YOLOv11 架构改进 & 常见指令

今天我们介绍 YOLOv11，这个系列中的最新成员。YOLO 是一个在目标检测领域几乎无与伦比的算法，它产生了非常成功的结果。这个算法系列在 YOLOv5 之后由 Ultralytics 继续开发，并且每个新模型都带来了更好的性能。

YOLOv11 是 Ultralytics 开发的最新 YOLO 模型。这个模型在执行实时目标检测时，继续平衡准确性和效率。在之前的 YOLO 版本基础上，YOLO11 在架构和训练上提供了显著的改进。在保持速度的同时提高性能的最重要的架构变化是增加了 C3K2 块、SPFF 模块和 C2PSA 块。

• C3K2 块：这是在以前版本中引入的 CSP（Cross Stage Partial）块的增强。该模块使用不同的核大小（例如 3x3 或 5x5）和通道分离策略来优化更复杂特征的提取。
• SPFF（Spatial Pyramid Pooling Fusion）模块：它是 YOLO 版本中使用的 SPP（Spatial Pyramid Pooling）模块的优化版本。该模块允许模型通过捕获不同尺度的物体属性来更好地执行。
• C2PSA 块：这个块通过结合通道和空间信息提供更有效的特征提取。它还与多头注意力机制一起工作，从而实现对物体更准确的感知。它优化了前一层的特征图，并用注意力机制丰富它们，以提高模型的性能。这种结构使得在复杂场景中更精确的检测成为可能，并提高了 YOLOv11 的准确性。

除了这些架构变化，YOLOv11 像 YOLOv8 一样具有多模型能力。得益于其多模型特性，YOLOv11 可以执行以下任务：

• 目标检测：在图像中识别和定位物体。
• 实例分割：检测物体并确定它们的边界。
• 分类：将图像分类到预定义的类别中。
• 姿态估计：检测和跟踪人体上的标志点。
• 定向目标检测（OBB）：检测旋转物体以提高灵敏度。

在我们开始使用之前，让我们谈谈新 YOLO 版本带来的特性。

• 现有的主干结构已经被 C3K2 块替换，以提高特征提取能力。
• 颈部结构已经用 SPFF 模块改进，以捕获不同大小的物体并更好地检测小物体。
• 增加了 C2PSA 块，专注于更小或部分遮挡物体中的重要区域。
• 通过多模型能力增加了任务数量。
• 更容易适应各种环境，包括边缘设备。
• 得益于其优化的架构和高效的处理能力，它可以部署在边缘设备、云平台和支持 NVIDIA GPU 的系统上。

由于这些优化和创新，YOLOv11 在实时应用中提供了性能提升。模型运行更快、更准确，提高了目标检测、样本分割和姿态估计等任务的效率。此外，兼容性得到了改善，使模型可以轻松地在不同的平台和硬件上运行（例如云或边缘设备）。在 Ultralytics （详见官网：https://docs.ultralytics.com/models/yolo11/）页面上，当他们评估 YOLOv11 与以前版本相比的性能时，他们发表了以下评论。

随着模型设计的改进，YOLO11m 在使用比 YOLOv8m 少 22% 参数的情况下，在 COCO 数据集上实现了更高的平均精度均值（mAP），使其在不牺牲准确性的情况下具有计算效率。

然而，尽管 YOLOv11 模型的性能很好并且提供了广泛的范围，但在目标检测方面，它并不像 YOLOv10 那样成功。尽管 YOLOv10 有更多的参数，YOLOv11 只实现了微小的差异（+0.1-0.5）的更好性能。在这种情况下，YOLOv10 可能仍然是我们的偏好，因为参数的过剩导致速度损失和成本。

使用 YOLOv11

使用 PyTorch 构建 YOLOv11 模型及其与其他模式的使用简要如下。

步骤 1：首先，我们需要下载 Ultralytics 库。有了这个库，我们可以运行从 YOLOv3 到 YOLOv11 的所有模型。

pip install ultralytics

步骤 2：如果你只想在一个训练好的模型中进行预测。以下代码就足够了。否则你可以跳过它。

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'py

步骤 3：如果你说不，我想训练我的模型，你可以选择你想要的模型并下载 .pt 文件。

from ultralytics import YOLO

# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")

步骤 4：然后你需要选择训练数据、训练epoch、图像大小和你的设备。

train_results = model.train(
    data="coco8.yaml",  # path to dataset YAML
    epochs=100,  # number of training epochs
    imgsz=640,  # training image size
    device="cpu",  # device to run on, i.e. device=0 or device=0,1,2,3 or device=cpu
)

步骤 5：你需要用验证数据评估和测试模型。它将验证数据从训练数据本身中分离出来，对于测试，你只需要提供你想要测试的图像的路径。

metrics = model.val()

results = model("path/to/image.jpg")
results[0].show()

步骤 6：在最后一步，我们可以导出你的模型，以便以后再次使用。如果你想用你自己的模型进行预测，只需使用步骤-2。

path = model.export(format="onnx")

YOLOv11 常用操作指令

用你自己的数据训练你的目标检测模型，具有特定的学习率和epoch：

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

对于模型验证：

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

在 YouTube 视频上测试模型的结果，图像大小为 320：

yolo predict model=yolo11n.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

使用预训练的分割模型在 YouTube 视频上预测，图像大小为 320：

yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

将你特别训练的模型导出为 .pt 扩展名：

yolo export model=path/to/best.pt format=onnx