OpenCV与AI深度学习 | YOLOv11在自定义数据集上训练做实例分割

本文来源公众号“OpenCV与AI深度学习”，仅用于学术分享，侵权删，干货满满。

原文链接：YOLOv11在自定义数据集上训练做实例分割

介绍

    在快速发展的计算机视觉领域，YOLO （You Only Look Once） 系列一直为实时物体检测树立标杆。随着最近推出的 YOLOv11，Ultralytics 进一步提高了其功能，提高了准确性、速度和效率。

    本文将指导您完成使用自定义数据集训练 YOLOv11 以进行实例分割的过程，重点介绍其功能以及如何开始。

YOLOv11 概述

    YOLOv11 是 Ultralytics YOLO 系列的最新版本，在架构和训练方法方面带来了重大改进。它旨在处理各种计算机视觉任务，使其成为开发人员和研究人员的多功能工具。

主要特点

• • 增强的特征提取：YOLOv11 采用先进的 backbone 和 neck 架构，提高了其提取特征以实现精确对象检测的能力。

  • 优化的效率和速度：该模型拥有精致的架构设计，可实现更快的处理速度，同时保持准确性和性能之间的平衡。

  • 以更少的参数实现更高的准确率：YOLOv11m 在 COCO 数据集上实现了更高的平均精度 （mAP），同时使用的参数比 YOLOv8m 少了 22%，从而提高了计算效率。

  • 跨环境适应性：YOLOv11 可以无缝部署在边缘设备、云平台和带有 NVIDIA GPU 的系统上。

支持的任务

    YOLOv11 支持广泛的计算机视觉任务：

准备自定义数据集

    要训练 YOLOv11 进行实例分割，您首先需要准备数据集。方法如下：

    数据收集：收集表示要检测的类的图像。在此示例中，我们将使用 BRAIN-TUMOR 数据集，其中包含来自 roboflow 的 834 张图像。

    链接 ：https://universe.roboflow.com/iotseecs/brain-tumor-yzzav

    标注：使用 LabelMe 或 VGG Image Annotator 等工具注释您的图像。确保以 COCO 格式保存注释以实现兼容性。

    数据集结构：组织您的数据集目录，包括图像和注释，并创建一个指定路径和类名称的 YAML 配置文件。

示例 YAML 结构

train: ../path/to/train/imagesval: ../path/to/val/images

nc: 1  # Number of classesnames: ['brain_tumor']  # List of class names

训练 YOLOv11 以进行实例分割

    第 1 步：设置环境

    确保您已安装必要的依赖项。您可以使用以下方法安装 Ultralytics 软件包：

pip install ultralytics

    第 2 步：加载 YOLOv11 模型

    加载为实例分割量身定制的预训练 YOLOv11 模型：

from ultralytics import YOLO

# Load a pretrained YOLOv11 model for instance segmentationmodel = YOLO("yolo11m-seg.pt")

    第 3 步：训练模型

    使用以下命令在自定义数据集上训练模型：

results = model.train(data="path/to/your/dataset.yaml", epochs=100, imgsz=640)

    您可以根据数据集和计算资源调整epochs和imgsz参数。

    第 4 步：评估模型

    训练完成后，评估模型的性能：

results = model.val()

运行推理

    训练后，您可以对新图像运行推理：​​​​​​​

# Run inference on an imageresults = model.predict("path/to/your/test/image.jpg")

    YOLOv11 作为强大的实例分割工具脱颖而出，结合了尖端的准确性和效率。按照本文中概述的步骤，您可以在自定义数据集上有效地训练 YOLOv11 模型，并将其功能用于各种应用程序。

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。