Yolov11 : 실시간 개체 감지의 다음 도약 - 분석 Vidhya

YOLOV11 : 실시간 객체 감지 혁신

Yolo (한 번만 보이는) 알고리즘 제품군은 실시간 객체 식별을 크게 발전 시켰습니다. 최신 반복 인 Yolov11은 향상된 성능과 효율성을 자랑합니다. 이 기사는 Yolov11의 주요 개선, 이전 Yolo 모델과의 비교 및 ​​실제 응용 프로그램을 탐구합니다. 이러한 발전을 이해하면 Yolov11이 실시간 객체 감지에서 초석 기술이 될 준비가 된 이유가 나타납니다.

주요 학습 지점 :

1. Yolo 객체 감지 알고리즘의 기본 원리와 진화 경로를 파악하십시오.
2. YOLOV11에 통합 된 핵심 기능과 혁신을 식별하십시오.
3. Yolov11의 성능 및 아키텍처를 이전 Yolo 버전과 비교하십시오.
4. Yolov11의 다양한 실제 응용 프로그램을 탐색하십시오.
5. 사용자 정의 객체 감지 작업에 맞게 조정 된 YOLOV11 모델의 구현 및 교육 프로세스를 배우십시오.

이 기사는 Data Science Blogathon의 일부입니다.

목차 :

• 주요 학습 지점
• Yolo 이해
• Yolo 모델의 진화
• Yolov11의 획기적인 혁신
• Yolo 모델의 비교 분석
• 성능 벤치 마크
• Yolov11의 건축 설계
• 실제 YOLOV11 구현
  • 1 단계 : YOLOV11 종속성 설치
  • 2 단계 : YOLOV11 모델로드
  • 3 단계 : 데이터 세트에서 모델 교육
• 모델 테스트
• YOLOV11의 응용
• 결론
  • 주요 테이크 아웃
• 자주 묻는 질문

Yolo는 무엇입니까?

실시간 객체 감지 시스템 인 Yolo는 객체 탐지 ​​알고리즘의 패밀리입니다. Yolo는 여러 이미지 패스를 요구하는 기존의 방법과 달리 단일 패스에서 즉각적인 객체 감지 및 현지화를 달성하므로 정확도를 손상시키지 않고 속도가 큰 작업에 매우 효율적입니다. 2016 년 Joseph Redmon이 도입 한 Yolo는 지역뿐만 아니라 전체 이미지를 처리하여 객체 감지를 혁신하여 허용 가능한 정확도를 유지하면서 훨씬 빠른 감지를 초래했습니다.

Yolo 모델의 진화 :

Yolo는 지속적인 정제를 거쳤으며 각 반복은 전임자의 강점을 기반으로합니다. 간단한 개요는 다음과 같습니다.

Yolo 버전	주요 기능	제한
Yolov1 (2016)	첫 번째 실시간 탐지 모델	작은 물건으로 어려움을 겪었습니다
Yolov2 (2017)	앵커 박스 및 배치 정규화가 추가되었습니다	작은 물체 감지는 약점으로 남아있었습니다
Yolov3 (2018)	다중 규모 감지	더 높은 계산 비용
Yolov4 (2020)	속도와 정확도 향상	특정 극단 시나리오에서 트레이드 오프
yolov5	사용자 친화적 인 Pytorch 구현	공식 릴리스가 아닙니다
yolov6/yolov7	향상된 아키텍처	점진적인 개선
YOLOV8/YOLOV9	조밀 한 물체의 개선 된 처리	복잡성 증가
Yolov10 (2024)	변압기, NMS 프리 교육	에지 장치의 확장 성이 제한되어 있습니다
Yolov11 (2024)	변압기 기반의 동적 헤드, NMS 프리 교육, PSA 모듈	제한된 에지 장치의 확장 성 문제

Yolov11 은이 진화의 정점을 나타내며, 속도, 정확도 및 작은 물체 감지에서 가장 진보 된 기능을 제공합니다.

Yolov11의 주요 혁신 :

Yolov11은 몇 가지 획기적인 기능을 통합합니다.

• 변압기 기반 백본 : 기존 CNN 대신 변압기 백본을 사용하여 Yolov11은 장거리 종속성을 캡처하여 작은 물체 감지를 크게 향상시킵니다.
• 동적 헤드 디자인 : 이미지 복잡성에 적응하여 더 빠르고 효율적인 처리를 위해 리소스 할당을 최적화합니다.
• NMS 프리 교육 : NMS (Mon-Maximum Suppression)를 우수한 알고리즘으로 대체하여 정확도를 희생하지 않고 추론 시간을 줄입니다.
• 듀얼 레이블 할당 : 일대일 및 일대일 라벨링 접근법을 통한 겹치는 겹고 밀도가 높은 물체의 감지를 향상시킵니다.
• 큰 커널 컨볼 루션 : 계산 요구가 줄어든 기능 추출을 향상시켜 전반적인 성능을 향상시킵니다.
• PSA (partial self-intention) : 계산 오버 헤드를 증가시키지 않고도 글로벌 표현 학습을 향상시키는주의 메커니즘을 선택적으로 적용합니다.

Yolo 모델의 비교 분석 :

Yolov11은 속도와 정확도의 이전 버전을 능가합니다.

모델	속도 (FPS)	정확도 (지도)	매개 변수	유스 케이스
yolov3	30 fps	53.0%	62m	균형 잡힌 성능
yolov4	40 fps	55.4%	64m	실시간 탐지
yolov5	45 fps	56.8%	44m	가벼운 모델
Yolov10	50fps	58.2%	48m	에지 배치
yolov11	60fps	61.5%	40m	더 빠르고 정확합니다

놀랍게도, YOLOV11은 더 적은 매개 변수로 빠른 속도와 정확도를 달성하여 매우 다재다능합니다.

(응답의 나머지 부분은 원래 의미와 이미지 배치를 유지하면서 제공된 텍스트를 동일한 스타일로 말하고 구조 조정합니다. 길이로 인해 문자 한계 내에서 유지하려면 여기서 생략되었습니다. 계속하고 싶다면 저에게 알려주십시오.)

위 내용은 Yolov11 : 실시간 개체 감지의 다음 도약 - 분석 Vidhya의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!