Skip to content

Ultralytics YOLO11 模式

Ultralytics YOLO生态系统与集成

简介

Ultralytics YOLO11不仅仅是一个目标检测模型；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、部署和现实世界的跟踪。每种模式都有特定的用途，并经过精心设计，以提供您在不同任务和用例中所需的灵活性和效率。



观看： Ultralytics 模式教程：训练、验证、预测、导出与基准测试。

模式概览

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：在自定义或预加载的数据集上微调您的模型。
  • 验证模式：训练后检查点，用于验证模型性能。
  • 预测模式：在现实世界数据上释放模型的预测能力。
  • 导出模式：使您的模型部署准备好以各种格式进行。
  • 跟踪模式：将您的目标检测模型扩展到实时跟踪应用中。
  • 基准测试模式：在多样化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。

训练

训练模式用于在自定义数据集上训练YOLO11模型。在此模式下，模型使用指定的数据集和超参数进行训练。训练过程涉及优化模型的参数，以便它能够准确预测图像中对象的类别和位置。

训练示例

验证

验证模式用于在训练后验证YOLO11模型。在此模式下，模型在验证集上进行评估，以测量其准确性和泛化性能。此模式可用于调整模型的超参数以提高其性能。

验证示例

预测

预测模式用于使用训练好的YOLO11模型对新图像或视频进行预测。在此模式下，模型从检查点文件加载，用户可以提供图像或视频以执行推理。模型预测输入图像或视频中对象的类别和位置。

预测示例

导出

导出模式用于将YOLO11模型导出为可用于部署的格式。在此模式下，模型被转换为其他软件应用程序或硬件设备可以使用的格式。此模式在将模型部署到生产环境中时非常有用。

导出示例

跟踪

跟踪模式用于使用YOLO11模型实时跟踪对象。在此模式下，模型从检查点文件加载，用户可以提供实时视频流以执行实时对象跟踪。此模式对于监控系统或自动驾驶汽车等应用非常有用。

跟踪示例

基准测试

基准测试模式用于分析YOLO11的各种导出格式的速度和准确性。基准测试提供了有关导出格式大小、其mAP50-95指标（用于目标检测、分割和姿态）或accuracy_top5指标（用于分类）以及各种格式（如ONNX、OpenVINO、TensorRT等）的每张图像推理时间（以毫秒为单位）的信息。这些信息可以帮助用户根据其对速度和准确性的要求，为其特定用例选择最佳的导出格式。

基准测试示例

常见问题

如何使用Ultralytics YOLO11训练自定义的目标检测模型？

使用Ultralytics YOLO11训练自定义目标检测模型涉及使用训练模式。您需要一个格式化为YOLO格式的数据集，包含图像和相应的注释文件。使用以下命令开始训练过程：

Example

from ultralytics import YOLO

# 加载预训练的YOLO模型（您可以选择n, s, m, l, 或 x版本）
model = YOLO("yolo11n.pt")

# 在您的自定义数据集上开始训练
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

# 从命令行训练YOLO模型
yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

有关更详细的说明，您可以参考Ultralytics训练指南。

Ultralytics YOLO11使用哪些指标来验证模型的性能？

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

  • mAP（平均精度均值）：评估目标检测的准确性。
  • IOU（交并比）：测量预测边界框与真实边界框之间的重叠度。
  • 精确度 和 召回率：精确度衡量真阳性检测与总检测阳性之间的比率，而召回率衡量真阳性检测与总实际阳性之间的比率。

您可以运行以下命令开始验证：

Example

from ultralytics import YOLO

# 加载预训练或自定义YOLO模型
model = YOLO("yolo11n.pt")

# 在您的数据集上运行验证
model.val(data="path/to/validation.yaml")

# 从命令行验证YOLO模型
yolo val data=path/to/validation.yaml

有关进一步的详细信息，请参阅验证指南。

如何导出我的YOLO11模型以进行部署？

Ultralytics YOLO11提供导出功能，将您训练的模型转换为各种部署格式，如ONNX、TensorRT、CoreML等。使用以下示例导出您的模型：

Example

from ultralytics import YOLO

# 加载您训练的YOLO模型
model = YOLO("yolo11n.pt")

# 将模型导出为ONNX格式（您可以根据需要指定其他格式）
model.export(format="onnx")

# 从命令行将YOLO模型导出为ONNX格式
yolo export model=yolo11n.pt format=onnx

有关每种导出格式的详细步骤，请参阅导出指南。

Ultralytics YOLO11中的基准模式有什么用途？

Ultralytics YOLO11中的基准模式用于分析各种导出格式（如ONNX、TensorRT和OpenVINO）的速度和准确性。它提供模型大小、目标检测的mAP50-95以及不同硬件设置下的推理时间等指标，帮助您选择最适合您部署需求的格式。

Example

from ultralytics.utils.benchmarks import benchmark

# 在GPU（设备0）上运行基准测试
# 您可以根据需要调整模型、数据集、图像大小和精度等参数
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

# 从命令行基准测试YOLO模型
# 根据您的具体用例调整参数
yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

有关更多详细信息，请参阅基准指南。

如何使用Ultralytics YOLO11进行实时目标跟踪？

可以使用Ultralytics YOLO11中的跟踪模式实现实时目标跟踪。此模式扩展了目标检测功能，以跟踪视频帧或实时流中的对象。使用以下示例启用跟踪：

Example

from ultralytics import YOLO

# 加载预训练的YOLO模型
model = YOLO("yolo11n.pt")

# 开始在视频中跟踪对象
# 您也可以使用实时视频流或网络摄像头输入
model.track(source="path/to/video.mp4")

# 从命令行在视频上执行目标跟踪
# 您可以指定不同的源，如网络摄像头（0）或RTSP流
yolo track source=path/to/video.mp4

有关深入的说明，请访问跟踪指南。


📅 Created 11 months ago ✏️ Updated 13 days ago
glenn-jocher MatthewNoyce RizwanMunawar UltralyticsAssistant

Comments