强化学习曾小健

准备数据集：确保数据集采用YOLO 格式。有关指导，请参阅我们的《数据集指南》。加载模型：使用Ultralytics YOLO 库加载预训练模型或从 YAML 文件创建新模型。培训模型:执行trainPython 中的CLI 中的命令。示例PythonCLI有关详细配置选项，请访问配置页面。

此外，YOLOv11相比于YOLOv8模型，在网络规模、深度、宽度和输出通道数配置比例上有所改变，虽然层数增多，但参数量和FLOPs（浮点运算次数）却有所减少，这表明YOLOv11在保持高效检测能力的同时，也优化了计算资源的使用。YOLOv11是YOLO系列中的一个最新模型，其网络架构相较于之前的版本有了一些重要的更新和改进。YOLOv11通过这些架构上的改进，实现了更高的检测精度和更快的处理速度，使其成为当前实时目标检测任务中的一个强大工具。这种方法不仅简化了计算过程，还减少了模型的参数量和计算量。

YOLOv8的优点强大的实时检测能力。灵活的架构设计，支持多种尺寸的模型选择。通过无锚点设计和解耦头部结构提高了检测速度和准确性。YOLOv8的缺点在某些复杂场景下可能不如YOLOv11高效。计算资源需求相对较高，尤其是在GPU上。YOLOv11的优点在精度和速度上都有显著提升，特别是在CPU上的表现更加出色。引入了新的模块和机制，如C2PSA和DCNv4卷积，进一步增强了模型的适应性和鲁棒性。YOLOv11的缺点在GPU上的执行速度可能不如YOLOv8快。

参考文献：用于微小目标检测的上下文增强和特征细化网络可以很清楚的看到，YOLOv7大部分继承自YOLOv5，包括整体网络架构、配置文件的设置和训练、推理、验证过程等等，基本上熟悉v5就可以无脑上手v7了；此外，v7也有不少继承自YOLOR，毕竟是同一个作者前后年的工作，包括不同网络的设计、超参数设置以及隐性知识学习的加入；还有就是在正样本匹配时仿照了YOLOX的SimOTA策略。

目标检测算法一般有两部分组成： 一个是在ImageNet预训练的骨架（backbone）， 另一个是用来预测对象类别和边界框的头部。 对于在GPU平台上运行的检测器，其骨干可以是VGG [68]，ResNet [26]，ResNeXt [86]或DenseNet [30]。对于在CPU平台上运行的检测器，其主干可以是SqueezeNet [31]，MobileNet [28、66、27、74]或ShuffleNet [97、53]。对于头部，通常分为两

以下文章来源于思源数据科学 ，作者思源Source编辑：seefunUltralytics在 YOLO Vision 2024 活动上宣布发布其新的计算机视觉模型 YOLO11。速度更快、更准确。模型已于今日开源。Homepage:Github:YOLO11YOLO11标志着YOLO家族的新篇章，提供了更强大，更多功能的模型，将计算机视觉带到新的高度。凭借其完善的架构和增强的功能，该模型支持计算机视觉任务，如姿态估计和实例分割，视觉AI社区已经爱上了UltralyticsYOLOv8，但具有。

YOLO是“You Only Look Once”的简称，它虽然不是最精确的算法，但在精确度和速度之间选择的折中，效果也是相当不错。YOLOv3借鉴了YOLOv1和YOLOv2，虽然没有太多的创新点，但在保持YOLO家族速度的优势的同时，提升了检测精度，尤其对于小物体的检测能力。YOLOv3算法使用一个单独神经网络作用在图像上，将图像划分多个区域并且预测边界框和每个区域的概率。

1.YOLO在卷积层后接全连接层，即检测时只利用了最高层Feature maps（包括Faster RCNN也是如此）而SSD采用金字塔结构，即利用了conv4-3/fc7/conv6-2/conv7-2/conv8_2/conv9_2这些大小不同的feature maps，在多个feature maps上同时进行softmax分类和位置回归2.SSD还加入了Prior box。

SSD的loss中，不同类别的分类器是softmax，最终检测目标的类别只能是一类。而在yolo-v3中，例如对于80类的coco数据集，对于类别进行判断是80个logistic分类器，只要输出大于设置的阈值，则都是物体的类别，物体同时可以属于多类，例如一个物体同时是person和woman。Backbone network。ssd原版的基础网络就是VGG19，也可以用mobile-net、resnet等。yolo-v3的基础网络是作者自己设计的darknet-53（因为具有53个卷积层），借鉴了res

Yolov4在Yolov3的基础上进行了很多的创新。比如输入端采用mosaic数据增强，Backbone上采用了CSPDarknet53、Mish激活函数、Dropblock等方式，Neck中采用了SPP、FPN+PAN的结构，输出端则采用CIOU_Loss、DIOU_nms操作。因此Yolov4对Yolov3的各个部分都进行了很多的整合创新，对于YOLOV5，无论是V5s，V5m，V5l还是V5x其Backbone，Neck和output一致。唯一的区别在与模型的深度和宽度设置。Yolo

论文介绍了一种新的开放集目标检测和发现（OSODD）任务，并提出了一种OSR-ViT框架来解决这个任务。该任务要求模型能够准确检测和标识所有感兴趣的目标，包括已知类别（ID）和未知类别（OOD）的目标。提出了OSR-ViT框架，通过组合建议网络和ViT模型，实现了在OSODD任务上卓越的性能。引入了证据理论和对比学习模块，定义了EOD的损失函数，通过模型的对比学习和证据获取来提高类别分离性能。，利用证据深度学习理论来近似分类分布参数的贝叶斯先验，通过任务特定的自定义框架来提高实际性能。和Edge两个版本。

In this report, we present some experienced improvements to YOLO series, forming a new high-performance detector -- YOLOX.We switch the YOLO detector to an anchor-free manner and conduct other advanced detection techniques, i.e.,a decoupled head andt

SSD（Single Shot Multibox Detector，单次多框检测器）SSD算法在传统的基础网络（比如VGG）后添加了5个特征图尺寸依次减小的卷积层，对5个特征图的输入分别采用2个不同的3*3的卷积核进行卷积，一个输出分类用的置信度，每个default box生成21个类别的置信度； 一个输出回归用的localization，每个default box（默认框）生成4个坐标值，最后将5个特征图上的结果合并（Contact），送入loss层。其中，Default box的选择.

parent# Classesnames:0: person1: bicycle2: car5: bus6: train7: truck8: boat13: bench14: bird15: cat16: dog17: horse18: sheep19: cow21: bear22: zebra27: tie30: skis33: kite39: bottle41: cup42: fork43: knife44: spoon45: bowl。