目标检测
目标检测是一项涉及识别图像或视频流中目标的位置和类别的任务。
目标检测器的输出是一组边界框,这些边界框包围了图像中的目标,以及每个框的类别标签和置信度分数。当您需要在场景中识别感兴趣的目标,但不需要确切知道目标在哪里或其确切形状时,目标检测是一个不错的选择。
观看: 使用预训练的 Ultralytics YOLO 模型进行目标检测。
提示
YOLO11 Detect 模型是默认的 YOLO11 模型,即。 yolo11n.pt
并且在以下数据集上进行了预训练 COCO.
模型
此处显示了 YOLO11 预训练的检测模型。检测、分割和姿势估计模型在 COCO 数据集上进行了预训练,而分类模型在 ImageNet 数据集上进行了预训练。
模型 首次使用时会自动从最新的 Ultralytics 版本 下载。
模型 | 尺寸 (像素) |
mAPval 50-95 |
速度 CPU ONNX (毫秒) |
速度 T4 TensorRT10 (毫秒) |
参数 (M) |
FLOPs (B) |
---|---|---|---|---|---|---|
YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 1.5 ± 0.0 | 2.6 | 6.5 |
YOLO11s | 640 | 47.0 | 90.0 ± 1.2 | 2.5 ± 0.0 | 9.4 | 21.5 |
YOLO11m | 640 | 51.5 | 183.2 ± 2.0 | 4.7 ± 0.1 | 20.1 | 68.0 |
YOLO11l | 640 | 53.4 | 238.6 ± 1.4 | 6.2 ± 0.1 | 25.3 | 86.9 |
YOLO11x | 640 | 54.7 | 462.8 ± 6.7 | 11.3 ± 0.2 | 56.9 | 194.9 |
- mAPval 数值为单模型单尺度下的结果,基于 COCO val2017 数据集上单模型多尺度测试的结果。
如需重现结果,请通过yolo val detect data=coco.yaml device=0
- 速度 在COCO val图像上取平均值,使用 Amazon EC2 P4d 实例进行平均计算得出的。
如需重现结果,请通过yolo val detect data=coco.yaml batch=1 device=0|cpu
训练
在COCO8数据集上训练 YOLO11n 模型 100 个 epochs,图像大小为 640。有关可用参数的完整列表,请参见配置页面。
示例
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
数据集格式
YOLO 检测数据集格式的详细信息可以在数据集指南中找到。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 提供的 JSON2YOLO 工具。
验证
验证训练后的 YOLO11n 模型 准确性 在 COCO8 数据集上。由于 model
保留其训练 data
和参数作为模型属性,因此无需任何参数。
示例
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
yolo detect val model=yolo11n.pt # val official model
yolo detect val model=path/to/best.pt # val custom model
预测
使用训练好的 YOLO11n 模型来运行图像预测。
示例
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
# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg") # predict on an image
# Access the results
for result in results:
xywh = result.boxes.xywh # center-x, center-y, width, height
xywhn = result.boxes.xywhn # normalized
xyxy = result.boxes.xyxy # top-left-x, top-left-y, bottom-right-x, bottom-right-y
xyxyn = result.boxes.xyxyn # normalized
names = [result.names[cls.item()] for cls in result.boxes.cls.int()] # class name of each box
confs = result.boxes.conf # confidence score of each box
yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg' # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg' # predict with custom model
查看完整 predict
模式的详细信息,请参阅 预测 页面。
导出
将 YOLO11n 模型导出为不同的格式,如 ONNX、CoreML 等。
示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom trained model
# Export the model
model.export(format="onnx")
yolo export model=yolo11n.pt format=onnx # export official model
yolo export model=path/to/best.pt format=onnx # export custom trained model
下表列出了可用的 YOLO11 导出格式。您可以使用 format
参数导出为任何格式,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。
格式 | format 参数 |
模型 | 元数据 | 参数 |
---|---|---|---|---|
PyTorch | - | yolo11n.pt |
✅ | - |
TorchScript | torchscript |
yolo11n.torchscript |
✅ | imgsz , half , dynamic , optimize , nms , batch , device |
ONNX | onnx |
yolo11n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , nms , batch , device |
OpenVINO | openvino |
yolo11n_openvino_model/ |
✅ | imgsz , half , dynamic , int8 , nms , batch , data , fraction , device |
TensorRT | engine |
yolo11n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , nms , batch , data , fraction , device |
CoreML | coreml |
yolo11n.mlpackage |
✅ | imgsz , half , int8 , nms , batch , device |
TF SavedModel | saved_model |
yolo11n_saved_model/ |
✅ | imgsz , keras , int8 , nms , batch , device |
TF GraphDef | pb |
yolo11n.pb |
❌ | imgsz , batch , device |
TF Lite | tflite |
yolo11n.tflite |
✅ | imgsz , half , int8 , nms , batch , data , fraction , device |
TF Edge TPU | edgetpu |
yolo11n_edgetpu.tflite |
✅ | imgsz , device |
TF.js | tfjs |
yolo11n_web_model/ |
✅ | imgsz , half , int8 , nms , batch , device |
PaddlePaddle | paddle |
yolo11n_paddle_model/ |
✅ | imgsz , batch , device |
MNN | mnn |
yolo11n.mnn |
✅ | imgsz , batch , int8 , half , device |
NCNN | ncnn |
yolo11n_ncnn_model/ |
✅ | imgsz , half , batch , device |
IMX500 | imx |
yolo11n_imx_model/ |
✅ | imgsz , int8 , data , fraction , device |
RKNN | rknn |
yolo11n_rknn_model/ |
✅ | imgsz , batch , name , device |
查看完整 export
详情请参见 导出 页面。
常见问题
如何在我的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:
- 准备数据集:确保您的数据集为 YOLO 格式。有关指南,请参阅我们的数据集指南。
- 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。
- 训练模型:执行
train
python 中的方法或yolo detect train
CLI 中的命令。
示例
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo11n.pt")
# Train the model on your custom dataset
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 中有哪些可用的预训练模型?
Ultralytics YOLO11 提供了各种预训练模型,用于目标检测、分割和姿势估计。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:
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?
要验证已训练的 YOLO11 模型的准确性,您可以使用 .val()
python 中的方法或 yolo detect val
在 CLI 中使用命令。这将提供诸如 mAP50-95、mAP50 等指标。
示例
from ultralytics import YOLO
# Load the model
model = YOLO("path/to/best.pt")
# Validate the model
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 Val 页面。
我可以将 YOLO11 模型导出为什么格式?
Ultralytics YOLO11 允许将模型导出为各种格式,如 ONNX、TensorRT、CoreML 等,以确保跨不同平台和设备的兼容性。
示例
from ultralytics import YOLO
# Load the model
model = YOLO("yolo11n.pt")
# Export the model to ONNX format
model.export(format="onnx")
yolo export model=yolo11n.pt format=onnx
请查看导出页面上支持的完整格式列表和说明。
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、分割和姿势估计提供最先进的性能。以下是一些主要优势:
- 预训练模型:利用在流行的COCO和ImageNet等数据集上预训练的模型,以加快开发速度。
- 高精度:实现令人印象深刻的 mAP 分数,确保可靠的对象检测。
- 速度:针对实时推理进行了优化,使其成为需要快速处理的应用的理想选择。
- 灵活性:将模型导出为 ONNX 和 TensorRT 等各种格式,以便在多个平台上进行部署。
请浏览我们的博客,了解 YOLO11 在实际应用中的用例和成功案例。