OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割

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：基于YOLO11的车体部件检测与分割

YOLOv11 有哪些新功能？

    YOLOv11 在 YOLOv10 的基础上进行了重大升级，在性能和适应性方面有了显著的提高。主要增强功能包括：

    1. 改进的模型架构：YOLOv11 引入了更高效的模型架构，旨在优化图像处理和预测准确性。

    2. GPU 优化：利用现代机器学习的进步，YOLOv11 针对 GPU 训练进行了高度优化，可提供更快的模型训练和更高的准确性。

    3. 速度提升：YOLOv11 模型的延迟降低了 25%，比之前的版本快得多。速度提升增强了实时性能。

    4. 更少的参数，相同的精度：简化的架构可减少参数，从而无需牺牲模型的精度即可实现更快的处理速度。

    5. 增强适应性和任务支持：YOLOv11 支持更广泛的任务、对象类型和图像格式，扩展了其多功能性并使其适用于更加多样化的应用。

    通过这些增强功能，YOLOv11 为物体检测设立了新的标准，在不牺牲准确性的情况下提供更快、更高效的模型。

YOLOv11 包含哪些模型？

    YOLOv11 提供了多种针对各种任务而设计的模型。这些包括：

    1. 边界框模型：用于检测图像中对象的标准 YOLOv11 模型，没有任何后缀。2

    2. 实例分割（-seg）：不仅可以检测对象，还可以在图像中区分和分割对象的模型。

    3. 姿势估计（-pose）：非常适合根据关键点识别和估计人体或物体的姿势。

    4. 方向边界框（-obb）：这些模型检测并绘制旋转的边界框，对于有角度的物体特别有用。

    5.分类（-cls）：旨在将对象分类到预定义类别中的模型。

    此外，这些模型有不同的尺寸以满足不同的性能需求：

    -Nano (n)：超轻且快速。

    -Small (s)：针对速度和中等精度进行了优化。

    -Medium (m)：在速度和精度之间取得平衡。

    -Large (l)：增强精度，适用于复杂任务。

    -Extra-Large (x)：最高精度，专为资源密集型任务而设计。

    这些选项使 YOLOv11 高度灵活，可满足各种用例和资源需求。

    如何使用模型？

   您可以参考https://docs.ultralytics.com/models/yolo11/#usage-examples上的文档来了解如何使用该模型。

YOLOv11 图像分割演示

    1. 安装依赖项

!pip install ultralyticsfrom IPython import displaydisplay.clear_output()
import ultralyticsultralytics.checks()
from ultralytics import YOLO
from IPython.display import display, Image

    之后，我们需要将模型下载到我们的环境中。请从Ultralytics页面选择并下载所需的模型。

! wget https://github.com/ultralytics/assets/releases/download/v 8.3.0 / yolo11x-seg.pt

    2. 准备自定义数据集

    我将使用来自 Roboflow 的数据集（对于其他任务，请参阅文档以获取有关准备数据集的具体说明）。现在，让我们从 Roboflow 下载正确的格式。

import roboflow
roboflow.login()
rf = roboflow.Roboflow()
project = rf.workspace("model-examples").project("car-parts-instance-segmentation")dataset = project.version(1).download("yolov11")

    创建一个data.yaml文件，为模型提供有关数据集的信息。

import yaml
with open(f"{dataset.location}/data.yaml", 'r') as f:    dataset_yaml = yaml.safe_load(f)dataset_yaml["train"] = "../train/images"dataset_yaml["val"] = "../valid/images"dataset_yaml["test"] = "../test/images"with open(f"{dataset.location}/data.yaml", 'w') as f:    yaml.dump(dataset_yaml, f)

    3. 训练模型

    训练模型的步骤因任务而异。请确保选择正确的任务并相应地正确配置路径和模型设置。

%cd {HOME}
!yolo task=segment mode=train model="/content/yolo11x-seg.pt" data="/content/car-parts-instance-segmentation-1/data.yaml" epochs=10 imgsz=640

    4. 检查矩阵和结果

!ls {HOME}/runs/segment/train/

%cd {HOME}Image(filename=f'{HOME}/runs/segment/train/confusion_matrix.png', width=600)

%cd {HOME}Image(filename=f'{HOME}/runs/segment/train/results.png', width=600)

%cd {HOME}Image(filename=f'{HOME}/runs/segment/train/val_batch0_pred.jpg', width=600)

    5. 验证自定义模型

    训练模型后，验证其性能以确保其符合您的期望非常重要。验证过程涉及使用一组之前从未见过的数据测试模型，以评估其准确率、精确率、召回率和其他指标。​​​​​​​

%cd {HOME}
!yolo task=segment mode=val model={HOME}/runs/segment/train/weights/best.pt data={dataset.location}/data.yaml

    6. 使用自定义模型进行推理​​​​​​​

%cd {HOME}!yolo task=segment mode=predict model={HOME}/runs/segment/train/weights/best.pt conf=0.25 source={dataset.location}/test/images save=true​​​​​

import globfrom IPython.display import Image, display
for image_path in glob.glob(f'{HOME}/runs/segment/predict2/*.jpg')[:3]:      display(Image(filename=image_path, height=600))      print("\n")

 源码下载：​​​​​​​

https：//github.com/tententgc/notebook-colab/blob/main/yolo11x_segmentation.ipynb

 https://github.com/tententgc/notebook-colab/blob/main/train_yolo11_object_detection_on_custom_dataset.ipynb

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。