3、PyTorch训练YOLOv11—部署篇（detect）—Windows系统
1、pt转onnx或engine
from ultralytics import YOLO model = YOLO("best.pt") model.export(format="onnx") # model.export(format="engine") # 预测看下效果 onnx_model = YOLO("best.onnx", task="detect") results = onnx_model("https://ultralytics.com/images/bus.jpg") results[0].show() ''' tensorrt_model = YOLO("best.engine", task="detect") results = tensorrt_model("https://ultralytics.com/images/bus.jpg") results[0].show() '''
更丰富的export参数，查阅 YOLO11在训练和导出时的一些参数设置 - 夕西行 - 博客园 (cnblogs.com)
yolov11 常用参数（无废话）_yolo11参数-CSDN博客
2、YOLO10和11版本用了新的技术
有人说干掉了耗时的NMS操作，参考YOLOv10：无需NMS的目标检测新范式（强的离谱）_yolov10 topk-CSDN博客
其中有这样一句话：模型可以在训练期间利用一对多分配的丰富监督信号，而在推理期间则使用一对一分配的预测结果，从而实现无NMS的高效推理。
我在YOLO11的 loss.py 代码里看到了
那么，模型检测后应该会得到很少的框，即同一个位置只输出满足阈值的每一类的最大框，如图片里有人、狗（人和狗在一块），那么只输出两个框（如果满足设定的阈值）
训练时候只使用one2one，不使用one2many，行不行？
不行，论文里指出：
Dual label assignments. Unlike one-to-many assignment, one-to-one matching assigns only one prediction to each ground truth,
avoiding the NMS post-processing. However, it leads to weak supervision, which causes suboptimal accuracy and convergence speed [75].
Fortunately, this deficiency can be compensated for by the one-to-many assignment [5].
参考 目标检测领域NMS（非极大值抑制）的改进算法有哪些？ - 知乎 (zhihu.com)
3、部署框架的选择
为了效率，用C++部署。
git上有很多C++部署yolo的项目，关于获取框，主要参考YOLO11的 tal.py 这个文件，直接看大神博客 yolov10/v8 loss详解_yolov10损失函数-CSDN博客
~~~~~下一步计划，搜索能用于yolo11的c++项目，尤其是检测框的结果怎么拿，是不是还是很多（如8400个）需要自己筛选？？？
网上大神手速就是快，C++ Tensort YOLO11已经出来了，给这个人star支持吧，感谢作者的无私奉献。
yolo11和yolo10的输出如下：
yolo10的300行结果已经被排好序了，第一行就是最优结果（每一行前4位为候选框坐标xyxy，第五位为conf，第六位为类别，结果已经按照conf由大到小排列）。
yolo11的结果还是8400结果，需要nms，不过大神已经用cuda搞出来了，再此手动star⭐，感谢！！！
github项目运行可能出现的错误：
mian.cpp里如果指定了engine，那么直接载入使用
std::string trtFile = "C:/Users/admin/source/repos/ConsoleApplication1/x64/Release/best.engine";
如果未指定，则载入config.h里的onnx
const std::string onnxFile = "../onnx_model/best.onnx";
对于指定了engine
运行后报错，由于trt版本和当前电脑版本不一致导致，用当前电脑版本将pt转engine
