💡💡💡В этой статье: Как тренироваться | проверять | тест собственный набор данных
Ultralytics YOLO11 — передовая, современная модель.,Он основан на успехе предыдущих выпусков YOLO.,и представляет новые функции и улучшения,для дальнейшего улучшения производительности и гибкости。YOLO11 разработан, чтобы быть быстрым, точным и простым в использовании, что делает его отличным выбором для различных задач обнаружения и отслеживания объектов, сегментации экземпляров, классификации изображений и задач оценки позы.
Структурная схема выглядит следующим образом:
C3k2, структурная схема следующая
C3k2, унаследованный от класса C2f, в котором для c3k установлено значение False или True, чтобы решить, использовать ли C3k илиBottleneck
Код реализации ultralytics/nn/modules/block.py
Опираясь на структуру PSA V10, мы реализовали C2PSA и C2fPSA и в итоге выбрали C2PSA на основе C2 (может, увеличение лучше?)
Код реализации ultralytics/nn/modules/block.py
Головка обнаружения классификации представляет DWConv (который является более легким и обеспечивает улучшения для последующих вторичных инноваций. Структурная схема выглядит следующим образом (отличия от V8):
Код реализации ultralytics/nn/modules/head.py
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO('ultralytics/cfg/models/11/yolo11.yaml')
#model.load('yolo11n.pt') # loading pretrain weights
model.train(data='data/InfraRedSmallTarget.yaml',
cache=False,
imgsz=640,
epochs=200,
batch=16,
close_mosaic=10,
device='0',
optimizer='SGD', # using SGD
project='runs/train-obb',
name='exp',
)
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO('runs/train/exp/weights/best.pt')
model.val(data='data/InfraRedSmallTarget.yaml',
split='val',
imgsz=640,
batch=16,
iou=0.6,
rect=False,
save_json=False,
project='runs/val',
name='exp',
)
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO('runs/train/exp/weights/best.pt')
model.predict(source='data/images/',
imgsz=640,
project='runs/detect',
name='exp',
save=True,
conf=0.2,
iou=0.7,
)