本文来源公众号“江大白”,仅用于学术分享,侵权删,干货满满。
原文链接:YOLOv11算法详解,YOLOv11/v10/v8性能对比分析,谁才是真正的目标检测之王?
0 导读
目标检测任务在AI项目落地中扮演着至关重要的角色,是众多AI任务的前置算法,本文详细阐述了YOLOv11算法的改进方向、功能和性能,并与YOLOv10和YOLOv8进行比较,充分验证了YOLOv11在速度、准确性和多样任务支持等方面的有效性。
1 引言
2024年9月30日,Ultralytics在其活动YOLOVision中正式发布了YOLOv 11。YOLOv 11是由位于美国和西班牙的Ultralytics团队开发的YOLO的最新版本。YOLO是一种用于基于图像的人工智能的计算机模型。
YOLOv 11与其他版本的YOLO相比的性能
2 YOLOv11改进方向
与YOLOv10相比,YOLOv11有了巨大的改进,包括但不限于:
-
增强的模型结构:模型具有改进的模型结构,以获取图像处理并形成预测
-
GPU优化:这是现代ML模型的反映,GPU训练ML模型在速度和准确性上都更好。
-
速度:YOLOv 11模型现在经过增强和GPU优化以用于训练。通过优化,这些模型比它们的前版本快得多。在速度上达到了25%的延迟减少!
-
更少的参数:更少的参数允许更快的模型,但v11的准确性不受影响
-
更具适应性:更多支持的任务YOLOv 11支持多种类型的任务、多种类型的对象和多种类型的图像。
3 YOLOv11功能介绍
Glenn Jocher和他的团队制作了一个令人敬畏的YOLOv 11迭代,并且在图像人工智能的各个方面都提供了YOLO。YOLOv 11有多种型号,包括:
-
对象检测-在训练时检测图像中的对象
-
图像分割-超越对象检测,分割出图像中的对象
-
姿态检测-当用点和线训练时绘制一个人的姿势
-
定向检测(OBB):类似于对象检测,但包围盒可以旋转
-
图像分类-在训练时对图像进行分类
使用Ultralytics Library,这些模型还可以进行优化,以:
-
跟踪-可以跟踪对象的路径
-
易于导出-库可以以不同的格式和目的导出
-
多场景-您可以针对不同的对象和图像训练模型
此外,Ultralytics还推出了YOLOv 11的企业模型,该模型将于10月31日发布。这将与开源的YOLOv 11模型并行,但将拥有更大的专有Ultralytics数据集。YOLOv 11是“建立在过去的成功”的其他版本的之上。
4 YOLOv11模型介绍
YOLOv 11附带了边界框模型(无后缀),实例分割(-seg),姿态估计(-pose),定向边界框(-obb)和分类(-cls)。
这些也有不同的尺寸:纳米(n),小(s),中(m),大(l),超大(x)。
YOLOv11模型
5 YOLOv11与前版本对比
与YOLOv10和YOLOv8相比,YOLOv11在Ultralytics的任何帖子中都没有直接提到。所以我会收集所有的数据来比较它们。感谢Ultralytics:
检测:
YOLOv11检测统计
YOLOv10检测统计
其中,Nano的mAPval在v11上为39.5,v10上为38.5;Small为47.0 vs 46.3,Medium为51.5 vs 51.1,Large为53.4 vs 53.2,Extra Large为54.7vs 54.4。现在,这可能看起来像是一种增量增加,但小小数的增加可能会对ML模型产生很大影响。总体而言,YOLOv11以0.3 mAPval的优势追平或击败YOLOv10。
现在,我们必须看看速度。在延迟方面,Nano在v11上为1.55 , v10上为1.84,Small为2.46 v2.49,Medium为4.70 v4.74,Large为6.16 v7.28,Extra Large为11.31 v10.70。延迟越低越好。YOLOv11提供了一个非常低的延迟相比,除了特大做得相当差的前身。
总的来说,Nano模型是令人振奋的,速度更快,性能相当。Extra Large在性能上有很好的提升,但它的延迟非常糟糕。
分割:
YOLOV11 分割统计
YOLOV9 分割统计
YOLOV8 分割数据
总体而言,YOLOv 11上的分割模型在大型和超大型模型方面比上一代YOLOv 8和YOLOv 9做得更好。
YOLOv 9 Segmentation没有提供任何关于延迟的统计数据。比较YOLOv 11延迟和YOLOv 8延迟,发现YOLOv 11比YOLOv 8快得多。YOLOv 11将大量GPU集成到他们的模型中,因此期望他们的模型甚至比CPU测试的基准更快!
姿态估计:
YOLOV11姿态估计统计
YOLOV8姿态估计统计
YOLOv 11的mAP 50 -95统计量也逐渐优于先前的YOLOv 8(除大型外)。然而,在速度方面,YOLOv 11姿势可以最大限度地减少延迟。其中一些延迟指标是版本的1/4!通过对这些模型进行GPU训练优化,我可以看到指标比显示的要好得多。
定向边界框:
YOLOv11 OBB统计
YOLOv8 OBB统计
OBB统计数据在mAP 50上并不是很好,只有非常小的改进,在某种程度上小于检测中的微小改进。然而,从v8到v11的速度减半,这表明YOLOv11在速度上做了很多努力。
最后,分类:
YOLOv 11 CLS统计
YOLOv8 CLS统计
从v8到v11,准确性也有了微小的提高。然而,速度大幅上升,CPU速度更快的型号。
6 总结
本文详细比较了YOLOv11与其前版本的性能比较,整体上看,在速度与性能上都有比较明显的提升。
THE END !
文章结束,感谢阅读。您的点赞,收藏,评论是我继续更新的动力。大家有推荐的公众号可以评论区留言,共同学习,一起进步。