对象检测

对象检测是一项任务，涉及在图像或视频流中识别对象的位置和类别。

对象检测器的输出是一组包围图像中对象的边界框，以及每个框的类别标签和置信度分数。当你需要在场景中识别感兴趣的对象，但不需要知道对象的确切位置或其精确形状时，对象检测是一个不错的选择。

观看: 使用预训练的Ultralytics YOLO模型进行对象检测。

模型

这里展示了YOLO11预训练的Detect模型。Detect、Segment和Pose模型在COCO数据集上进行了预训练，而Classify模型在ImageNet数据集上进行了预训练。

模型在首次使用时会自动从Ultralytics的最新发布中下载。

• mAP^val 值是在COCO val2017数据集上单模型单尺度的结果。
  通过yolo val detect data=coco.yaml device=0复现。
• 速度 在Amazon EC2 P4d实例上对COCO val图像进行平均。
  通过yolo val detect data=coco.yaml batch=1 device=0|cpu复现。

训练

在图像尺寸为640的情况下，对COCO8数据集上的YOLO11n进行100个epoch的训练。有关可用参数的完整列表，请参阅配置页面。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.yaml")  # 从YAML构建新模型
model = YOLO("yolo11n.pt")  # 加载预训练模型（推荐用于训练）
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # 从YAML构建并转移权重

# 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 从YAML构建新模型并从头开始训练
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# 从预训练的*.pt模型开始训练
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# 从YAML构建新模型，转移预训练权重并开始训练
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

数据集格式

YOLO检测数据集格式可以在数据集指南中找到详细信息。要将现有数据集从其他格式（如COCO等）转换为YOLO格式，请使用Ultralytics的JSON2YOLO工具。

验证

在COCO8数据集上验证训练好的YOLO11n模型的准确性。不需要参数，因为模型保留了训练数据和参数作为模型属性。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 验证模型
metrics = model.val()  # 不需要参数，数据集和设置已记住
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # 包含每个类别的map50-95的列表

yolo detect val model=yolo11n.pt  # 验证官方模型
yolo detect val model=path/to/best.pt  # 验证自定义模型

预测

使用训练好的 YOLO11n 模型对图像进行预测。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 使用模型进行预测
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'  # 使用官方模型进行预测
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # 使用自定义模型进行预测

在 预测 页面查看完整的 predict 模式详情。

导出

将 YOLO11n 模型导出为不同的格式，如 ONNX、CoreML 等。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义训练的模型

# 导出模型
model.export(format="onnx")

yolo export model=yolo11n.pt format=onnx  # 导出官方模型
yolo export model=path/to/best.pt format=onnx  # 导出自定义训练的模型

下表列出了可用的 YOLO11 导出格式。您可以使用 format 参数导出到任何格式，例如 format='onnx' 或 format='engine'。您可以直接在导出的模型上进行预测或验证，例如 yolo predict model=yolo11n.onnx。导出完成后，将显示您的模型的使用示例。

在 导出 页面查看完整的 export 详情。

常见问题

如何在自定义数据集上训练 YOLO11 模型？

在自定义数据集上训练 YOLO11 模型涉及以下几个步骤：

1. 准备数据集：确保您的数据集采用 YOLO 格式。有关指导，请参阅我们的 数据集指南。
2. 加载模型：使用 Ultralytics YOLO 库加载预训练模型或从 YAML 文件创建新模型。
3. 训练模型：在 Python 中执行 train 方法或在 CLI 中执行 yolo detect train 命令。

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolo11n.pt")

# 在您的自定义数据集上训练模型
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

yolo detect train data=my_custom_dataset.yaml model=yolo11n.pt epochs=100 imgsz=640

有关详细的配置选项，请访问 配置 页面。

YOLO11 中有哪些预训练模型可用？

Ultralytics YOLO11 提供了各种用于目标检测、分割和姿态估计的预训练模型。这些模型在 COCO 数据集或 ImageNet 上进行了预训练，用于分类任务。以下是一些可用的模型：

• YOLO11n
• YOLO11s
• YOLO11m
• YOLO11l
• YOLO11x

有关详细列表和性能指标，请参阅 模型 部分。

如何验证我训练的 YOLO 模型的准确性？

要验证您训练的 YOLO11 模型的准确性，您可以使用 Python 中的 .val() 方法或在 CLI 中使用 yolo detect val 命令。这将提供 mAP50-95、mAP50 等指标。

from ultralytics import YOLO

# 加载模型
model = YOLO("path/to/best.pt")

# 验证模型
metrics = model.val()
print(metrics.box.map)  # mAP50-95

yolo detect val model=path/to/best.pt

有关更多验证详情，请访问 验证 页面。

我可以将 YOLO11 模型导出为哪些格式？

Ultralytics YOLO11 允许将模型导出为多种格式，如 ONNX、TensorRT、CoreML 等，以确保在不同平台和设备上的兼容性。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")

# 将模型导出为 ONNX 格式
model.export(format="onnx")

model.export(format="onnx")

yolo export model=yolo11n.pt format=onnx

查看导出页面上的支持格式和完整说明列表。

为什么我应该使用Ultralytics YOLO11进行目标检测？

Ultralytics YOLO11旨在为目标检测、分割和姿态估计提供最先进的性能。以下是一些主要优势：

1. 预训练模型：利用在COCO和ImageNet等流行数据集上预训练的模型，加快开发速度。
2. 高准确性：实现令人印象深刻的mAP分数，确保可靠的目标检测。
3. 速度：针对实时推理进行了优化，非常适合需要快速处理的应用。
4. 灵活性：将模型导出为ONNX和TensorRT等多种格式，以便在多个平台上部署。

在我们的博客中探索使用案例和成功故事，展示YOLO11的实际应用。

📅 Created 11 months ago ✏️ Updated 12 days ago

Comments