yolo11_pytorch在CPU上提速明显，支持目标检测、实例分割、图像分类、姿态估计

最新推荐文章于 2025-04-17 18:30:32 发布

技术瘾君子1573

最新推荐文章于 2025-04-17 18:30:32 发布

阅读量854

点赞数 24

分类专栏：人工智能&深度学习&机器学习文章标签： pytorch 目标检测分类推理训练

本文链接：https://blog.csdn.net/qq_27815483/article/details/143688169

版权

人工智能&深度学习&机器学习专栏收录该内容

196 篇文章

订阅专栏

YOLO11在CPU上提速明显，支持目标检测、实例分割、图像分类、姿态估计。

论文

未发表

模型结构

YOLO11与YOLOv8一致提供了五个不同尺度大小的网络，延续了YOLOv10无NMS的训练策略，引入了C3k2和C2PSA两个全新模块。

算法原理

YOLO11将图片数据送入模型后，沿用yolo系列的通用方法，依次通过backbone、neck提取特征，然后经过head预测出检测框。

环境配置

mv yolo11_pytorch YOLO11 # 去框架名后缀

Docker（方法一）

docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:2.3.0-ubuntu22.04-dtk24.04.2-py3.10
# <your IMAGE ID>为以上拉取的docker的镜像ID替换，本镜像为：83714c19d308
docker run -it --shm-size=64G -v $PWD/YOLO11:/home/YOLO11 -v /opt/hyhal:/opt/hyhal:ro --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name yolo11 <your IMAGE ID> bash
cd /home/YOLO11
pip install -r requirements.txt # requirements.txt

Dockerfile（方法二）

cd cd /home/YOLO11/docker
docker build --no-cache -t yolo11:latest .
docker run --shm-size=64G --name yolo11 -v /opt/hyhal:/opt/hyhal:ro --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video -v $PWD/../../YOLO11:/home/YOLO11 -it yolo11 bash
# 若遇到Dockerfile启动的方式安装环境需要长时间等待，可注释掉里面的pip安装，启动容器后再安装python库：pip install -r requirements.txt。

Anaconda（方法三）

1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装：

https://developer.hpccube.com/tool/

DTK驱动:dtk24.04.2
python:python3.10
torch:2.3.0
torchvision:0.18.1
torchaudio:2.1.2
triton:2.1.0
flash-attn:2.0.4
deepspeed:0.14.2
apex:1.3.0
xformers:0.0.25

Tips：以上dtk驱动、python、torch等DCU相关工具版本需要严格一一对应。

2、其它非特殊库参照requirements.txt安装

cd /home/YOLO11
pip install -r requirements.txt # requirements.txt

数据集

coco2017、coco2017labels-segments与coco8。

对于coco8的使用：运行训练命令时会自动从官网下载并自动解压，若因网络问题未自动下载，放到/home/datasets/下即可，运行训练命令时会自动解压。

对于coco2017的使用：首先解压下载的coco2017中的train2017.zip、val2017.zip，放置到新建文件夹coco/images/下，然后解压coco2017labels-segments.zip，文件会自动放到coco目录下面。

mkdir coco/images

cd coco2017
unzip train2017.zip
mv train2017 ../coco/images/
unzip val2017.zip
mv val2017 ../coco/images/

cd ..
unzip coco2017labels-segments.zip

本项目已提供迷你数据集coco8用于快速试用，完整训练的目录结构如下：

/home/datasets
    ├── datasets/coco8
        ├── images
            ├── train
                ├── xxx.jpg
                ...
            └── val
                ├── xxx.jpg
                ...
        └── labels
            ├── train
                ├── xxx.txt
                ...
            └── val
                ├── xxx.txt
                ...
    └── datasets/coco
        ├── train2017.txt
        ├── val2017.txt
        ├── test-dev2017.txt
        ├── images
            ├── train2017
                ├── xxx.jpg
                ...
            └── val2017
                ├── xxx.jpg
                ...
        └── labels
            ├── train2017
                ├── xxx.txt
                ...
            └── val2017
                ├── xxx.txt
                ...

更多资料可参考源项目的README_origin

训练

运行训练命令时若未自动下载字体文件，使用以下命令放置即可：

cp Arial.ttf /root/.config/Ultralytics/Arial.ttf

若遇到部分环境需要到YOLO11目录中读取数据集，使用以下命令放置即可：

cd /home/YOLO11
mv ../datasets ./

cd /home/YOLO11
python train_infer_coco.py # 若希望训练coco2017，则使用此config：data="coco.yaml"。

推理

yolo predict model=yolo11s.pt source='https://ultralytics.com/images/bus.jpg'

更多资料可参考源项目的README_origin

result

输入:

图片：bus.jpg

输出:

640x480 4 persons, 1 bus

精度

DCU与GPU精度一致，推理框架：pytorch。

应用场景

算法类别

目标检测

热点应用行业

制造,电商,医疗,能源,教育

预训练权重

源码仓库及问题反馈

ModelZoo / YOLO11_pytorch · GitLab