YOLOv11改进 | 利用训练好权重文件计算YOLOv11的FPS、推理每张图片的平均时间（科研必备）

已于 2024-11-06 00:21:54 修改
阅读量2.3k 收藏 20
点赞数 16
CC 4.0 BY-SA版权
分类专栏： YOLOv11有效涨点专栏 文章标签： 深度学习 YOLO 目标检测 计算机视觉 人工智能 python YOLOv11
于 2024-11-05 23:08:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/java1314777/article/details/143527291

 一、本文介绍

本文给大家带来的改进机制是利用我们训练好的权重文件计算FPS，同时打印每张图片所利用的平均时间，模型大小（以MB为单位），同时支持batch_size功能的选择，对于轻量化模型的读者来说，本文的内容对你一定有帮助，可以清晰帮你展示出模型速度性能的提升以及轻量化的效果（模型大小），对于以提高精度为目的的读者本文也能够帮助大家展示出现阶段的模型速度指标。所以本文的内容是十分有用的机制，对于大家发表论文来说，下面的图片为运行后的效果可以看到，该有的指标均已打印（本文内容为我独家创新，全网无第二份）。

欢迎大家订阅我的专栏一起学习YOLO！ 

目录

 一、本文介绍

二、核心代码 

三、参数讲解

四、运行文件和使用方法

五、效果展示 

六、

了解本专栏 订阅专栏 解锁全文
【YOLOv11基础[论文必备]】计算已训模型的FPS值、计算每张随机图片的平均推理时间
静谧、淡雅
11-27 1204
计算已训模型的FPS值、计算每张随机图片的平均推理时间
YOLO11涨点优化：小目标检测 | 多头检测器提升小目标检测精度
10-12 2849
引入多头检测器助力YOLO11，添加一个微小物体的检测头暴力提升小目标检测性能
计算训练好权重文件对应的FPS、推理每张图片的平均时间（科研必备）
2301_79954314的博客
08-06 620
本人需要打印FPS指标上网站查找，发现有人打印FPS指标都要收费，本人十分看不下去特地写着一篇。
yolov11训练
最新发布
qq_56882806的博客
04-16 501
补充一下如下代码 pip不行换conda。
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
热门推荐
Snu77的博客
11-02 10万+
这篇博客，主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
【RT-DETR有效改进】计算训练好权重文件对应的FPS、推理每张图片的平均时间（科研必备）
Snu77的博客
02-07 2753
本文给大家带来的改进机制是利用我们训练好的权重文件计算FPS，同时打印每张图片所利用的平均时间，模型大小（以MB为单位），同时支持batch_size功能的选择，对于轻量化模型的读者来说，本文的内容对你一定有帮助，可以清晰帮你展示出模型速度性能的提升以及轻量化的效果（模型大小），对于以提高精度为目的的读者本文也能够帮助大家展示出现阶段的模型速度指标。所以本文的内容是十分有用的机制，对于大家发表论文来说，下面的图片为运行后的效果可以看到，该有的指标均已打印（本文内容为我独家创新，全网无第二份）下面是效果图和文
YOLOv10代码详细介绍（附录训练教程和权重）
小嘤熊的博客
05-28 7994
YOLOv10 是清华大学研究人员在 UltralyticsPython 清华大学的研究人员在 YOLOv10软件包的基础上，引入了一种新的实时目标检测方法，解决了YOLO 以前版本在后处理和模型架构方面的不足。通过消除非最大抑制（NMS）和优化各种模型组件，YOLOv10 在显著降低计算开销的同时实现了最先进的性能。并用大量实验证明，YOLOv10 在多个模型尺度上实现了卓越的精度-延迟权衡。YOLOv10与v8结构相比，从结构上看添加了PSA和在C2f结构中添加了CBI结构，去掉了NMS。
YOLOv10涨点改进：如何魔改注意力进行二次创新，高效替换PSA | NEU-DET为案列进行展开
05-28 6187
在NEU-DET案列进行可行性验证，1）mAP50从0.683提升至0.698；2）mAP50从0.683提升至0.695;
yolo模型的FPS
2401_84049789的博客
10-15 2656
使用yolo模型实验后的结果中并未直接包含FPS，需要研究者在用于验证的python文件中自行编写代码获取该值。但是在csdn上查找代码时，发现有些代码花里胡哨，需要传入大量参数，让我不知道这些参数是否有作用或者需要修改。所以本文参考了官网的验证代码，编写一个简洁的val.py，用于今后的实验，达到提升效率的目的。FPS（Frames Per Second）能够向研究者提供一个直观的模型每秒能够检测的帧数，指明了模型的检测速度，因此，它是论文进行对比实验时非常重要的一项指标。
FPS如何计算？Yolo系列的GFLOPs与FPS如何得到？（小白学习记录）
weixin_45831614的博客
12-02 2万+
最近在做对比实验，由于是轻量化所以很看重这两个参数，但是发现我不管用哪种网络，FPS都很高（超过100），不知道是不是实验设备太好还是数据集太简单的原因，评价指标最后可能不考虑FPS这个参数了。选择参数量会更加稳妥。
YOLOv10改进 | 利用训练好权重文件计算YOLOv10的FPS、推理每张图片的平均时间（科研必备）
Snu77的博客
07-13 1995
本文给大家带来的改进机制是利用我们训练好的权重文件计算FPS同时打印每张图片所利用的平均时间，模型大小（以MB为单位），同时支持batch_size功能的选择，对于轻量化模型的读者来说，本文的内容对你一定有帮助，可以清晰帮你展示出模型速度性能的提升以及轻量化的效果（模型大小），对于以提高精度为目的的读者本文也能够帮助大家展示出现阶段的模型速度指标。所以本文的内容是十分有用的机制，对于大家发表论文来说，下面的图片为运行后的效果可以看到，该有的指标均已打印（本文内容为我独家创新，全网无第二份）。
yolov10西红柿检测，包含训练好的西红柿检测权重
08-05
1、yolov10西红柿检测，包含训练好的西红柿检测权重，以及PR曲线，loss曲线等等，在一千多张西红柿检测数据集中训练得到的权重，目标类别为toamto共1个类别，并附1000多张西红柿检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、数据集和检测结果参考：https://blog.youkuaiyun.com/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码
yolov11模型权重文件
11-20
从github下载的yolov11模型权重文件。从git下载这些文件，速度太慢了，还经常断了又得重新下载。笔者将已下载好的文件整理打包，分享出来，方便大家快捷下载和使用。 https://github.com/ultralytics/ultralytics?tab=readme-ov-file 压缩包内文件列表包括： yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt
yolov11训练权重文件yolo11s.pt
10-13
yolov11训练权重文件yolo11s.pt
YOLOv10训练飞机检测模型+训练权重+数据集
06-28
1、YOLOv10训练飞机检测模型，并包含标注好的飞机检测数据集，标签格式为xml和txt两种，类别名为aeroplane， 2、数据集和检测结果参考：https://blog.youkuaiyun.com/zhiqingAI/article/details/124230743 5、采用pytrch框架，代码是python的
yolov10预训练权重 + 程序
05-29
yolov10的预训练权重，以及yolov10的训练测试程序 。包含yolov10的训练和测试代码和yolov10的官方预训练权重，权重包含yolov10所有预训练权重，文件包含yolov10b.pt、yolov10l.pt、yolov10m.pt、yolov10n.pt、yolov10s.pt、yolov10x.pt、yolov10-main.zip。
YOLOv8改进 | 利用训练好权重文件计算YOLOv8的FPS、推理每张图片的平均时间（科研必备）
Snu77的博客
02-07 9023
本文给大家带来的改进机制是利用我们训练好的权重文件计算FPS，同时打印每张图片所利用的平均时间，模型大小（以MB为单位），同时支持batch_size功能的选择，对于轻量化模型的读者来说，本文的内容对你一定有帮助，可以清晰帮你展示出模型速度性能的提升以及轻量化的效果（模型大小），对于以提高精度为目的的读者本文也能够帮助大家展示出现阶段的模型速度指标。所以本文的内容是十分有用的机制，对于大家发表论文来说，下面的图片为运行后的效果可以看到，该有的指标均已打印（本文内容为我独家创新，全网无第二份）。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Snu77的博客
11-05 5万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
yolov10的几种权重文件
shgg2917的博客
11-09 1310
YOLOv10官网提供的权重文件是训练好的网络各层的权值，这些权值是通过训练集训练出来的。‌一旦网络训练完成，应用时只需加载这些权值，而不再需要原始的训练集。这些权重文件通常基于主流的数据集进行训练，虽然它们在大数据集上表现良好，但在特定的任务中可能需要进行微调以适应不同的数据分布和需求。因此，这些权重文件通常被用作预训练模型，用户可以根据自己的数据集进行进一步的训练，以更快更好地实现网络的训练和适应特定的应用场景‌。GitHub地址：https://github.com/THU-MIG/yolov10。
yolov11 FPS 设置
03-08
### 调整 YOLOv11 模型的帧率（FPS）设置 对于YOLO系列模型，包括YOLOv11，在调整其帧率(FPS)时主要涉及几个方面：优化推理速度、减少预处理时间以及合理配置硬件资源。具体方法如下： #### 修改代码实现加速 为了提高YOLOv11运行效率从而间接提升FPS数值，可以借鉴YOLOv8中的做法[^1]。通过精简不必要的计算过程并优化核心算法逻辑来加快检测速度。 ```python def modify_yolov11_fps(model, target_fps=30): """ Adjust the FPS of a given yolov11 model. Args: model: The pre-trained yolov11 model instance. target_fps(int): Desired frames per second value. Returns: Modified model with adjusted parameters for achieving desired FPS. """ # Optimize inference speed by setting optimal batch size and image resolution optimized_batch_size = calculate_optimal_batch_size(target_fps) input_resolution = determine_input_resolution_based_on_target_fps(target_fps) # Apply changes to the model configuration model.set_batch_size(optimized_batch_size) model.set_image_resolution(input_resolution) return model ``` #### 预处理阶段提速 参照YOLOv5的经验[^2][^3]，降低图像尺寸或简化`letterbox`操作能够有效缩短数据准备所需的时间，进而有助于增加整体系统的FPS表现。需要注意的是，这可能会轻微牺牲一些精度作为代价。 - **缩小输入图片分辨率**：适当减小送入网络层之前的原始图象尺度可以在不影响太多识别准确性的情况下显著改善吞吐量。 - **优化`letterbox`函数**：此步骤用于保持原比例填充空白区域以适应神经网路固定的输入规格；对其进行针对性改进可进一步节省开销。 #### 利用多线程或多GPU环境部署 如果条件允许的话，还可以考虑采用分布式训练框架或者利用多个图形处理器(GPU)，使得单次迭代所耗时间大幅缩减，最终反映在更高的FPS上。 ---
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值