Ultralytics YOLO11 模式

导言

Ultralytics YOLO11 不只是另一种对象检测模型；它是一个多功能框架，旨在覆盖机器学习模型的整个生命周期--从数据摄取和模型训练到验证、部署和实际跟踪。每种模式都有特定的用途，其设计旨在为您提供不同任务和用例所需的灵活性和效率。

观看： Ultralytics 模式教程：训练、验证、预测、输出和基准。

模式一览

了解Ultralytics YOLO11 支持的不同模式对于充分利用您的模型至关重要：

• 训练模式：在自定义或预载数据集上对模型进行微调。
• Val模式：用于验证模型性能的训练后检查点。
• 预测模式：释放模型对真实世界数据的预测能力。
• 导出模式：让您的模型以各种格式部署就绪。
• 跟踪模式：将物体检测模式扩展到实时跟踪应用中。
• 基准模式：在不同的部署环境中分析模型的速度和准确性。

本综合指南旨在为您提供每种模式的概述和实用见解，帮助您充分发挥 YOLO11 的潜力。

火车

训练模式用于在自定义数据集上训练 YOLO11 模型。在该模式下，模型使用指定的数据集和超参数进行训练。训练过程包括优化模型参数，使其能够准确预测图像中物体的类别和位置。

列车示例

瓦尔

Val 模式用于在 YOLO11 模型训练完成后对其进行验证。在该模式下，模型将在验证集上进行评估，以衡量其准确性和泛化性能。该模式可用于调整模型的超参数，以提高其性能。

Val 示例

预测

预测模式用于使用训练有素的 YOLO11 模型对新图像或视频进行预测。在该模式下，模型从检查点文件加载，用户可以提供图像或视频来执行推理。模型会预测输入图像或视频中物体的类别和位置。

预测示例

出口

导出模式用于将 YOLO11 模型导出为可用于部署的格式。在该模式下，模型将转换为其他软件应用程序或硬件设备可以使用的格式。在将模型部署到生产环境时，该模式非常有用。

出口示例

轨道

跟踪模式用于使用 YOLO11 模型实时跟踪物体。在该模式下，模型从检查点文件加载，用户可以提供实时视频流来执行实时物体跟踪。该模式适用于监控系统或自动驾驶汽车等应用。

轨道示例

基准

基准模式用于评估 YOLO11 各种导出格式的速度和准确性。基准模式提供的信息包括导出格式的大小、其 mAP50-95 指标（用于物体检测、分割和姿态）或 accuracy_top5 指标（用于分类），以及在ONNX,OpenVINO,TensorRT 等各种格式中每张图像的推理时间（以毫秒为单位）。这些信息可以帮助用户根据他们对速度和准确性的要求，为他们的特定使用案例选择最佳的导出格式。

基准范例

常见问题

如何使用Ultralytics YOLO11 训练自定义对象检测模型？

使用Ultralytics YOLO11 训练自定义对象检测模型需要使用训练模式。您需要一个YOLO 格式的数据集，其中包含图像和相应的注释文件。使用以下命令启动训练过程：

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

# Train a YOLO model from the command line
yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

有关更详细的说明，请参阅Ultralytics Train Guide。

Ultralytics YOLO11 使用哪些指标来验证模型的性能？

Ultralytics YOLO11 在验证过程中使用各种指标来评估模型性能。这些指标包括

• mAP（平均精度）：用于评估物体检测的精确度。
• IOU（Intersection over Union）：测量预测边界框与地面实况边界框之间的重叠。
• 精确度和召回率：精确度衡量的是真阳性检测结果与检测到的阳性结果总数之比，而召回率衡量的是真阳性检测结果与实际阳性结果总数之比。

您可以运行以下命令开始验证：

from ultralytics import YOLO

# Load a pre-trained or custom YOLO model
model = YOLO("yolo11n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

# Validate a YOLO model from the command line
yolo val data=path/to/validation.yaml

有关详细信息，请参阅《验证指南》。

如何导出 YOLO11 模型进行部署？

Ultralytics YOLO11 提供导出功能，可将训练有素的模型转换为各种部署格式，如ONNX,TensorRT,CoreML 等。请使用以下示例导出您的模型：

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

# Export a YOLO model to ONNX format from the command line
yolo export model=yolo11n.pt format=onnx

每种导出格式的详细步骤可参阅《导出指南》。

Ultralytics YOLO11 中的基准模式有何作用？

Ultralytics YOLO11 中的基准模式用于分析速度和 精确度 它提供了各种导出格式，如ONNX 、TensorRT 和OpenVINO 。它提供了模型大小等指标、 mAP50-95 在不同的硬件设置下，我们还能提供对象检测和推理所需的时间，帮助您选择最适合您部署需求的格式。

from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

有关详细信息，请参阅《基准指南》。

如何使用Ultralytics YOLO11 进行实时目标跟踪？

使用Ultralytics YOLO11 中的跟踪模式可实现实时目标跟踪。该模式扩展了对象检测功能，可在视频帧或实时馈送中跟踪对象。使用以下示例启用跟踪功能：

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

有关深入说明，请访问轨道指南。

📅创建于 1 年前 ✏️已更新 1 个月前

评论