一觉醒来，YOLO11 冷不丁就来了

🥇 版权: 本文由【墨理学AI】原创首发、各位读者大大、敬请查阅、感谢三连
🎉 声明: 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️

前言：一觉醒来，YOLO11 冷不丁就来了

• yolov8、yolov9、yolov10 还没捂热乎呢（一裤兜子学习笔记成废纸了），YOLO11 不打招呼就来了
• 简而言之，言而简之，就是精度、速度又有新高
• 学不完、根本学不完

官方连夜更新，我们国庆节这边正快乐着讷，你们难道不应该放假，一起庆祝嘛

ultralytics 版本更新

之前，git clone ，那么现在 git pull 即可；我这里选择直接 git clone 一个 ultralytics 8.3.0 版本的源码

# Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics# Navigate to the cloned directory
cd ultralyticsgit describe --tags
# 当前库版本如下
v8.3.1-2-g060214d0conda activate byteTrack（我的 conda 环境名字）# Install the package in editable mode for development
pip install -e .# pip list - 我的 torch 版本这里选择不更新 ，依然暂时使用  2.4.0+cu124
# ../ultralytics/pyproject.toml 中的这个版本 dependencies 我给注释掉了，大家根据自己主机系统来选择是否升级为 torch 2.4.1 即可
# #"torch>=1.8.0,!=2.4.0; sys_platform == 'win32'",  # Windows CPU errors w/ 2.4.0 https://github.com/ultralytics/ultralytics/issues/15049torch                    2.4.0+cu124
torchaudio               2.4.0+cu124
torchvision              0.19.0+cu124
ultralytics              8.3.1                /2024/ultralytics
ultralytics-thop         2.0.8# onnx 转换推理 额外补充的库pip install onnxslim onnxruntime-gpu

下载预训练模型进行验证

mkdir weightscd weightswget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt
wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11s.pt
wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11m.pt
wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11l.pt
wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11x.pt

Command Line Interface (CLI) 命令行指令模式

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
# 改成本地路径
yolo predict model=./weights/yolo11n.pt source='bus.jpg'

Python 脚本运行示例如下 - 验证环境搭建是否成功

这里模型、数据路径都已经修改为本地路径

• 即使不修改为本地路径，网络通畅的话，也都会自动下载模型和数据集哈
• 这个脚本验证环境搭建是否成功：训练、推理、onnx 模型转换成功

from ultralytics import YOLO# Load a model
model = YOLO("./weights/yolo11n.pt")# Train the model
train_results = model.train(data="coco8.yaml",  # path to dataset YAMLepochs=100,  # number of training epochsimgsz=640,  # training image sizedevice="0",  # device to run on, i.e. device=0 or device=0,1,2,3 or device=cpu
)# Evaluate model performance on the validation set
metrics = model.val()# Perform object detection on an image
results = model("images/bus.jpg")
results[0].show()# Export the model to ONNX format
path = model.export(format="onnx")  # return path to exported model

YOLO系列模型 COCO 官方评估指标总结

YOLOv8

YOLOv9

YOLOv10

YOLO11 本地 coco 指标评估

过程如下

• 复制一份 coco.yaml 到 yamls/coco.yaml
• 指定自己目录下载好的数据集路径即可

path: /datasets/coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794
# Classes
names:0: person1: bicycle....

评估代码 yolo_val_coco.py 如下

from ultralytics import YOLO'''
python yolo_val_coco.py
'''
# Load a model
model = YOLO("./weights/yolo11n.pt")
metrics = model.val(data="yamls/coco.yaml", name='val_yolo11n')print(metrics.box.maps)  # map50-95

总体指标如下，mAP50-95 ： 0.392 又有提升呀

Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 313/313 [00:14<00:00, 22.12it/s]
all       5000      36335      0.653      0.504      0.549      0.392

YOLO11 自定义数据集模型训练 - 节后更新 - 敬请关注

---

📙 YOLO 系列实战博文汇总如下

---

🟦 YOLO 理论讲解学习篇

🟧 Yolov5 系列

• 💜 YOLOv5 环境搭建 | coco128 训练示例 |❤️ 详细记录❤️ |【YOLOv5】
• 💜 YOLOv5 COCO数据集 训练 | 【YOLOv5 训练】

🟨 YOLOX 系列

• 💛 YOLOX 环境搭建 | 测试 | COCO训练复现 【YOLOX 实战】
• 💛 YOLOX （pytorch）模型 ONNX export | 运行推理【YOLOX 实战二】
• 💛 YOLOX （pytorch）模型 转 ONNX 转 ncnn 之运行推理【YOLOX 实战三】
• 💛 YOLOX （pytorch）模型 转 tensorRT 之运行推理【YOLOX 实战四】

🟦 Yolov3 系列

• 💙 yolov3（darknet ）训练 - 测试 - 模型转换❤️darknet 转 ncnn 之C++运行推理❤️【yolov3 实战一览】
• 💙 YOLOv3 ncnn 模型 yolov3-spp.cpp ❤️【YOLOv3之Ncnn推理实现———附代码】

🟨 YOLOv8 系列

• Ubuntu 22.04 搭建 yolov8 环境 运行示例代码（轨迹跟踪、过线 人数统计、目标热力图）
• Mac 电脑配置yolov8运行环境实现目标追踪、计数、画出轨迹、多线程
• YOLO 系列代码实战持续学习中

🟦 持续补充更新

---

❤️ 人生苦短， 欢迎和墨理一起学AI

---

• 🎉 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️
• ❤️ 如果文章对你有些许帮助、蟹蟹各位读者大大点赞、评论鼓励博主的每一分认真创作