首页 > 其他分享 >玩一玩 yolo v11

玩一玩 yolo v11

时间:2024-12-31 15:53:11浏览次数:1  
标签:v11 yolo Pictures ultralytics jpg bus 玩一玩

作者:张富春(ahfuzhang),转载时请注明作者和引用链接,谢谢!


记录体验 yolo v11 的过程:

1.下载镜像

docker pull ultralytics/ultralytics

这个镜像有 11 GB

2.进入镜像的 bash

docker run -it --name=yolov11_test -v ~/Pictures:/Pictures --ipc=host --cpus=2 -m=512m ultralytics/ultralytics:latest bash

3. 执行 yolo 命令行

cd /ultralytics
yolo detect predict model=yolo11n.pt source='/Pictures/bus.jpg'

对一张叫 bus.jpg 的图片进行目标检测。
输出:

image 1/1 /macos/Pictures/bus.jpg: 640x480 4 persons, 1 bus, 548.8ms

图中有 4 个人,一辆 bus.

Have Fun.

标签:v11,yolo,Pictures,ultralytics,jpg,bus,玩一玩
From: https://www.cnblogs.com/ahfuzhang/p/18644171

相关文章

  • yolo数据集 - 2130张边坡排水沟堵塞数据集分享 - 无人机采集与数据增强处理
    项目概述本篇文章分享了一个yolo数据集,该数据集包含了2130张边坡排水沟堵塞的图像,图像均来自无人机采集,为高精度的边坡排水沟堵塞问题提供了宝贵的图像数据支持。数据集特点图像来源:所有图像均由无人机进行高空采集,确保了数据集的广泛性和代表性,涵盖了多种自然环境中的......
  • 基于yolo11的海洋生物检测与计数系统(海参、海胆、扇贝、海星)
    基于yolo11的海洋生物检测与计数系统(海参、海胆、扇贝、海星)......
  • 煤和传送带(皮带)识别数据集,使用YOLO,COCO,VOC格式标注,能精准识别皮带和煤,平均识别率高达9
    煤和传送带(皮带)识别数据集,使用YOLO,COCO,VOC格式标注,平均识别率高达99.5%数据集下载yolov11: https://download.csdn.net/download/pbymw8iwm/90140092yolov9:  https://download.csdn.net/download/pbymw8iwm/90140093yolov8: https://download.csdn.net/download/pb......
  • Yolo11改进策略:Head改进|DynamicHead,利用注意力机制统一目标检测头部|即插即用
    摘要论文介绍本文介绍了一种名为DynamicHead的模块,该模块旨在通过注意力机制统一目标检测头部,以提升目标检测的性能。论文详细阐述了DynamicHead的工作原理,并通过实验证明了其在COCO基准测试上的有效性和效率。创新点DynamicHead模块的创新之处在于它首次尝试在一个统一......
  • YOLO系列正传(五)YOLOv4论文精解(上):从CSPNet、SPP、PANet到CSPDarknet-53
    系列文章YOLO系列基础YOLO系列基础合集——小白也看得懂的论文精解-CSDN博客YOLO系列正传YOLO系列正传(一)类别损失与MSE损失函数、交叉熵损失函数-CSDN博客YOLO系列正传(二)YOLOv3论文精解(上)——从FPN到darknet-53-CSDN博客YOLO系列正传(三)神经网络的反向传播(backpropagat......
  • 基于YOLOv8深度学习的智慧海洋SAR图像舰船目标检测系统
    随着海上交通的日益繁忙和海上安全管理需求的提升,基于合成孔径雷达(SAR)图像的舰船目标检测成为海上监控系统中的重要研究领域。本文提出了一种基于YOLOv8的舰船目标检测系统,该系统能够高效地处理SAR图像并自动识别其中的舰船目标。为了提高目标检测的准确性和实时性,本文采用YOLO......
  • YOLOv8实战车辆目标检测
      本文采用YOLOv8作为核心算法框架,结合PyQt5构建用户界面,使用Python3进行开发。YOLOv8以其高效的实时检测能力,在多个目标检测任务中展现出卓越性能。本研究针对车辆目标数据集进行训练和优化,该数据集包含丰富车辆图像样本,为模型的准确性和泛化能力提供了有力保障。通过深......
  • 赋能现代菜田科学种植精准治理,基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建农田种
    传统的农业种植场景下,甜菜等作物的管理模式通常依赖于大水漫灌和农药喷洒,这种作业方式不仅造成了水资源的严重浪费,还使得病虫害和杂草的治理完全依赖于菜农的经验。随着人工智能(AI)技术的快速发展,越来越多的传统行业开始探索将AI技术引入实际生产过程中,以提高效率、降低成本并实......
  • yolov3算法及其改进
    yolov3算法及其改进1、yolov3简介2、yolov3的改进2.1、backbone的改进2.1.1、darknet19相对于vgg16有更少的参数,同时具有更快的速度和更高的精度2.1.2、resnet101和darknet53,同样具有残差结构,精度也类似,但是darknet具有更高的速度2.2、FPN2.3、anchor-base与grid-cell3......
  • yolov4算法及其改进
    yolov4算法及其改进1、yolov4介绍2、mosaic与mish激活函数2.1、mosaic数据增强2.2、Mish激活函数3、backbone网络框架的改进4、PAN-FPN的介绍5、样本匹配和损失函数5.1、样本匹配5.2、YOLOV4损失函数5.2.1、GIOUloss5.2.2、DIOUloss5.2.3、CIOULoss1、yolov4介......