n.pt')
    model.train(data='./data.yaml', epochs=2, batch=1, device='0', imgsz=640, workers=2, cache=False,
                amp=True, mosaic=False, project='runs/train', name='exp')

相关参数网址：https://docs.ultralytics.com/modes/train/#train-settings

选择安装好的torch环境，本文无torch环境的安装教程，可按照其他博主推文或视频安装torch环境。

待软件控制台打印如下信息即为运行成功。

训练完成后在runs/train文件夹下保存有训练好的权重及相关训练信息。

2.4 模型验证

在工程下创建val.py文件，填入刚才训练好的权重路径及相关信

from ultralytics.models import YOLO
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'

if __name__ == '__main__':
    model = YOLO(model='./run/train/exp/weights/best.pt')
    model.val(data='./datasets/data.yaml', split='val', batch=1, device='0', project='run/val', name='exp',
              half=False,)

运行即可获得该权重针对不同目标的性能指标。本文只测试2个epochs,且数据集较小，可能无相关信息。

正常信息如下图：

2.5 模型预测

创建detect.py文件，填入训练好的权重路径及要检测的图片信息。

from ultralytics.models import YOLO


if __name__ == '__main__':
    model = YOLO(model='yolov8s.pt')
    model.predict(source='', device='0', imgsz=640, project='runs/detect/', name='exp')

运行即可开始检测，本文训练次数较少，可能无法检测到目标，如图左。可通过使用完整数据集进行训练，增大epochs提高检测准确率。正常检测图片如图右。

2.6 模型导出

为便于部署，将模型进行导出为onnx\torchscript\tensorflow等格式。创建export.py脚本，填入想要导出的模型路径。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
# model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")

2.7 目标追踪

import cv2

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Open the video file
# video_path = "path/to/video.mp4"
video_path = 0
cap = cv2.VideoCapture(video_path)

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLO11 tracking on the frame, persisting tracks between frames
        results = model.track(frame, persist=True)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLO11 Tracking", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

至此，模型使用教程结束。

三、模型分析

YOLOv11的结构如下，在YOLOv8的基础上将C2f替换为C3K2模块，更改C3k2模块中子模块的重复次数，并在SPPF层之后增加C2PSA模块，其他结构改动较小（检测头增加两个DWConv卷积）。

其中YOLOv11网络及主要模块的可视化化结构如下图。

C3K2模块存在两种结构，将其中的C3k参数设置为False时等于C2f模块。

class C3k2(C2f):
    """Faster Implementation of CSP Bottleneck with 2 convolutions."""

    def __init__(self, c1, c2, n=1, c3k=False, e=0.5, g=1, shortcut=True):
        """Initializes the C3k2 module, a faster CSP Bottleneck with 2 convolutions and optional C3k blocks."""
        super().__init__(c1, c2, n, shortcut, g, e)
        self.m = nn.ModuleList(
            C3k(self.c, self.c, 2, shortcut, g) if c3k else Bottleneck(self.c, self.c, shortcut, g) for _ in range(n)
        )

C3k模块与C3模块区别为其中的BottleNeck个数，C3k为两个BottleNeck，C3默认1个，并按照模型缩放因子及重复个数变化。

C2PSA模块与C2f模块相似，结构如下：

四、博主自研模型（广告）

上文是YOLOv11的使用教程及模型分析，下文是博主的一点广告。如果你觉得YOLO日益频繁的更新频率太快或者使用人数太多，可以考虑博主的自研模型作为Baseline（2024/10/30日之前群内更新），使用人数更少，相对好发文，且在SIMD数据集上拥有与YOLOv11相差不多的性能，欢迎入群交流。后面本群将以此模型作为基线模型进行更新，结合今年顶刊定会模块，进行二创三创，并在SIMD数据集上进行测试调整好，预计每周都会更新（每月四更，纯自研模块更新时间可能久一些），以下是测试结果图和我的QQ二维码。⭐上百种改进仅79.9,QQ:2668825911,欢迎交流⭐

此篇完