YOLOv11| 一文搞懂yolo得最新作品YOLOv11，并训练自己的数据集

官方代码:GitHub - ultralytics/ultralytics: Ultralytics YOLO11 🚀

官方文档：https://docs.ultralytics.com/

YOLOv11是ultralytics公司的最新作品，此公司还出了yolov5，yolov8。不得不说，ultralytics公司出品，必是精品。相比于YOLOv8，在YOLOv11中，将c2f变为C3K2，在SPPF后面添加了C2PSA，检测头内部替换了两个DWConv，模型的宽度和深度进行了大幅度的调整。

YOLOv8与YOLOv11的比较

左图为YOLOv8的yaml文件，右图为YOLOv11的yaml文件。

网络结构解析

1.C3K2机制

提出了C3K2机制，其中C3K2有参数c3k，在网络的部分位置设置为False。

叫C3K2的原因个人认为是C3K调用时参数N设置为2。

2.C2PSA

C2机制内部嵌入了一个多头注意力机制，仔细观察把Attention哪里去掉则C2PSA机制就变为了C2所以我上面说C2PSA就是C2里面嵌入了一个PSA机制。

3.分类检测头增加了两个DWConv

在分类检测头中YOLOv11插入了两个DWConv这样的做法可以大幅度减少参数量和计算量。

代码下载，环境配置

下载代码

点击：   GitHub - ultralytics/ultralytics: Ultralytics YOLO11 🚀https://github.com/ultralytics/ultralytics

下载后解压，使用Pycharm打开

配置环境

1.创建虚拟环境

conda create -n yolov11 python=3.8

2.激活虚拟环境

conda activate yolov11

3.下载pytorch，根据自己的硬件，下载pytorch

pip install torch==2.3.0 torchvision==0.18.0 torchaudio==2.3.0 --index-url https://download.pytorch.org/whl/cu121

4.在项目路径下，安装ultralytics

pip install ultralytics

模型训练

方式1

通过命令直接进行训练在其中指定参数，但是这样的方式，我们每个参数都要在其中打出来。

yolo task=detect mode=train model=yolov11n.pt data=data.yaml batch=16 epochs=100 imgsz=640 workers=0 device=0

方式2 

通过指定cfg直接进行训练

yolo cfg=ultralytics/cfg/default.yaml

方式3

创建py文件来进行训练.

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
 
if __name__ == '__main__':
    model = YOLO('yolo11.yaml')
    
  
    model.train(data=r"data.yaml",
                # 如果大家任务是其它的'ultralytics/cfg/default.yaml'找到这里修改task可以改成detect, segment, classify, pose
                cache=False,
                imgsz=640,
                epochs=100,
                single_cls=False,  # 是否是单类别检测
                batch=4,
                close_mosaic=0,
                workers=0,
                device='0',
                optimizer='SGD',
         
                amp=True,
                project='runs/train',
                name='exp',
                )
 

无论哪一种方法，只要输出网络结构就表示成功了。

训练验证

yolo task=detect mode=val model=best.pt data=data.yaml device=0

模型推理

yolo task=detect mode=predict model=best.pt source=images device=0

推理时也可以创建py文件进行推理。

模型导出

在部署模型时，需要不同的格式

yolo task=detect mode=export model=best.pt format=onnx