物体检测
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
# 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, half, 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 轻型 | tflite |
yolo11n.tflite |
✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF 边缘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 |
yolov8n_imx_model/ |
✅ | imgsz, int8, data, fraction, device |
| RKNN | rknn |
yolo11n_rknn_model/ |
✅ | imgsz, batch, name, device |
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：
- 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》。
- 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。
- 培训模型:执行
trainPython 中的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 可以将模型导出为各种格式，例如 ONNX, TensorRT, CoreML等等，以确保不同平台和设备之间的兼容性。
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：
- 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。
- 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。
- 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
