目录
论文地址：
https://www.semanticscholar.org/reader/adccc00dbd0fe63e4e34bc3445a29bc2ec910cbc
代码地址：https://github.com/ultralytics/ultralytics
YOLOv11 网络结构
YOLO11采用改进的骨干和颈部架构，增强了特征提取能力，提高了物体检测的精确度和复杂任务的表现。相比较于YOLOv8模型，其将CF2模块改成C3K2，同时在SPPF模块后面添加了一个C2PSA模块，且将YOLOv10的head思想引入到YOLO11的head中，使用深度可分离的方法，减少冗余计算，提高效率。
-
主干网络（Backbone）
-
YOLO1增加了一个C2PSA模块，并且将C2f替换为了C3k2。相比于C2f，当超参数c3k=True时，瓶颈块替换为 C3k，否则还是C2f,而C3k相比于C3则是可以让使用者自定义卷积块大小，更加灵活。C2PSA扩展了C2f，通过引入PSA( Position-Sensitive Attention)，旨在通过多头注意力机制和前馈神经网络来增强特征提取能力。它可以选择性地添加残差结构（shortcut）以优化梯度传播和网络训练效果。同时，使用FFN 可以将输入特征映射到更高维的空间，捕获输入特征的复杂非线性关系，允许模型学习更丰富的特征表示。
-
颈部网络（Neck）
-
YOLO11使用PAN结构，并在其中也使用了C3K2模块。这种结构设计有助于聚合来自不同尺度的特征，并优化特征的传递过程。C3K2模块其实就是C2F模块转变出来的，它代码中有一个设置，就是当c3k这个参数为FALSE的时候，C3K2模块就是C2F模块，也就是说它的Bottleneck是普通的Bottleneck；反之当它为true的时候，将Bottleneck模块替换成C3模块。
-
头部网络（Head）
YOLOv11 有哪些新特性？
2024年9月30日，Ultralytics在他们的YOLOVision活动上正式发布了YOLOv11。YOLOv11是由位于美国和西班牙的Ultralytics团队开发的YOLO模型的最新迭代版本。YOLOv11带来了大量改进，包括但不限于以下几点：
-
模型架构的增强：模型的架构经过优化，更好地处理输入图像并进行预测。通过改进的架构，模型在图像处理和推理阶段表现更加高效。
-
GPU优化：符合现代机器学习模型的趋势，YOLOv11在GPU上进行了优化训练。与之前版本相比，GPU训练不仅提高了模型的训练速度，还显著提升了模型的精度。
-
速度提升：没错，速度是YOLOv11的一大亮点。通过GPU优化和架构改进，YOLOv11的训练和推理速度比以往版本快得多，延迟减少高达25%。
-
参数减少：模型参数的减少使得YOLOv11运行更加高效，速度更快，同时保持高精度，几乎不影响准确性。
-
更强的适应性和更多支持任务：YOLOv11支持更多类型的任务、更多种类的目标检测和处理更多不同类型的图像。这使得YOLOv11的应用场景更加广泛，几乎可以胜任任何图像识别任务。
YOLOv11 提供了多个模型，涵盖了以下功能：
- 目标检测：经过训练后，能够检测图像中的目标物体。
- 图像分割：不仅能够进行目标检测，还能将图像中的物体进行精确分割。
- 姿态估计：通过训练后可以绘制人体姿态，使用点和线来标识关节和肢体。
- 旋转边界框（OBB）：与目标检测类似，但边界框可以进行旋转，适用于具有方向性的物体检测。
- 图像分类：经过训练后能够对图像进行类别分类。
YOLOv11包含哪些模型？
YOLOv11包括以下模型：
- 边界框检测模型（无后缀）
- 实例分割模型（后缀 -seg）
- 姿态估计模型（后缀 -pose）
- 旋转边界框模型（后缀 -obb）
- 图像分类模型（后缀 -cls）
这些模型还分为不同的尺寸版本：Nano (n)、Small (s)、Medium (m)、Large (l)、Extra-Large (x)。
YOLOv11 的性能数据
目标检测：
从数据来看，Nano 模型在 YOLOv11 上的 mAPval 为 39.5，而在 YOLOv10 上也是 39.5；Small 模型分别为 47.0 对 46.8；Medium 模型是 51.5 对 51.3；Large 模型在两个版本中均为 53.4；Extra Large 模型为 54.7 对 54.4。这些看似细微的提升，尤其是 mAPval 上的小数点增长，在机器学习模型中往往能带来显著的性能提升。总的来说，YOLOv11 在 mAPval 上超越了 YOLOv10 约 0.3。
接下来我们来看看速度。在延迟方面，Nano 模型在 YOLOv11 上的延迟为 1.55，而在 YOLOv10 上是 1.84；Small 模型分别为 2.46 对 2.49；Medium 模型是 4.70 对 4.74；Large 模型为 6.16 对 7.28；而 Extra Large 模型则为 11.31 对 10.70。延迟越低越好，除了 Extra Large 模型表现稍差之外，YOLOv11 其他尺寸的延迟都比前代低。
总体而言，Nano 模型在速度方面表现极佳，同时性能相当。而 Extra Large 模型尽管性能有所提升，但延迟表现不佳。
图像分割：
总的来看，YOLOv11 的图像分割模型在 Large 和 Extra Large 模型上相比之前的 YOLOv8 和 YOLOv9 表现更优。YOLOv9 并没有提供延迟方面的统计数据，而 YOLOv11 相比 YOLOv8 的延迟大幅降低。YOLOv11 还引入了大量的 GPU 优化，因此在 CPU 测试的基准之外，GPU 上的速度预计会更快。
姿态估计：
YOLOv11 在 mAP50–95 的统计数据上较 YOLOv8 有小幅提升（Large 模型除外）。然而在速度方面，YOLOv11 的姿态估计模型在延迟上有显著改善，某些延迟数据甚至是前代的四分之一！由于这些模型是针对 GPU 训练优化的，因此预计实际性能会比展示的数据更好。
旋转边界框：
在 mAP50 的统计数据上，旋转边界框模型的提升相对较小，甚至比目标检测的细微改进还要少。然而，YOLOv11 在速度上却提升了一倍，显示出 YOLOv11 为提升速度做出了巨大努力。
图像分类：
在精度上，从 YOLOv8 到 YOLOv11 的改进微乎其微，但在速度上，YOLOv11 模型在 CPU 上的表现有了巨大的提升。
YOLOv8 vs YOLOv11: 各模型性能比较
用于比较的关键指标
-
**模型版本（n、s、m、l、x）：
Ultralytics 开发的 YOLO 模型有不同的尺寸，即纳米（n）、小（s）、中（m）、大（l）和超大（x）。较大的模型往往更复杂、更强大，但它们也需要更多资源并且运行速度较慢。**
-
mAP（平均精度）：
mAP分数告诉我们模型检测物体的准确度。*计算基于模型识别与图像中实际物体不同重叠度的物体的能力。平均精度 (mAP) 越高，表示模型的准确度越高，表明其检测和准确定位图像中物体的能力越强。* -
速度（以毫秒为单位）：
速度告诉我们模型处理图像的速度。速度有两种类型，
*CPU 速度：这衡量了它在普通计算机处理器 (CPU) 上的运行速度；
GPU 速度：这衡量了它在特定 NVIDIA GPU（例如 A100 或 T4）上的运行速度，这些 GPU 通常用于高性能 AI 任务。* -
Params(M)：
表示特定模型的参数数量（以百万为单位）。模型越大，参数越多。 -
FLOPs(B)：
FLOPs（浮点运算）表示模型的计算复杂度。FLOP 越高，表示模型需要的计算资源越多。*以十亿为单位。*
YOLOv8n 与 YOLOv11n：
最小、最快、参数最少的模型：
-
性能：YOLOv11n 在精度上超越了 YOLOv8n，平均精度（mAP）为 39.5，而 YOLOv8n 为 37.3，表明 YOLOv11n 在图像中的目标检测能力更强。
-
速度：在标准 CPU 上，YOLOv11n 的运行速度更快，延迟为 56.1 毫秒，但在高性能 GPU 上则略微较慢。
-
效率：YOLOv11n 在保持较高精度的同时，使用了更少的参数和更低的浮点运算次数（FLOPs），展现出比 YOLOv8n 更高的效率。
YOLOv8s 与 YOLOv11s：
这些模型稍大，旨在平衡速度和精度：
-
性能：YOLOv11s 在精度方面优于 YOLOv8s，平均精度（mAP）为 47.0，而 YOLOv8s 为 44.9，因此在需要高精度的场景下，YOLOv11s 是更好的选择。
-
速度：YOLOv11s 在 CPU 上表现出色，而 YOLOv8s 则在诸如 A100 等高性能 GPU 上表现更快。
-
效率：由于 YOLOv11s 的参数数量更少且计算需求更低，它能够以较少的计算资源提供更高的精度，展示出更高的效率。
YOLOv8m 与 YOLOv11m
中型模型在小型和大型版本之间提供了折衷选择：
-
性能：YOLOv11m 在精度上相比 YOLOv8m 有轻微的提升。
-
速度：YOLOv11m 在 CPU 上的运行速度更快，但在 GPU 上的表现较慢，这可能会影响其在特定应用中的表现。
-
效率：YOLOv11m 使用了较少的参数和浮点运算次数（FLOPs），同时保持了更高的精度，突显了其在任务管理中的高效性。
YOLOv8l 与 YOLOv11l
这些大型模型专为需要精度优先于速度的任务而设计：
-
性能：尽管精度差异较小，YOLOv11l 仍保持着轻微的优势。
-
速度：YOLOv11l 在 CPU 上表现更快，但在 GPU 上的速度明显较慢。
-
效率：YOLOv11l 在资源消耗更少的情况下取得了更好的结果，拥有更少的参数和浮点运算次数（FLOPs），仍然超越了 YOLOv8l。
YOLOv8x 与 YOLOv11x
超大型模型是最为精确的，但也消耗最多的资源：
-
性能：YOLOv11x 的精度略微超越了 YOLOv8x，尽管优势不大。
-
速度：YOLOv11x 在 CPU 和 GPU 上的表现较慢，优先考虑精度而非速度。
-
效率：YOLOv11x 在完成相同任务时消耗了更少的资源，使用显著更少的浮点运算次数（FLOPs）和参数，同时实现了更高的精度。
总结
YOLO11算法提高了检测精度和效率。在有很多物体的视频中，YOLO11的检测效果更好，甚至可以检测到领带等细小物品。
-
网络结构与性能提升
YOLO11通过引入C3K2、C2PSA等模块，增强了特征提取能力，提高了检测精度。同时，采用深度可分离卷积等方法优化计算效率，实现了更快的处理速度和更高的性能。这使得YOLO11在多种计算机视觉任务中表现出色，尤其在复杂场景中更具优势。
-
算法改进与任务扩展
YOLO11在算法层面进行了多项优化，包括增强的特征提取、优化的训练流程等，进一步提升了模型的准确性和效率。此外，它还支持多种计算机视觉任务，如实例分割、图像分类等，满足了更广泛的应用需求。
-
灵活部署与广泛应用
YOLO11具有良好的环境适应性，可以在边缘设备、云平台等多种环境中部署。其高效的计算性能和广泛的应用场景，使得YOLO11成为实时目标检测领域的佼佼者，为科研和商业应用提供了有力支持。
扫一扫
5259
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
