首页 > 其他分享 >YOLOv11 正式发布!你需要知道什么? 另附:YOLOv8 与YOLOv11 各模型性能比较

YOLOv11 正式发布!你需要知道什么? 另附:YOLOv8 与YOLOv11 各模型性能比较

时间:2024-11-07 21:21:49浏览次数:3  
标签:模型 YOLOv8 Large 另附 YOLOv11 速度 GPU 精度

YOLOv11目标检测创新改进与实战案例专栏

点击查看文章目录: YOLOv11创新改进系列及项目实战目录 包含卷积,主干 注意力,检测头等创新机制 以及 各种目标检测分割项目实战案例

点击查看专栏链接: YOLOv11目标检测创新改进与实战案例

在这里插入图片描述

2024年9月30日,Ultralytics在他们的YOLOVision活动上正式发布了YOLOv11。YOLOv11是由位于美国和西班牙的Ultralytics团队开发的YOLO模型的最新迭代版本。

image-20241018144855464

YOLOv11 有哪些新特性?

与YOLOv10相比,YOLOv11带来了大量改进,包括但不限于以下几点:

  1. 模型架构的增强:模型的架构经过优化,更好地处理输入图像并进行预测。通过改进的架构,模型在图像处理和推理阶段表现更加高效。

  2. GPU优化:符合现代机器学习模型的趋势,YOLOv11在GPU上进行了优化训练。与之前版本相比,GPU训练不仅提高了模型的训练速度,还显著提升了模型的精度。

  3. 速度提升:没错,速度是YOLOv11的一大亮点。通过GPU优化和架构改进,YOLOv11的训练和推理速度比以往版本快得多,延迟减少高达25%。

  4. 参数减少:模型参数的减少使得YOLOv11运行更加高效,速度更快,同时保持高精度,几乎不影响准确性。

  5. 更强的适应性和更多支持任务:YOLOv11支持更多类型的任务、更多种类的目标检测和处理更多不同类型的图像。这使得YOLOv11的应用场景更加广泛,几乎可以胜任任何图像识别任务。

YOLOv11 带来了什么?

YOLOv11 提供了多个模型,涵盖了以下功能:

  1. 目标检测:经过训练后,能够检测图像中的目标物体。
  2. 图像分割:不仅能够进行目标检测,还能将图像中的物体进行精确分割。
  3. 姿态估计:通过训练后可以绘制人体姿态,使用点和线来标识关节和肢体。
  4. 旋转边界框(OBB):与目标检测类似,但边界框可以进行旋转,适用于具有方向性的物体检测。
  5. 图像分类:经过训练后能够对图像进行类别分类。

通过Ultralytics库,这些模型还可以进行以下优化:

  1. 对象跟踪:能够跟踪物体的路径和运动轨迹。
  2. 便捷导出:该库支持多种格式的模型导出,适用于不同的应用场景。
  3. 多场景支持:可以针对不同的对象和图像类型进行训练,适应多样化的任务需求。

此外,Ultralytics还将推出企业级YOLOv11模型,计划于10月31日发布。这些企业级模型将与开源YOLOv11模型并行发布,但会使用更大的Ultralytics专有数据集进行训练。

YOLOv11包含哪些模型?

YOLOv11包括以下模型:

  • 边界框检测模型(无后缀)
  • 实例分割模型(后缀 -seg)
  • 姿态估计模型(后缀 -pose)
  • 旋转边界框模型(后缀 -obb)
  • 图像分类模型(后缀 -cls)

这些模型还分为不同的尺寸版本:Nano (n)、Small (s)、Medium (m)、Large (l)、Extra-Large (x)。

img

YOLOv11 的性能数据

目标检测:

image-20241018144622027

image-20241018144642763

从数据来看,Nano 模型在 YOLOv11 上的 mAPval 为 39.5,而在 YOLOv10 上也是 39.5;Small 模型分别为 47.0 对 46.8;Medium 模型是 51.5 对 51.3;Large 模型在两个版本中均为 53.4;Extra Large 模型为 54.7 对 54.4。这些看似细微的提升,尤其是 mAPval 上的小数点增长,在机器学习模型中往往能带来显著的性能提升。总的来说,YOLOv11 在 mAPval 上超越了 YOLOv10 约 0.3。

接下来我们来看看速度。在延迟方面,Nano 模型在 YOLOv11 上的延迟为 1.55,而在 YOLOv10 上是 1.84;Small 模型分别为 2.46 对 2.49;Medium 模型是 4.70 对 4.74;Large 模型为 6.16 对 7.28;而 Extra Large 模型则为 11.31 对 10.70。延迟越低越好,除了 Extra Large 模型表现稍差之外,YOLOv11 其他尺寸的延迟都比前代低。

总体而言,Nano 模型在速度方面表现极佳,同时性能相当。而 Extra Large 模型尽管性能有所提升,但延迟表现不佳。

图像分割:

image-20241018144737278

image-20241018144709805

image-20241018144743181

总的来看,YOLOv11 的图像分割模型在 Large 和 Extra Large 模型上相比之前的 YOLOv8 和 YOLOv9 表现更优。YOLOv9 并没有提供延迟方面的统计数据,而 YOLOv11 相比 YOLOv8 的延迟大幅降低。YOLOv11 还引入了大量的 GPU 优化,因此在 CPU 测试的基准之外,GPU 上的速度预计会更快。

姿态估计:

image-20241018144806687

image-20241018144816742

YOLOv11 在 mAP50–95 的统计数据上较 YOLOv8 有小幅提升(Large 模型除外)。然而在速度方面,YOLOv11 的姿态估计模型在延迟上有显著改善,某些延迟数据甚至是前代的四分之一!由于这些模型是针对 GPU 训练优化的,因此预计实际性能会比展示的数据更好。

旋转边界框:

img

img

在 mAP50 的统计数据上,旋转边界框模型的提升相对较小,甚至比目标检测的细微改进还要少。然而,YOLOv11 在速度上却提升了一倍,显示出 YOLOv11 为提升速度做出了巨大努力。

图像分类:

img

img

在精度上,从 YOLOv8 到 YOLOv11 的改进微乎其微,但在速度上,YOLOv11 模型在 CPU 上的表现有了巨大的提升。

YOLOv8 vs YOLOv11: 各模型性能比较

用于比较的关键指标

  1. **模型版本(n、s、m、l、x):

    Ultralytics 开发的 YOLO 模型有不同的尺寸,即纳米(n)、小(s)、中(m)、大(l)和超大(x)较大的模型往往更复杂、更强大,但它们也需要更多资源并且运行速度较慢。**

  2. mAP(平均精度):
    mAP分数告诉我们模型检测物体的准确度。*计算基于模型识别与图像中实际物体不同重叠度的物体的能力。平均精度 (mAP) 越高,表示模型的准确度越高,表明其检测和准确定位图像中物体的能力越强。*

  3. 速度(以毫秒为单位):
    速度告诉我们模型处理图像的速度。速度有两种类型,
    *CPU 速度:这衡量了它在普通计算机处理器 (CPU) 上的运行速度;
    GPU 速度:这衡量了它在特定 NVIDIA GPU(例如 A100 或 T4)上的运行速度,这些 GPU 通常用于高性能 AI 任务。*

  4. Params(M):
    表示特定模型的参数数量(以百万为单位)。模型越大,参数越多。

  5. FLOPs(B):
    FLOPs(浮点运算)表示模型的计算复杂度。FLOP 越高,表示模型需要的计算资源越多。*以十亿为单位。*

YOLOv8n 与 YOLOv11n:

image-20241018145039174

最小、最快、参数最少的模型:

  1. 性能:YOLOv11n 在精度上超越了 YOLOv8n,平均精度(mAP)为 39.5,而 YOLOv8n 为 37.3,表明 YOLOv11n 在图像中的目标检测能力更强。

  2. 速度:在标准 CPU 上,YOLOv11n 的运行速度更快,延迟为 56.1 毫秒,但在高性能 GPU 上则略微较慢。

  3. 效率:YOLOv11n 在保持较高精度的同时,使用了更少的参数和更低的浮点运算次数(FLOPs),展现出比 YOLOv8n 更高的效率。

YOLOv8s 与 YOLOv11s:

img

这些模型稍大,旨在平衡速度和精度:

  1. 性能:YOLOv11s 在精度方面优于 YOLOv8s,平均精度(mAP)为 47.0,而 YOLOv8s 为 44.9,因此在需要高精度的场景下,YOLOv11s 是更好的选择。

  2. 速度:YOLOv11s 在 CPU 上表现出色,而 YOLOv8s 则在诸如 A100 等高性能 GPU 上表现更快。

  3. 效率:由于 YOLOv11s 的参数数量更少且计算需求更低,它能够以较少的计算资源提供更高的精度,展示出更高的效率。

YOLOv8m 与 YOLOv11m

img

中型模型在小型和大型版本之间提供了折衷选择:

  1. 性能:YOLOv11m 在精度上相比 YOLOv8m 有轻微的提升。

  2. 速度:YOLOv11m 在 CPU 上的运行速度更快,但在 GPU 上的表现较慢,这可能会影响其在特定应用中的表现。

  3. 效率:YOLOv11m 使用了较少的参数和浮点运算次数(FLOPs),同时保持了更高的精度,突显了其在任务管理中的高效性。

YOLOv8l 与 YOLOv11l

img

这些大型模型专为需要精度优先于速度的任务而设计:

  1. 性能:尽管精度差异较小,YOLOv11l 仍保持着轻微的优势。

  2. 速度:YOLOv11l 在 CPU 上表现更快,但在 GPU 上的速度明显较慢。

  3. 效率:YOLOv11l 在资源消耗更少的情况下取得了更好的结果,拥有更少的参数和浮点运算次数(FLOPs),仍然超越了 YOLOv8l。

YOLOv8x 与 YOLOv11x

img

超大型模型是最为精确的,但也消耗最多的资源:

  1. 性能:YOLOv11x 的精度略微超越了 YOLOv8x,尽管优势不大。

  2. 速度:YOLOv11x 在 CPU 和 GPU 上的表现较慢,优先考虑精度而非速度。

  3. 效率:YOLOv11x 在完成相同任务时消耗了更少的资源,使用显著更少的浮点运算次数(FLOPs)和参数,同时实现了更高的精度。

标签:模型,YOLOv8,Large,另附,YOLOv11,速度,GPU,精度
From: https://www.cnblogs.com/banxia-frontend/p/18534018

相关文章

  • yolov11目标检测与跟踪+区域识别+车道线流量计数
    概述本项目旨在利用最新的YOLOV11模型实现一个实时车辆检测与计数系统。该系统能够准确地检测并计算多车道(车道A、车道B、车道C)上的车辆数量,并为交通监控和管理提供宝贵的数据洞察。通过结合先进的计算机视觉技术和高效的深度学习模型,该系统能够大幅提升交通管理的效率和......
  • yolov8目标跟踪与行人车辆计数+YOLOv8 Object Detection with DeepSORT Tracking(ID +
    YOLOv8目标检测与DeepSORT跟踪技术简介在计算机视觉领域,目标检测和跟踪是两个至关重要的任务。目标检测旨在识别图像或视频中的特定对象,并确定它们的位置;而目标跟踪则是在连续的帧之间保持对这些对象的身份和位置的一致性跟踪。本文将详细介绍YOLOv8作为先进的目标检测算法......
  • YoloV8提升训练速度
    ......
  • 基于yolov8的生猪检测和统计系统,支持图像、视频和摄像实时检测【pytorch框架、python
     更多目标检测和图像分类识别项目可看我主页其他文章功能演示:基于yolov8的生猪检测和统计系统,支持图像、视频和摄像实时检测【pytorch框架、python源码】_哔哩哔哩_bilibili(一)简介基于yolov8的生猪检测和统计系统是在PyTorch框架之下得以实现的。这是一个完备的项目,涵盖......
  • 用糊弄学打开yolov8之测试能否训练自己的数据集
    写在前面:只是记录自己的学习过程如果错误欢迎指正因为之前电脑里环境配置得很乱对这方面也不太熟悉就不做说明了想知道大家怎么配环境的混子本人是配不出来就花点窝囊费找人这次用yolov8什么都没配基于之前的环境就能跑所以就不做说明了环境配置可以参考:完整且详细......
  • <项目代码>YOLOv8 混凝土缺陷检测<目标检测>
      YOLOv8是一种单阶段(one-stage)检测算法,它将目标检测问题转化为一个回归问题,能够在一次前向传播过程中同时完成目标的分类和定位任务。相较于两阶段检测算法(如FasterR-CNN),YOLOv8具有更高的检测速度和实时性。1.数据集介绍数据集详情可以参考博主写的文章<数据集>混凝土缺陷......
  • <项目代码>YOLOv8 铁轨缺陷检测<目标检测>
     YOLOv8是一种单阶段(one-stage)检测算法,它将目标检测问题转化为一个回归问题,能够在一次前向传播过程中同时完成目标的分类和定位任务。相较于两阶段检测算法(如FasterR-CNN),YOLOv8具有更高的检测速度和实时性。1.数据集介绍数据集详情可以参考博主写的文章<数据集>铁轨缺陷检测......
  • yolov8识别图片并获取识别信息 - 幽络源
    背景有个项目要求:使用yolov8训练出的模型将图片进行识别后,需要返回识别后的信息,信息中包括耗时(毫秒)、类别、类别对应的方框坐标,本篇教程便是完成此功能。前提有自己的yolov8环境且有训练好的模型直接上源码注意:这里提供了两个函数,一个是只返回信息不返回识别后的图片,一......
  • 基于YOLOv8模型的高精度红外行人车辆目标检测(PyTorch+Pyside6+YOLOv8模型)
    摘要:基于YOLOv8模型的高精度红外行人车辆目标检测系统可用于日常生活中检测与定位红外行人车辆目标,利用深度学习算法可实现图片、视频、摄像头等方式的目标检测,另外本系统还支持图片、视频等格式的结果可视化与结果导出。本系统采用YOLOv8目标检测算法训练数据集,使用Pysdie6库......
  • yolov8旋转目标检测从原理到模型训练、部署、验证、推理(附代码)
    定向边界框目标检测在这里插入图片描述导言定向目标检测是在传统目标检测的基础上更进一步的技术,它引入了一个额外的角度参数,以更精确地定位图像中的物体。传统的目标检测算法通常使用轴对齐的矩形包围框来框定物体,而定向目标检测则使用旋转的边界框,这些边界框能够更好......