YOLOv11环境搭建&推理测试

引子

2024年9月30日，Ultralytics在其活动YOLOVision中正式发布了YOLOv 11。YOLOv 11是由位于美国和西班牙的Ultralytics团队开发的YOLO的最新版本。几个月前YOLOv10发布（感兴趣的童鞋可以移步https://blog.csdn.net/zzq1989_/article/details/139408779?spm=1001.2014.3001.5502），这才过去这么短的时间，YOLOv11就横空出世了。也许追YOLO也成为一个CVer的信仰了吧。OK，那就让我们开始吧。

一、模型介绍

与YOLOv10相比，YOLOv11有了巨大的改进，包括但不限于：

1、增强的模型结构：模型具有改进的模型结构，以获取图像处理并形成预测

2、GPU优化：这是现代ML模型的反映，GPU训练ML模型在速度和准确性上都更好。

3、速度：YOLOv 11模型现在经过增强和GPU优化以用于训练。通过优化，这些模型比它们的前版本快得多。在速度上达到了25%的延迟减少！

4、更少的参数：更少的参数允许更快的模型，但v11的准确性不受影响

5、更具适应性：更多支持的任务YOLOv 11支持多种类型的任务、多种类型的对象和多种类型的图像。

二、环境安装

代码仓库

git clone https://github.com/ultralytics/ultralytics.git

环境安装

docker run --rm -it --gpus=all -v /datas/work/zzq:/workspace pytorch/pytorch:2.0.1-cuda11.7-cudnn8-devel bash

cd /workspace/YOLOv11/ultralytics-main

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install onnx -i https://pypi.tuna.tsinghua.edu.cn/simple

三、测试推理

（1）训练

yolo detect train data=coco.yaml model=yolov10n/s/m/b/l/x.yaml epochs=500 batch=256 imgsz=640 device=0,1,2,3,4,5,6,7

（2）评估

yolo val model=yolov11n/s/m/b/l/x.pt data=coco.yaml batch=256

（3）推理

模型下载

yolo predict model=models/yolo11n.pt source='bus.jpg'

 

（4）模型转换

转onnx

yolo export model=models/yolov11n.pt format=onnx opset=13 simplify