yolov11

已于 2024-11-13 20:28:01 修改
阅读量2.4k 收藏 40
点赞数 48
文章标签： YOLO python
于 2024-11-08 21:00:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_51832278/article/details/143631804
版权

概述

科技发展日新月异，2024 年是 YOLO (You Only Look Once)模型的一年。继 2023 年 Ultralytics 发布 YOLOv8 之后，今年我们又有了 YOLOv9 和 YOLOv10，而后Ultralytics 宣布推出YOLO11 在他们的 YOLO Vision 2024 (YV24) 活动上，随着更新迭代，yolo已经来到最新版本yolo11

YOLO是一个快速、有效的目标检测算法，其核心优势在于速度和实时性，适用于大多数需要快速处理的应用场景。随着YOLO版本的不断更新，其精度和鲁棒性也得到了显著提升，特别是在处理多尺度物体、小物体检测、以及其他复杂场景下，YOLO逐渐成为目标检测领域的主流工具。

Yolov11模型结构介绍

YOLOv11 引入了更高效的架构，其中包括C3K2 、SPFF和C2PSA等高级注意力机制。YOLOv11 旨在增强小物体检测并提高准确性，同时保持 YOLO 一贯的实时推理速度。

模型结构

Backbone

conv

   它处理给定的 c、h、w，通过 2D 卷积层，然后是 2D 批量标准化层，最后使用 SiLU 激活函数

Bottle Neck

这是带有shortcut参数的卷积块序列，这将决定您是否要获取残差部分。它类似于 ResNet 块，如果shortcut设置为 False，则不会考虑任何残差。

C2F（YOLOv8）

C2F 块（跨阶段局部聚焦，CSP-Focus）源自 CSP 网络，特别注重效率和特征图保存。此块包含一个 Conv 块，然后将输出分成两半（通道被分开），并通过一系列“n”个 Bottle Neck 层进行处理，最后将每个层输出与最终的 Conv 块连接起来。这有助于增强特征图连接，而无需冗余信息。

C3K2

YOLOv11 使用C3K2 块来处理主干网络不同阶段的特征提取。较小的 3x3 内核可以实现更高效的计算，同时保留了模型捕获图像中基本特征的能力。YOLOv11 主干网络的核心是C3K2 块，它是早期版本中引入的 CSP（跨阶段部分）瓶颈的演变。C3K2 块通过分割特征图并应用一系列较小的核卷积（3x3）来优化网络中的信息流，这些较小的核卷积比较大的核卷积更快、计算成本更低。通过处理较小的独立特征图并在几次卷积后合并它们，与 YOLOv8 的 C2f 块相比，C3K2 块可以用更少的参数改进特征表示。

C3K 块包含与 C2F 块类似的结构，但这里不会进行拆分，输入通过 Conv 块，然后是一系列带有连接的“n”个瓶颈层，最后是 Conv 块。

C3K2 使用 C3K 块来处理信息。它在开始和结束时有 2 个 Conv 块，后面跟着一系列 C3K 块，最后将 Conv 块输出与最后一个 C3K 块输出连接起来，最后以最终的 Conv 块结束。此块专注于利用 CSP 结构来保持速度和准确性之间的平衡。

Neck

YOLOv11 保留了SPFF 模块,该模块旨在以不同的比例池化来自图像不同区域的特征。这提高了网络捕获不同大小物体（尤其是小物体）的能力，而这一直是早期 YOLO 版本的一大挑战。

SPFF 池化特征使用多个最大池化操作（具有不同的内核大小）来聚合多尺度上下文信息。此模块可确保模型识别即使是小物体，因为它可以有效地结合不同分辨率的信息。 SPFF 的加入确保 YOLOv11 能够保持实时速度，同时增强其跨多个尺度检测物体的能力。

Head

与早期的 YOLO 版本类似，YOLOv11 使用多尺度预测头来检测不同大小的物体。 检测头使用backbone和neck生成的特征图输出三个不同尺度（低、中、高）的检测框。 检测头根据图像中不同的粒度水平输出三个特征图的预测结果。 这种方法可确保以更精细的细节检测到较小的物体，而较大的物体则由更高级别的特征捕捉到。

Attention Mechanisms

YOLOv11 的重大创新之一是增加了 C2PSA 模块（跨阶段部分空间注意力）。 该功能块引入了注意力机制，通过强调特征图中的空间相关性，提高模型对图像中重要区域的关注度，例如较小或部分遮挡的物体。

Position-Sensitive Attention

该类封装了对输入张量应用位置敏感注意力和前馈网络的功能，从而增强了特征提取和处理能力。 该层包括用注意力层处理输入层，并将输入和注意力层的输出进行合并，然后通过一个前馈神经网络，接着是 Conv Block，然后是 Conv Block（无激活），然后将 Conv Block 的输出和第一个接触层的输出进行合并。

 C2PSA

C2PSA 模块使用两个 PSA（部分空间注意力）模块，分别对特征图的不同分支进行操作，之后再将它们连接起来，这与 C2F 模块的结构类似。 这种设置可确保模型关注空间信息，同时在计算成本和检测精度之间保持平衡。 C2PSA 模块通过对提取的特征进行空间关注，完善了模型选择性关注感兴趣区域的能力。 这使得 YOLOv11 在需要精细物体细节才能进行准确检测的情况下，性能优于 YOLOv8 等以前的版本。

 准备工作

你需要安装pytorch，如果你使用cpu训练模型

pip3 install torch torchvision torchaudio

如果你使用gpu进行训练模型，需要安装cuda（CUDA是NVIDIA推出的用于GPU的并行计算框架）和cudnn（CUDA Deep Neural Network library 深度神经网络加速库）

这里给出了安装示例

pytorch-cuda-cudnn版本安装icon-default.png?t=O83Ahttps://blog.csdn.net/weixin_51832278/article/details/143335886

安装yolo11

# Install the ultralytics package from PyPI
pip install ultralytics

一个简单示例这里我们可以用来测试

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

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

参数设置

部分参数可以更新以如下的方式

# Update a setting
yolo settings runs_dir='/path/to/runs'

# Update multiple settings
yolo settings runs_dir='/path/to/runs' tensorboard=False

# Reset settings to default values
yolo settings reset

如何训练自己的数据

准备数据集

将数据集文件夹的目录结构以下列格式进行规划，文件夹名不必更改

dataset/
├── train/
│   ├── images/
│   └── labels/
└── val/
    ├── images/
    └── labels/

数据集 YAML

YAML（Yet Another Markup Language，另一种标记语言）文件用于定义数据集配置。它包含有关数据集路径、类和其他相关信息的信息

文件位置

# parent
# ├── ultralytics
# └── datasets
# └── data.yaml

参考示例

比如说标注了四种类别 花、太阳、雨和你   ˶ᵒ ᵕ ˂˶


train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)    可不写

# Classes
names:
  0: 花
  1: 太阳
  2: 雨
  3: 你

标记数据

这里介绍几种标记工具

多用户协作标记

label studio 使用教程icon-default.png?t=O83Ahttps://labelstud.io/guide建议在anaconda环境下安装

安装label-studio，需要 Python 3.8 或更高版本

conda create --name label-studio
conda activate label-studio
conda install psycopg2  # required for LS 1.7.2 only
pip install label-studio

安装 Label Studio 后，使用以下命令启动服务器：

label-studio

默认网络浏览器将自动打开http://localhost:8080并启动 Label Studio

然后

  1. 使用您创建的电子邮件地址和密码进行注册。

  2. 单击“创建”以创建项目并开始标记数据。

在线标记

roborflowicon-default.png?t=O83Ahttps://roboflow.com/     网站内有细致的教程

本地标记

介意隐私的话可以用这种，labelimg 是一种本地标记平台，支持多种数据格式，

安装labelimg

pip install labelimg

运行labelimg

labelimg

可以在view中打开advanced mode 这样不必频繁点击切换

还有其他平台labelme，含有更丰富的功能，可实现分割，姿势等任务的标注功能，可用labelme2yolo 转化所需数据，这里不在赘述

训练数据

开始训练

参考：

# 从 YAML 建立新模型，从头开始训练
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# 从预先训练好的 *.pt 模型开始训练
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# 从 YAML 建立一个新模型，将预训练的权重转移到该模型并开始训练
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

由以上内容的一个示例，在终端输入以下内容即可开始训练

yolo detect train data=data.yaml model=yolov10n.pt epochs=500 batch=16 imgsz=640 device=0

断点续练

我们在中止训练（ctrl+c）后可以采取以下方式从历史点继续训练

# Resume an interrupted training
yolo train resume model=path/to/last.pt

path/to/last.pt 上述内容有提到，默认在runs/detect/中 

yolo train resume model=./runs/detect/train/last.pt

预测

yolo predict model=./runs/detect/train/bset.pt source=path/to/yourimage

预测以下图片 

可以得到类似结果

 

FAQ

YOLOv10 | 手把手教你利用yolov10训练自己数据集（含环境搭建、参数解析 、数据集查找、模型训练、推理、导出）
Snu77的博客
05-26 3万+
本文内含YOLOv10网络结构图 + 各个创新模块手撕结构图 + 训练教程 + 推理教程 + 参数解析 + 环境搭建 + 数据集获取等一些有关YOLOv10的内容！目录一、前言二、整体网络结构图三、空间-通道分离下采样3.1 SCDown介绍3.2 C2fUIB介绍3.3 PSA介绍四、环境搭建五、数据集获取六、模型获取七、模型训练7.1 训练的三种方式7.1.1 方式一7.1.2 方式二（推荐）7.1.3 方式三八、模型验证/测试九、模型推理十、模型输出官方论文地址点击此处即可跳转。
YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)
热门推荐
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-02 14万+
YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布， 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
YOLOv11对比YOLOV8网络结构变化分析，帮助你真正的理解和学习yolo框架
qq_39128381的博客
10-15 1万+
yolov11 yolo
超详细！YOLO11模型架构详解、性能对比
阿旭的博客
11-23 1万+
超详细！YOLOv11模型架构详解、性能对比
YOLOv8超详细环境搭建以及模型训练（GPU版本）
2401_85556416的博客
08-21 1万+
YOLOv8超详细环境搭建，以及以NEU-DET数据集为为例进行模型的训练
一文盘点YOLOv1-v11全系列模型
csdn1561168266的博客
11-17 2053
大家好，YOLO（You Only Look Once）系列模型是一类非常高效的目标检测模型。其主要特点是能够在单次前向传播中同时进行目标的定位和分类，实现实时的目标检测。YOLO 系列模型从最初的 YOLOv1 到 YOLOv10，经过了多次迭代和改进，逐渐提高了检测的精度和速度。近期，ultralytics 团队再次更新，YOLOv11速度更快、更准确。
YOLOv11 | 一文带你深入理解ultralytics最新作品yolov11的创新 | 训练、推理、验证、导出 （附网络结构图）
Snu77的博客
10-01 11万+
ultralytics发布了最新的作品YOLOv11，这一次YOLOv11的变化相对于ultralytics公司的上一代作品YOLOv8变化还是很大的（YOLOv9、YOLOv10均不是ultralytics公司作品），其中改变的位置涉及到C2f变为C3K2，在SPPF后面加了一层类似于注意力机制的C2PSA，还有一个变化大家从yaml文件是看不出来的就是它的检测头内部替换了两个DWConv，在损失函数方面就没有变化了还是采用的CIoU作为边界框回归损失，下面带大家深入理解一下ultralytics最新作品
yolov11重点知识点学习教程 yolov11训练策略
10-04
yolov11 一、YOLOv11学习路线图 章节内容概览 1. YOLOv11简介与核心概念 2. YOLOv11网络架构详解 3. YOLOv11训练策略与优化 4. YOLOv11数据处理与准备 5. YOLOv11性能评估与测试 6. YOLOv11在实际场景中的应用 二...
【yolov11-3】Ultralytics YOLOv8, YOLOv9, YOLOv10, YOLOv11.zip
10-02
YOLOv8、YOLOv9、YOLOv10、YOLOv11是Ultralytics公司推出的系列版本的YOLO（You Only Look Once）目标检测模型。YOLO是一种广泛应用于计算机视觉领域的实时目标检测系统，它能够在图像中快速定位并识别出多种物体。...
yolov11模型权重文件
11-20
YOLOv11模型权重文件是基于You Only Look Once（YOLO）算法的第11个版本的训练权重。YOLO是一种流行的目标检测算法，它将目标检测任务视为一个回归问题，直接在图像中预测边界框和类别概率。这种算法因其快速准确而...
yolov11n.pt、yolov11s.pt、yolov11m.pt、yolov11l.pt、yolov11x.pt全部模型权重文件打包
03-20
yolov11n.pt、yolov11s.pt、yolov11m.pt、yolov11l.pt、yolov11x.pt全部模型权重文件打包
YOLOv11：检测与多尺度预测技术
最新发布
weixin_43199439的博客
04-04 74
YOLOv11通过多尺度预测头、SPFF模块和C2PSA模块等创新设计，显著提升了物体检测的精度和速度。无论是复杂的街景，还是高速运动的物体，YOLOv11都能高效、精准地完成任务。
【YOLO系列】YOLOv11正式发布！
weixin_44184852的博客
10-01 3370
了解Ultralytics YOLO11的所有突破性功能，这是我们最新的人工智能模型，具有无与伦比的准确性和效率。我们很高兴向大家介绍Ultralytics型号的下一次进化：YOLO11！YOLO11建立在以前YOLO模型版本令人印象深刻的进步的基础上，带来了一系列强大的功能和优化，使其更快、更准确和令人难以置信的多功能性。
YOLOv11(ultralytics新作品-YOLOv8后续) | 一文带你深入理解yolov11全部内容（附网络结构图）
qq_41304809的博客
11-01 1万+
YOLOv11 是 Ultralytics 推出的最新的集目标检测、语义分割、图像分类等任务于一体的神经网络，其基本原理涉及到主干网络、颈部网络（neck）、检测头等部分，以下是详细介绍：变化1：C2f模块更换成了C3k2模块；变化2：在第九层SPPF之后，YOLOv11加上了一层C2PSA模块；变化三：在检测部分，YOLOv11也替换了C2F模块为C3K2模块；并且检测头内卷积更换成了深度可分离卷积下面详细介绍这三个变化：首先，第一个变化的C3k2模块其实并没有改变网络结构，其网络结构与C2F还是一样的，
目标检测YOLO实战应用案例100讲-【目标检测】YOLOV11
qq_36130719的博客
10-08 1441
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。与 YOLOv8 相比，它具有更少的参数和更好的结果，不难预见，YOLO11 在边缘设备上更高效、更快，将频繁出现在计算机视觉领域的最先进技术（SOTA）中。主要特点YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。精细的架构设计和优化的训练流程在保持准确性和性能之间最佳平衡的同时，提供更快的处理速度。
YOLOv11从入门到精通：环境搭建、训练技巧与实战应用全解析
skyksksksksks的博客
02-15 900
YOLO（You Only Look Once）系列自诞生以来，凭借其“单次检测”的极速特性，成为目标检测领域的标杆。2024年发布的YOLOv11，在保持实时性的基础上，进一步优化了精度与效率的平衡，成为工业界和学术界的新宠儿。相比前代YOLOv8，YOLOv11的参数量减少22%，mAP（平均精度）却提升了5%，尤其在小目标检测和复杂场景下的表现更加惊艳。多任务支持：不仅支持目标检测，还集成实例分割、姿态估计、定向边界框（OBB）等任务，真正做到“一网打尽”。跨平台部署。
YOLOv11网络结构
qq_54488514的博客
10-01 1万+
YOLOv11震撼来袭
Yolov11目标检测(ultralytics)
Mjy的博客
10-06 1931
【代码】Yolov11目标检测(ultralytics)
YOLOv11类别权重
01-03
### 关于YOLOv11类别权重文件或参数 对于YOLOv11的权重文件获取以及参数设置，需要注意的是目前官方提及较多的是从YOLOv5至YOLOv8期间的重大变化和发展。然而，有关YOLOv11的信息指出其改进相对较少，更多体现在细微结构调整上[^2]。 尽管如此，在Ultralytics公司发布的版本中，通常会提供预训练模型供研究者和开发者使用。如果考虑YOLOv11的情况，可以推测类似的流程也适用于该版本： #### 获取YOLOv11权重文件 为了获得YOLOv11特定类别的权重文件，建议访问Ultralytics官方GitHub仓库或其他由该公司维护并公开承认的资源平台。一般情况下，这类链接会在项目主页显著位置给出，方便用户快速找到所需的预训练模型。 #### 设置YOLOv11参数 当准备利用YOLOv11进行预测或是进一步训练时，应当按照如下方式设定权重路径： ```python from ultralytics import YOLO model = YOLO('path_to_yolov11_weights/yolov11.pt') # 加载YOLOv11权重 ``` 这里`'path_to_yolov11_weights/yolov11.pt'`应替换为实际存储YOLOv11权重文件的具体路径。这一步骤确保了所使用的网络初始化能够基于已有的良好性能表现来进行调整优化[^1]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值