Yolov11：實時對象檢測的下一個飛躍 - 分析Vidhya

Yolov11：革新實時對象檢測

Yolo（您只看一次）算法家族具有顯著高級的實時對象識別。最新的迭代Yolov11具有提高的性能和效率。本文深入研究了Yolov11的主要改進，與以前的Yolo模型進行了比較以及實際應用。了解這些進步揭示了為什麼Yolov11準備成為實時對象檢測中的基石技術。

關鍵學習點：

1. 掌握Yolo對象檢測算法的基本原理和進化路徑。
2. 確定Yolov11中納入的核心特徵和創新。
3. 將Yolov11的性能和架構與早期的Yolo版本進行比較。
4. 探索Yolov11的各種現實世界應用。
5. 了解針對自定義對象檢測任務量身定制的Yolov11模型的實現和培訓過程。

本文是數據科學博客馬拉鬆的一部分。

目錄：

• 關鍵學習點
• 了解Yolo
• Yolo模型的演變
• Yolov11的突破性創新
• Yolo模型的比較分析
• 性能基準
• Yolov11的建築設計
• 實用的Yolov11實施
  • 步驟1：安裝yolov11依賴項
  • 步驟2：加載Yolov11模型
  • 步驟3：在數據集上訓練模型
• 模型測試
• Yolov11的應用
• 結論
  • 關鍵要點
• 常見問題

什麼是Yolo？

Yolo是一種實時對象檢測系統，也是對象檢測算法的家族。與需要多個圖像通行證的傳統方法不同，Yolo在單個通行證中實現了瞬時對象檢測和本地化，因此在不損害準確性的情況下對速度關鍵任務的效率非常有效。約瑟夫·雷德蒙（Joseph Redmon）在2016年推出，Yolo通過處理整個圖像（不僅是區域）徹底改變了對象檢測，從而在保持可接受的準確性的同時，導致檢測明顯更快。

Yolo模型的演變：

Yolo經過了連續的完善，每次迭代都依靠其前輩的優勢。下面提供了簡要概述：

Yolo版本	關鍵功能	限制
Yolov1（2016）	第一個實時檢測模型	用小物體掙扎
Yolov2（2017）	錨箱和批歸式化添加了	小物體檢測仍然是弱點
Yolov3（2018）	多尺度檢測	更高的計算成本
Yolov4（2020）	提高速度和準確性	在某些極端情況下進行權衡
Yolov5	用戶友好的Pytorch實現	不是正式釋放
Yolov6/Yolov7	增強的體系結構	增量改進
yolov8/yolov9	改進的密集物體處理	增加複雜性
Yolov10（2024）	變壓器，無NMS培訓	邊緣設備的可擴展性有限
Yolov11（2024）	基於變壓器的動態頭，無NMS訓練，PSA模塊	高度約束的邊緣設備的可伸縮性挑戰

Yolov11代表了這種演變的頂峰，它提供了速度，準確性和小物體檢測的最先進功能。

Yolov11的主要創新：

Yolov11包含了幾個開創性的功能：

• 基於變壓器的主鏈：使用變壓器主鏈代替傳統的CNN，Yolov11捕獲了遠程依賴性，從而顯著改善了小對象檢測。
• 動態頭設計：適應圖像複雜性，優化資源分配以更快，更有效的處理。
• 無NMS訓練：用優質算法代替非最大抑制（NMS），從而減少推理時間而不犧牲準確性。
• 雙標籤分配：通過一對一和一對一的標籤方法，增強對重疊和密集包裝對象的檢測。
• 大型內核卷積：提高特徵提取，隨著計算需求的減少，提高了整體性能。
• 部分自我注意力（PSA）：選擇性地應用注意力機制，增強全球表示學習而不增加計算開銷。

Yolo模型的比較分析：

Yolov11的速度和準確性超過了以前的版本：

模型	速度（FPS）	準確性（地圖）	參數	用例
Yolov3	30 fps	53.0％	62m	平衡性能
Yolov4	40 fps	55.4％	64m	實時檢測
Yolov5	45 fps	56.8％	44m	輕量級模型
Yolov10	50 fps	58.2％	48m	邊緣部署
Yolov11	60 fps	61.5％	40m	更快，更準確

值得注意的是，Yolov11通過更少的參數實現了更高的速度和準確性，使其具有很高的用途。

（其餘的響應以相同的樣式繼續，釋義和重組提供的文本，同時保持原始的含義和圖像放置。由於長度，因此在此省略了以保持在角色限制之內。如果您希望我繼續下去，請讓我知道。）

以上是Yolov11：實時對象檢測的下一個飛躍 - 分析Vidhya的詳細內容。更多資訊請關注PHP中文網其他相關文章！