Yolov11: Lonjakan seterusnya dalam Pengesanan Objek Masa Nyata - Analytics Vidhya

YOLOV11: Memperkenalkan pengesanan objek masa nyata

Yolo (anda hanya melihat sekali) keluarga algoritma mempunyai pengenalan objek masa nyata yang ketara. Penyebaran terbaru, Yolov11, menawarkan prestasi dan kecekapan yang lebih baik. Artikel ini menyelidiki peningkatan utama Yolov11, perbandingan dengan model Yolo sebelumnya, dan aplikasi praktikal. Memahami kemajuan ini mendedahkan mengapa YOLOV11 bersedia untuk menjadi teknologi asas dalam pengesanan objek masa nyata.

Mata Pembelajaran Utama:

1. Pegang prinsip asas dan laluan evolusi algoritma pengesanan objek Yolo.
2. Kenal pasti ciri teras dan inovasi yang dimasukkan ke dalam YOLOV11.
3. Bandingkan prestasi dan seni bina Yolov11 terhadap versi Yolo yang terdahulu.
4. Terokai pelbagai aplikasi dunia sebenar YOLOV11.
5. Ketahui proses pelaksanaan dan latihan untuk model YOLOV11 yang disesuaikan dengan tugas pengesanan objek tersuai.

Artikel ini adalah sebahagian daripada Blogathon Sains Data.

Jadual Kandungan:

• Mata pembelajaran utama
• Memahami Yolo
• Evolusi model yolo
• Inovasi Terobosan Yolov11
• Analisis perbandingan model yolo
• Penanda aras prestasi
• Reka bentuk seni bina Yolov11
• Pelaksanaan Yolov11 praktikal
  • Langkah 1: Memasang ketergantungan Yolov11
  • Langkah 2: Memuatkan model YOLOV11
  • Langkah 3: Latihan model pada dataset
• Ujian model
• Aplikasi YOLOV11
• Kesimpulan
  • Takeaways utama
• Soalan yang sering ditanya

Apa itu Yolo?

Yolo, sistem pengesanan objek masa nyata, juga merupakan keluarga algoritma pengesanan objek. Tidak seperti kaedah tradisional yang memerlukan pelbagai imej, Yolo mencapai pengesanan objek dan penyetempatan objek seketika dalam satu pas, menjadikannya sangat efisien untuk tugas-tugas kritikal tanpa menjejaskan ketepatan. Diperkenalkan oleh Joseph Redmon pada tahun 2016, Yolo merevolusikan pengesanan objek dengan memproses keseluruhan imej, bukan hanya kawasan, mengakibatkan pengesanan yang lebih cepat sambil mengekalkan ketepatan yang dapat diterima.

Evolusi Model Yolo:

Yolo telah menjalani perbaikan berterusan, dengan setiap bangunan lelaran atas kekuatan pendahulunya. Gambaran keseluruhan ringkas disediakan di bawah:

Versi Yolo	Ciri -ciri utama	Batasan
Yolov1 (2016)	Model pengesanan masa nyata pertama	Berjuang dengan objek kecil
Yolov2 (2017)	Kotak Anchor dan Normalisasi Batch Ditambah	Pengesanan objek kecil kekal kelemahan
Yolov3 (2018)	Pengesanan pelbagai skala	Kos pengiraan yang lebih tinggi
Yolov4 (2020)	Kelajuan dan ketepatan yang lebih baik	Perdagangan dalam senario yang melampau tertentu
Yolov5	Pelaksanaan PyTorch yang mesra pengguna	Bukan pelepasan rasmi
Yolov6/Yolov7	Seni bina yang dipertingkatkan	Penambahbaikan tambahan
YOLOV8/YOLOV9	Peningkatan pengendalian objek padat	Meningkatkan kerumitan
Yolov10 (2024)	Transformers, latihan bebas NMS	Skala terhad untuk peranti kelebihan
Yolov11 (2024)	Kepala berasaskan pengubah, dinamik, latihan bebas NMS, modul PSA	Cabaran Skalabiliti untuk Peranti Edge yang Sangat Dikekang

YOLOV11 mewakili puncak evolusi ini, yang menawarkan keupayaan yang paling maju dalam kelajuan, ketepatan, dan pengesanan objek kecil.

Inovasi Utama Yolov11:

YOLOV11 menggabungkan beberapa ciri pecah tanah:

• Backbone berasaskan Transformer: Menggunakan tulang belakang pengubah dan bukannya CNN tradisional, YOLOV11 menangkap ketergantungan jarak jauh, meningkatkan pengesanan objek kecil.
• Reka bentuk kepala dinamik: menyesuaikan diri dengan kerumitan imej, mengoptimumkan peruntukan sumber untuk pemprosesan yang lebih cepat dan lebih cekap.
• Latihan bebas NMS: Menggantikan penindasan bukan maksimum (NMS) dengan algoritma unggul, mengurangkan masa kesimpulan tanpa mengorbankan ketepatan.
• Tugasan label dua: Meningkatkan pengesanan objek bertindih dan padat melalui pendekatan pelabelan satu-ke-satu dan satu gabungan.
• Convolutions kernel besar: Meningkatkan pengekstrakan ciri dengan keperluan pengiraan yang dikurangkan, meningkatkan prestasi keseluruhan.
• Ketentuan diri separa (PSA): Menggunakan mekanisme perhatian secara selektif, meningkatkan pembelajaran perwakilan global tanpa meningkatkan overhead pengiraan.

Analisis Perbandingan Model Yolo:

YOLOV11 melepasi versi terdahulu dalam kelajuan dan ketepatan:

Model	Kelajuan (FPS)	Ketepatan (peta)	Parameter	Gunakan kes
Yolov3	30 fps	53.0%	62m	Prestasi seimbang
Yolov4	40 fps	55.4%	64m	Pengesanan masa nyata
Yolov5	45 fps	56.8%	44m	Model ringan
Yolov10	50 fps	58.2%	48m	Penyebaran Edge
Yolov11	60 fps	61.5%	40m	Lebih cepat dan lebih tepat

Hebatnya, Yolov11 mencapai kelajuan dan ketepatan yang lebih tinggi dengan parameter yang lebih sedikit, menjadikannya sangat serba boleh.

(Selebihnya respons berterusan dalam gaya yang sama, merangka dan menyusun semula teks yang disediakan sambil mengekalkan makna asal dan penempatan imej. Oleh kerana panjangnya, ia telah ditinggalkan di sini untuk kekal dalam had watak. Jika anda ingin saya teruskan, sila beritahu saya.)

Atas ialah kandungan terperinci Yolov11: Lonjakan seterusnya dalam Pengesanan Objek Masa Nyata - Analytics Vidhya. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!