使用魔搭社区实现YOLO11的训练推理与验证-开发者社区-阿里云

Ultralytics YOLO11来啦！更快！更强！

2024-10-09 1871

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的 Joseph Redmon 和 Ali Farhadi 开发。

YOLO发展历程

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的 Joseph Redmon 和 Ali Farhadi 开发。

目前YOLO11提供两种许可选项，以适应不同的使用情况：

-AGPL-3.0 许可证：这种经 OSI 批准的开源许可证非常适合学生和爱好者使用，可促进开放协作和知识共享。

-企业许可证：该许可证专为商业用途设计，允许将Ultralytics 软件和人工智能模型无缝集成到商业产品和服务中，绕过了AGPL-3.0 的开源要求。

模型性能

Ultralytics YOLO11，作为新的SOTA模型，不仅继承了之前YOLO系列的优势，还引入了创新特性和改进，提升了性能和灵活性。它以快速、精准、易用为特点，成为处理目标检测、跟踪、实例分割、图像分类和姿态估计等多种视觉任务的理想选择。

最佳实践

我们使用魔搭社区免费算力（GPU）体验YOLO11，希望能够帮助您充分利用 YOLO11。

模型链接：

https://modelscope.cn/models/AI-ModelScope/YOLO11

数据集链接：

https://modelscope.cn/datasets/modelscope/coco2017val/

代码链接：

https://github.com/ultralytics/ultralytics/

技术文档：

https://docs.ultralytics.com/

环境安装

安装ultralytics并检查运行环境。

%pip install ultralytics
import ultralytics
ultralytics.checks()

模型推理

在魔搭社区下载模型并推理，YOLO11 可直接在命令行界面 (CLI) 中使用 `yolo` 命令执行各种任务和模式，并接受其他参数，例如 `imgsz=640`。

!modelscope download --model=AI-ModelScope/YOLO11 --local_dir ./ yolo11n.pt
!yolo predict model="/mnt/workspace/yolo11n.pt" source='https://ultralytics.com/images/zidane.jpg'

模型评估

下载COCO数据集，并在COCO数据集的 `val` 或 `test` 分割上验证模型的准确性。

# Download COCO val
!modelscope download --dataset="modelscope/coco2017val" --local_dir ./ coco2017val.zip
!unzip -q coco2017val.zip -d datasets && rm coco2017val.zip  # unzip
!modelscope download --dataset="modelscope/coco2017val" --local_dir ./ coco8.zip
!unzip -q coco8.zip -d datasets && rm coco8.zip  # unzip

# Validate YOLO11n on COCO8 val
!yolo val model="/mnt/workspace/yolo11n.pt" data=coco8.yaml

模型微调

图片来源：https://raw.githubusercontent.com/ultralytics/assets/

安装和使用可视化日志工具TensorBoard

#@title Select YOLO11 🚀 logger {run: 'auto'}
!pip install tensorboard -U
logger = 'TensorBoard' #@param ['Comet', 'TensorBoard']
if logger == 'Comet':
  %pip install -q comet_ml
  import comet_ml; comet_ml.init()
elif logger == 'TensorBoard':
  %load_ext tensorboard
  %tensorboard --logdir ./runs

# Train YOLO11n on COCO8 for 3 epochs
!yolo train model="/mnt/workspace/yolo11n.pt" data=coco8.yaml epochs=3 imgsz=640

模型导出

使用“format”参数将 YOLO11 模型导出为任何支持的格式，例如“format=onnx”或者“format=torchscript”。

!yolo export model="/mnt/workspace/yolo11n.pt" format=torchscript

python体验

YOLO11 采用了 Python 优先原则进行重新设计，从而实现无缝的 Python YOLO 体验。YOLO11 模型可以从经过训练的检查点加载，也可以从头开始创建。如下是使用python来训练、验证、预测和导出模型的示例代码。

from ultralytics import YOLO
# Load a model
model = YOLO('yolo11n.yaml')  # build a new model from scratch
model = YOLO('yolo11n.pt')  # load a pretrained model (recommended for training)
# Use the model
results = model.train(data='coco8.yaml', epochs=3)  # train the model
results = model.val()  # evaluate model performance on the validation set
results = model('https://ultralytics.com/images/bus.jpg')  # predict on an image
results = model.export(format='onnx')  # export the model to ONNX format

任务模型

YOLO11可以在多种视觉任务上训练，评估，推理和导出。

图片来源：https://raw.githubusercontent.com/ultralytics/assets/

检测任务

YOLO11检测模型没有后缀，使用默认的 YOLO11 模型

# Load YOLO11n, train it on COCO128 for 3 epochs and predict an image with it
from ultralytics import YOLO
model = YOLO('yolo11n.pt')  # load a pretrained YOLO11n detection model
model.train(data='coco8.yaml', epochs=3)  # train the model
model('https://ultralytics.com/images/bus.jpg')  # predict on an image

分割任务

# Load YOLO11n-seg, train it on COCO128-seg for 3 epochs and predict an image with it
from ultralytics import YOLO
!modelscope download --model=AI-ModelScope/YOLO11 --local_dir ./ yolo11n-seg.pt
model = YOLO('/mnt/workspace/yolo11n-seg.pt')  # load a pretrained YOLO11n segmentation model
model.train(data='coco8-seg.yaml', epochs=3)  # train the model
model('https://ultralytics.com/images/bus.jpg')  # predict on an image

分类任务

# Load YOLO11n-cls, train it on mnist160 for 3 epochs and predict an image with it
from ultralytics import YOLO
!modelscope download --model=AI-ModelScope/YOLO11 --local_dir ./ yolo11n-cls.pt
model = YOLO('/mnt/workspace/yolo11n-cls.pt')  # load a pretrained YOLO11n classification model
model.train(data='mnist160', epochs=3)  # train the model
model('https://ultralytics.com/images/bus.jpg')  # predict on an image

动作检测任务

# Load YOLO11n-pose, train it on COCO8-pose for 3 epochs and predict an image with it
from ultralytics import YOLO
!modelscope download --model=AI-ModelScope/YOLO11 --local_dir ./ yolo11n-pose.pt
model = YOLO('yolo11n-pose.pt')  # load a pretrained YOLO11n pose model
model.train(data='coco8-pose.yaml', epochs=3)  # train the model
model('https://ultralytics.com/images/bus.jpg')  # predict on an image

定向边界框 (OBB)

# Load YOLOv8n-obb, train it on DOTA8 for 3 epochs and predict an image with it
from ultralytics import YOLO
!modelscope download --model=AI-ModelScope/YOLO11 --local_dir ./ yolo11n-obb.pt
model = YOLO('yolo11n-obb.pt')  # load a pretrained YOLOv8n OBB model
model.train(data='dota8.yaml', epochs=3)  # train the model
model('https://ultralytics.com/images/bus.jpg')  # predict on an image