跳至内容

物体检测

物体检测示例

物体检测是一项涉及识别图像或视频流中物体的位置和类别的任务。

物体检测器的输出是一组包围图像中物体的边框，以及每个边框的类标签和置信度分数。如果您需要识别场景中感兴趣的物体，但又不需要知道物体的具体位置或确切形状，那么物体检测就是一个不错的选择。



观看： 利用预训练的Ultralytics YOLO 模型进行物体检测。

提示

YOLO11 检测模型是默认的YOLO11 模型，即 yolo11n.pt 并对 COCO.

机型

YOLO11 这里显示的是经过预训练的检测模型。Detect、Segment 和 Pose 模型是在COCO数据集上预先训练的，而 Classify 模型则是在ImageNet数据集上预先训练的。

首次使用时，模型会自动从最新的Ultralytics 版本下载。

模型 尺寸
（像素）		 mAPval
50-95		 速度
CPU ONNX
（毫秒）		 速度
T4TensorRT10
(ms)		 params
(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 数值是在 COCO val2017 数据集。
    复制方式 yolo val detect data=coco.yaml device=0
  • 速度 对 COCO val 图像使用 亚马逊 EC2 P4d 实例
    复制方式 yolo val detect data=coco.yaml batch=1 device=0|cpu

火车

在 COCO8 数据集上对 YOLO11n 进行 100次历元训练，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JSON2YOLO工具（Ultralytics ）。

瓦尔

验证训练有素的 YOLO11n 模型 精确度 在 COCO8 数据集上使用。无需参数，因为 model 保留其培训 data 和参数作为模型属性。

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

使用训练有素的 YOLO11n 模型对图像进行预测。

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

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

查看全文 predict 模式的详细信息，请参见 预测 page.

出口

将 YOLO11n 模型导出为不同格式，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

YOLO11 可用的导出格式如下表所示。您可以使用 format 参数，即 format='onnx' 或 format='engine'.您可以直接对导出的模型进行预测或验证，即 yolo predict model=yolo11n.onnx.导出完成后会显示模型的使用示例。

格式 format 论据 模型 元数据 论据
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 轻型 tflite yolo11n.tflite ✅ imgsz, half, int8, batch
TF 边缘TPU edgetpu yolo11n_edgetpu.tflite ✅ imgsz
TF.js 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
IMX500 imx yolov8n_imx_model/ ✅ imgsz, int8

查看全文 export 中的详细信息 出口 page.

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 模型需要几个步骤：

  1. 准备数据集：确保数据集采用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. 培训模型:执行 train Python 中的 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

有关详细配置选项，请访问配置页面。

YOLO11 中有哪些预训练模型？

Ultralytics YOLO11 为物体检测、分割和姿态估计提供了各种预训练模型。这些模型在 COCO 数据集或 ImageNet 上经过预训练，可用于分类任务。下面是一些可用的模型：

有关详细列表和性能指标，请参阅机型部分。

如何验证经过训练的YOLO 模型的准确性？

要验证训练有素的YOLO11 模型的准确性，可以使用 .val() Python 中的 yolo detect val CLI命令。这将提供 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

更多验证详情，请访问Val页面。

YOLO11 模型可以导出成什么格式？

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

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

在导出页面查看支持格式的完整列表和说明。

为什么要使用Ultralytics YOLO11 进行物体检测？

Ultralytics YOLO11 旨在为物体检测、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。
  3. 速度快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：将模型导出为各种格式，如ONNX 和TensorRT ，以便在多个平台上部署。

浏览我们的博客，了解YOLO11 的使用案例和成功故事。

📅创建于 1 年前 ✏️已更新 2 个月前
雄心勃勃的章鱼 超解助手 翔宇 马修-诺伊斯 里兹万-穆纳瓦 布尔汗-Q 笑-q

评论