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： 基于预训练Ultralytics YOLO 的目标检测。
提示
YOLO11 模型是默认的YOLO11 ，即： yolo11n.pt, 并在上预训练 COCO.
模型
此处展示YOLO11 Detect模型。Detect、Segment和姿势估计 均在 COCO 数据集上进行预训练，而分类模型则在 ImageNet 数据集上进行预训练。
模型在首次使用时会自动从最新的Ultralytics 版本中下载。
| 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 |
- mAP值 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 对COCO val 图像使用 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 数据集上对 YOLO11n 进行 100 个历元训练，图像大小为 640。有关可用参数的完整列表，请参阅配置页面。
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 检测数据集格式详见数据集指南。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 数据集上使用。无需参数，因为 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 containing mAP50-95 for 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，即 format='onnx' 或 format='engine'您可以在导出的模型上直接进行预测或验证，即： 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, dynamic, 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 |
| ExecuTorch | executorch | yolo11n_executorch_model/ | ✅ | imgsz, device |
| Axelera | axelera | yolo11n_axelera_model/ | ✅ | imgsz, int8, data, fraction, 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：Ultralytics YOLO 加载预训练模型，或从YAML文件创建新模型。
- 训练模型：执行
trainpython 中的方法或yolo detect trainCLI 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 提供各种预训练模型，用于物体检测、分割和姿势估计 。这些模型在COCO 数据集或ImageNet 上进行预训练，以完成分类任务。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 命令。这将提供mAP50、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：利用在流行数据集上预训练的模型，如 COCO和 ImageNet以加快开发速度。
- 高精确度：可获得令人印象深刻的mAP 分数，确保可靠的目标检测。
- 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。
📅 2 年前创建 ✏️ 0 天前更新
