Pytorch - YOLOv11自定义资料训练

►前言

本篇将讲解目前最新推出的YOLOv11搭配Roboflow进行自定义资料标注训练流程，透过Colab上进行实作说明，使大家能够容易的了解YOLOv11的使用。

►YOLO框架下载与导入

►Roboflow的资料收集与标注

进行自定义资料集建置与上传

透过Roboflow工具进行资料标注，最后再将训练资料采用YOLOv11格式输出。

►自定义资料导入

►模型训练

►模型训练结果可视化

►模型训练结果可视化

►小结

透过以上讲解，在Colab上搭配Roboflow进行自定义资料收集与训练，能够更快的进行YOLOv11的模型训练，可以期待下一篇博文吧！

►Q&A

Q1: YOLOv11 有哪些新特性？:

A1: 透过GPU最佳化和架构改进，YOLOv11的训练和推理速度比以往版本快得多，延迟减少高达25%。

Q2:YOLOv11包含哪些模型？

A2: 目标检测模型、实例分割模型、姿态估计模型、旋转边界框模型、影像分类模型。

Q3 : YOLOv8 vs YOLOv11:模型效能比较?

A3:YOLOv11n 在精确度上超越了 YOLOv8n，平均精确度（mAP）为 39.5，而 YOLOv8n 为 37.3，显示 YOLOv11n 在影像中的目标侦测能力更强。

Q4: YOLOv11 是否能够于嵌入端使用?

A4:目前已能够透过tensorRT、 NCNN或TFLite，于嵌入端使用。

Q5: NCNN与tensorRT差异?

A5: NCNN针对CPU效能进行部署与最佳化，记忆体占用率低，提供INT8量化支援。TensorRT针对GPU和CPU优化加速模型推理，支援INT8量化和FP16量化。对于嵌入端提供Nvidia GPU可以透过TensorRT进行加速。

点击此处登录大大通，阅读更多精彩技术内容吧！