探索 Ultralytics YOLO11 計算機視覺領域的關鍵突破精華

發布于 2024-10-12 12:59

瀏覽

0收藏

在計算機視覺領域，目標檢測、實例分割、圖像分類等任務一直是研究和應用的熱點。Ultralytics YOLO系列以其高效、準確的特點在該領域占據重要地位。YOLO11作為該系列的最新迭代版本，帶來了一系列的改進和創新，進一步提升了模型在各種計算機視覺任務中的性能。

一、概述

YOLO11是Ultralytics YOLO系列實時目標檢測器的最新版本，它基于之前YOLO版本的顯著進步進行構建，在架構和訓練方法上引入了重大改進，從而成為了廣泛計算機視覺任務的通用選擇。

探索 Ultralytics YOLO11 計算機視覺領域的關鍵突破-AI.x社區

二、關鍵特性

1、增強的特征提取

YOLO11采用了改進的骨干網絡和頸部架構，這極大地增強了特征提取能力，從而實現更精確的目標檢測以及復雜任務的執行。例如，在處理包含多個小目標的圖像時，能夠更清晰地捕捉到目標的特征，提高檢測的準確率。

2、效率和速度的優化

其引入了精細的架構設計和優化的訓練流程，不僅能夠提供更快的處理速度，還在準確性和性能之間保持了最佳平衡。這使得它在實時性要求較高的應用場景中表現出色，如視頻監控中的目標實時檢測。
通過對比不同模型在不同硬件上的運行速度數據可以清晰地看到這種優勢。例如，在CPU ONNX環境下，YOLO11n的檢測速度為56.1 ± 0.8 ms，而在T4 TensorRT10環境下，速度更是達到了1.5 ± 0.0 ms。

3、更少參數實現更高精度

隨著模型設計的進步，YOLO11m在COCO數據集上實現了更高的平均精度（mAP），同時相比YOLOv8m使用的參數減少了22%。這不僅提高了計算效率，而且沒有犧牲準確性，使得它在資源受限的設備上也能有出色的表現。

4、環境適應性強

YOLO11可以無縫地部署在各種環境中，包括邊緣設備、云平臺以及支持NVIDIA GPU的系統。這種靈活性確保了它能在不同的應用場景中發揮作用，從移動設備上的實時檢測到云環境中的復雜分割任務都能勝任。

5、廣泛的任務支持

無論是目標檢測、實例分割、圖像分類、姿態估計還是有向目標檢測（OBB），YOLO11都能應對各種計算機視覺挑戰。例如，在姿態估計任務中，可以準確地檢測和跟蹤人體的關鍵點。

三、支持的任務和模式

1、目標檢測

YOLO11系列中的YOLO11模型（包括yolo11n.pt、yolo11s.pt、yolo11m.pt、yolo11l.pt、yolo11x.pt等變體）可用于目標檢測任務，在推理、驗證、訓練和導出等操作模式上都具有良好的兼容性。

2、實例分割

YOLO11 - seg系列模型用于實例分割任務，同樣涵蓋多種變體，能夠準確地檢測物體并描繪出它們的邊界。

3、圖像分類

YOLO11 - cls系列模型可對圖像進行分類，將其歸入預定義的類別中。

4、姿態估計

YOLO11 - pose系列模型用于姿態估計，能夠檢測和跟蹤人體的關鍵點。

5、有向目標檢測

YOLO11 - obb系列模型用于有向目標檢測，可以檢測帶有旋轉角度的物體，以提高檢測精度。

四、性能指標

目標檢測（COCO數據集）：不同變體的模型在尺寸為640像素時，mAP ^{val 50 - 95}的值有所不同。例如，YOLO11n為39.5，YOLO11s為47.0，YOLO11m為51.5等。同時，不同硬件環境下的速度和參數數量也各有差異。
實例分割（COCO數據集）：以640像素為例，各模型在box50 - 95和mask50 - 95的mAP值以及速度、參數和FLOPs等方面都有詳細的數據體現。
圖像分類（ImageNet數據集）：在224像素尺寸下，不同模型的top1和top5準確率以及速度、參數和FLOPs等指標也各不相同。
姿態估計（COCO數據集）：同樣在640像素時，各模型在pose50 - 95和pose50的mAP值以及速度、參數和FLOPs等方面有相應的數據。
有向目標檢測（DOTAv1數據集）：在1024像素尺寸下，各模型的mAP ^{test50}以及速度、參數和FLOPs等指標也有明確的數據展示。

五、使用示例

1、Python示例

可以使用如下代碼進行模型加載、訓練和推理：

from ultralytics import YOLO


# 加載一個COCO預訓練的YOLO11n模型
model = YOLO("yolo11n.pt")


# 在COCO8示例數據集上訓練模型100個epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)


# 使用YOLO11n模型在'bus.jpg'圖像上進行推理
results = model("path/to/bus.jpg")

2、CLI示例

也可以使用命令行直接運行模型：

# 加載一個COCO預訓練的YOLO11n模型并在COCO8示例數據集上訓練100個epoch
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640


# 加載一個COCO預訓練的YOLO11n模型并在'bus.jpg'圖像上進行推理
yolo predict model=yolo11n.pt source=path/to/bus.jpg