yolo val detect data=coco.yaml device=0
yolo val detect data=coco.yaml batch=1 device=0|cpu
Train YOLO11n on the COCO8 dataset for 100 epochs at image size 640. For a full list of available arguments see the Configuration page.
مثل
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.yaml") # build a new model from YAML
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt") # build from YAML and transfer weights
# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640
# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640
YOLO يمكن العثور على تنسيق مجموعة بيانات الكشف بالتفصيل في دليل مجموعة البيانات. لتحويل مجموعة البيانات الحالية من تنسيقات أخرى (مثل COCO وغيرها) إلى YOLO ، يرجى استخدام JSON2YOLO الأداة بواسطة Ultralytics.
Validate trained YOLO11n model accuracy on the COCO8 dataset. No arguments are needed as the model
تحتفظ بتدريبها data
والحجج كسمات نموذجية.
مثل
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom model
# Validate the model
metrics = model.val() # no arguments needed, dataset and settings remembered
metrics.box.map # map50-95
metrics.box.map50 # map50
metrics.box.map75 # map75
metrics.box.maps # a list contains map50-95 of each category
Use a trained YOLO11n model to run predictions on images.
مثل
شاهد التفاصيل predict
تفاصيل الوضع في تنبأ صفحة.
Export a YOLO11n model to a different format like ONNX, CoreML, etc.
مثل
Available YOLO11 export formats are in the table below. You can export to any format using the format
الحجة ، أي format='onnx'
أو format='engine'
. يمكنك التنبؤ أو التحقق من صحة النماذج المصدرة مباشرة، أي yolo predict model=yolo11n.onnx
. يتم عرض أمثلة الاستخدام للطراز الخاص بك بعد اكتمال التصدير.
تنسيق | format جدال | نموذج | البيانات الوصفية | الحجج |
---|---|---|---|---|
PyTorch | - | yolo11n.pt | ✅ | - |
TorchScript | torchscript | yolo11n.torchscript | ✅ | imgsz , optimize , batch |
ONNX | onnx | yolo11n.onnx | ✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino | yolo11n_openvino_model/ | ✅ | imgsz , half , int8 , batch |
TensorRT | engine | yolo11n.engine | ✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml | yolo11n.mlpackage | ✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model | yolo11n_saved_model/ | ✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb | yolo11n.pb | ❌ | imgsz , batch |
TF لايت | tflite | yolo11n.tflite | ✅ | imgsz , half , int8 , batch |
TF حافة TPU | edgetpu | yolo11n_edgetpu.tflite | ✅ | imgsz |
TF.شبيبه | tfjs | yolo11n_web_model/ | ✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle | yolo11n_paddle_model/ | ✅ | imgsz , batch |
MNN | mnn | yolo11n.mnn | ✅ | imgsz , batch , int8 , half |
NCNN | ncnn | yolo11n_ncnn_model/ | ✅ | imgsz , half , batch |
شاهد التفاصيل export
التفاصيل في تصدير صفحة.
Training a YOLO11 model on a custom dataset involves a few steps:
train
في Python أو طريقة yolo detect train
في CLI.مثل
للاطلاع على خيارات التكوين التفصيلية، قم بزيارة صفحة التكوين.
Ultralytics YOLO11 offers various pretrained models for object detection, segmentation, and pose estimation. These models are pretrained on the COCO dataset or ImageNet for classification tasks. Here are some of the available models:
للاطلاع على قائمة مفصلة ومقاييس الأداء، راجع قسم النماذج.
To validate the accuracy of your trained YOLO11 model, you can use the .val()
في Python أو طريقة yolo detect val
في CLI. سيوفر هذا الأمر مقاييس مثل mAP50-95 و mAP50-95 وغيرها.
مثل
لمزيد من تفاصيل التحقق، قم بزيارة صفحة فال.
Ultralytics YOLO11 allows exporting models to various formats such as ONNX, TensorRT, CoreML, and more to ensure compatibility across different platforms and devices.
مثل
راجع القائمة الكاملة للتنسيقات المدعومة والتعليمات في صفحة التصدير.
Ultralytics YOLO11 is designed to offer state-of-the-art performance for object detection, segmentation, and pose estimation. Here are some key advantages:
Explore our Blog for use cases and success stories showcasing YOLO11 in action.