YOLOv11是Ultralytics公司在之前的YOLO版本上推出的最新一代实时目标检测器，支持目标检测、追踪、实力分割、图像分类和姿态估计等任务。官方代码：
首先，点击上方链接进入YOLOv11的GitHub仓库，按照图示流程下载打包好的YOLOv11代码与预训练权重文件到本地。
下载完成后解压， 使用PyCharm（或VsCode等IDE软件）打开，并将下载的预训练权重拷贝到解压的工程目录下，下文以PyCharm为例。
Ultralytics版本的YOLO所需格式的数据集标签为txt格式的文本文件，文本文件中保存的标签信息分别为：类别序号、中心点x/y坐标、标注框的归一化信息，每一行对应一个对象。图像中有几个标注的对象就有几行信息。
自制数据集标注教程可看此篇文章： 如果没有自己的数据集，本文提供一个小型数据集（摘自SIMD公共数据集）以供测试代码，包含24张训练集以及20张测试集，约17.7MB，百度云链接： 下载完成后将提供的datasets文件夹解压并复制到工程路径下。
创建 data.yaml文件保存数据集的相关信息，如果使用本文提供的数据集可使用以下代码：
创建train.py文件，依次填入以下信息。epochs=2表示只训练两轮，通常设置为100-300之间，此处仅测试两轮。batch=1表示每批次仅训练一张图片，可按显存大小调整batchsize，一般24g卡可设置为16-64。
选择安装好的torch环境，本文无torch环境的安装教程，可按照其他博主推文或视频安装torch环境。
待软件控制台打印如下信息即为运行成功。
训练完成后在runs/train.py文件夹下保存有训练好的权重及相关训练信息。
在工程下创建val.py文件，填入刚才训练好的权重路径及相关信息。
运行即可获得该权重针对不同目标的性能指标。本文只测试2个epochs,且数据集较小，可能无相关信息。
正常信息如下图：
创建detect.py文件，填入训练好的权重路径及要检测的图片信息。
运行即可开始检测，本文训练次数较少，可能无法检测到目标，如图左。可通过使用完整数据集进行训练，增大epochs提高检测准确率。正常检测图片如图右。
至此，模型使用教程结束。
YOLOv11的结构如下，在YOLOv8的基础上将C2f替换为C3K2模块，更改C3k2模块中子模块的重复次数，并在SPPF层之后增加C2PSA模块，其他结构改动较小（检测头增加两个DWConv卷积）。
其中YOLOv11网络及主要模块的可视化化结构如下图。
C3K2模块存在两种结构，将其中的C3k参数设置为False时等于C2f模块。
C3k模块与C3模块区别为其中的BottleNeck个数，C3k为两个BottleNeck，C3默认1个，并按照模型缩放因子及重复个数变化。
C2PSA模块与C2f模块相似，结构如下：
上文是YOLOv11的使用教程及模型分析，下文是博主的一点广告。如果你觉得YOLO日益频繁的更新频率太快或者使用人数太多，可以考虑博主的自研模型作为Baseline（2024/10/30日之前群内更新），使用人数更少，相对好发文，且在SIMD数据集上拥有与YOLOv11相差不多的性能，欢迎入**流。后面本群将以此模型作为基线模型进行更新，结合今年顶刊定会模块，进行二创三创，并在SIMD数据集上进行测试调整好，预计每周都会更新（每月 四更，纯自研模块更新时间可能久一些），以下是测试结果图和我的二维码。
此篇完
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/227398.html