Ultralytics:YOLO11使用教程

AI摘要

本文介绍了YOLO11,它是Ultralytics YOLO系列实时目标探测器的最新版本,具有增强的特征提取、优化效率和速度、更少参数更高精度等特性。还说明了使用YOLO11的前提条件、实验和安装环境,详细给出了进行目标检测、实例分割等操作的使用教程。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

前言

相关介绍

  • YOLO11是Ultralytics YOLO系列实时目标探测器的最新版本,重新定义了具有尖端精度,速度和效率的可能性。在以前的YOLO版本令人印象深刻的进步的基础上,YOLO11引入了架构和训练方法的重大改进,使其成为广泛的计算机视觉任务的通用选择。
    在这里插入图片描述

  • [1] YOLO11 源代码地址:https://github.com/ultralytics/ultralytics.git

  • [2] YOLO11 官方文档:https://docs.ultralytics.com/models/yolo11/

  • 关键特性

    • 增强的特征提取:YOLO11采用了改进的骨干和颈部架构,增强了特征提取能力,以实现更精确的目标检测和复杂的任务性能。
    • 优化效率和速度:YOLO11引入了精炼的架构设计和优化的培训管道,提供更快的处理速度,并保持精度和性能之间的最佳平衡。
    • 更少参数的更高精度:随着模型设计的进步,YOLO11m在使用COCO数据集时实现了更高的平均平均精度(mAP)。
  • 支持的任务和模式
    YOLO11建立在YOLOv8中引入的多功能模型范围之上,为各种计算机视觉任务提供增强的支持:
    在这里插入图片描述
    该表提供了YOLO11模型变体的概述,展示了它们在特定任务中的适用性以及与Inference、Validation、Training和Export等操作模式的兼容性。这种灵活性使YOLO11适用于计算机视觉的广泛应用,从实时检测到复杂的分割任务。

  • 表现度量标准:用于衡量某个系统、组织或个人表现的多个标准或指标。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

前提条件

实验环境

torch==2.0.1
torchvision==0.15.2
onnx==1.14.0
onnxruntime==1.15.1
pycocotools==2.0.7
PyYAML==6.0.1
scipy==1.13.0
onnxsim==0.4.36
onnxruntime-gpu==1.18.0
gradio==4.31.5
opencv-python==4.9.0.80
psutil==5.9.8
py-cpuinfo==9.0.0
huggingface-hub==0.23.2
safetensors==0.4.3

安装环境

pip install ultralytics
# 或者
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple # 国内清华源,下载速度更快

在这里插入图片描述

在这里插入图片描述

项目地址

Linux

git clone https://github.com/ultralytics/ultralytics.git

cd ultralytics
# conda create -n yolo11 python=3.9
# conda activate yolo11
pip install -r requirements.txt
pip install -e .
Cloning into 'ultralytics'...
remote: Enumerating objects: 4583, done.
remote: Counting objects: 100% (4583/4583), done.
remote: Compressing objects: 100% (1270/1270), done.
remote: Total 4583 (delta 2981), reused 4576 (delta 2979), pack-reused 0
Receiving objects: 100% (4583/4583), 23.95 MiB | 1.55 MiB/s, done.
Resolving deltas: 100% (2981/2981), done.

Windows

请到https://github.com/ultralytics/ultralytics.git网站下载源代码zip压缩包。

cd yolov10
# conda create -n yolo11 python=3.9
# conda activate yolo11
pip install -r requirements.txt
pip install -e .

YOLO11使用教程

在这里插入图片描述
在这里插入图片描述在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

进行目标检测

yolo predict model=yolo11n.pt source=test_imgs/

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

进行实例分割

yolo predict model=yolo11n-seg.pt source=test_imgs/

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

进行姿势估计

yolo predict model=yolo11n-pose.pt source=test_imgs/

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

进行旋转框检测

yolo predict model=yolo11n-obb.pt source=test_imgs/

在这里插入图片描述
在这里插入图片描述

进行图像分类

yolo predict model=yolo11n-cls.pt source=test_imgs/

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

参考文献

[1] YOLO11 源代码地址:https://github.com/ultralytics/ultralytics.git
[2] YOLO11 官方文档:https://docs.ultralytics.com/models/yolo11/

来了,使用YOLOv11目标检测教程 *更少的参数,更高的准确度:**YOLO11m 在 COCO 数据集上实现了比 YOLOv8m 更高的 mAP,参数减少了 22%,提高了计算效率,同时不牺牲准确度。**注意:**在训练模型时,回顾 Ultralytics 文档中“训练设置”部分的参数是有益的。**增强的特征提取:**YOLO11 使用改进的主干和颈部架构来增强特征提取,以实现更精确的目标检测和复杂任务的性能。**针对效率和速度优化:**精细的架构设计和优化的训练流程在保持准确性和性能之间最佳平衡的同时,提供更快的处理速度。 阅读详情

相关推荐

YOLO目标检测实战教程:从环境安装到自定义数据集训练全流程

目标检测是计算机视觉的核心任务之一,旨在定位并分类图像或视频中的物体。YOLO全称You Only Look Once,是一种将检测转化为回归问题的单阶段算法,凭借一次前向推理同时完成位置与类别预测,在速度、部署便捷性和训练成本上优势显著,成为工程落地与新手入门的常见选择。在工业质检、智能安防、无人零售等场景中,预训练模型可快速实现通用目标识别,而垂直领域应用则需要基于自建数据集进行模型训练与调优。本文面向零基础学习者,系统梳理了从Python虚拟环境搭建、PyTorch安装、官方权重推理,到自定义数据集标

weixin_29095049的博客 291

YOLO11全解析:从原理到实战,全流程体验下一代目标检测

YOLO11作为这YOLO系列的最新力作,无疑将目标检测算法推向了一个新的高度。YOLO11在2024年9月30日的YOLOVision活动中正式发布了,这一新版本不仅在性能上有了显著提升,还在功能多样性上迈出了重要一步。YOLO11是由Ultralytics团队于2024年9月30日发布的,它是YOLO(You Only Look Once)系列中的最新成员。YOLO11在之前版本的YOLO基础上引入了新功能和改进,以进一步提高性能和灵活性。

Coovally_AI的博客 2万+

YOLOv11来了,使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)

YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布, 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进,以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用,使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 28万+

YOLO11来啦 | 详细解读YOLO11的改进模块!

2024年可谓是YOLO历史性的一年,9月份的最后一天迎来了YOLO2024年的第三部巨作。2024年2月21日,继 2023 年 1 月 YOLOv8 正式发布一年多以后,YOLOv9 才终于到来了!YOLOv9提出了可编程梯度信息(Programmable Gradient Information,PGI)的概念,我们可以用它来获取完整的信息,从而使从头开始训练的模型能够比使用大型数据集预训练的 SOTA 模型获得更好的结果。

qq_40716944的博客 1万+

YOLOv11通俗易懂!| YOLOv11网络结构解读 、yolov11.yaml配置文件详细解读与说明、模型训练参数详细解析 | 入门必看系列!

YOLOv11是由Ultralytics公司开发的新一代目标检测算法,它在之前YOLO版本的基础上进行了显著的架构和训练方法改进。整合了改进的模型结构设计增强的特征提取技术和优化的训练方法。真正让YOLO11脱颖而出的是它令人印象深刻的速度准确性和效率的结合,使其成为Ultralytics迄今为止创造的最强大的型号之一。通过改进设计,YOLO11提供了更好的特征提取,这是从图像中识别重要模式和细节的过程,即使在具有挑战性的场景中,也可以更准确地捕捉复杂的方面。

Ai缝合怪、助力小伙伴高效发论文 5万+

Speedtree学习笔记(案例)——拥有多种材质的植物如何导入使用(以草为例)

注:Speedtree无论保存还是导入模型其存储路径不可有中文。 第一步拆分草的模型 根据所需的材质去拆分(例:假若草的果实,茎秆和叶子是不同的材质那么就需拆分为三份;假若画的全部颜色及材质一样就没有必要去拆分模型) 第二步导入草的模型 在Mesh面板中依次导入草的模型——Do nothing additional right now 第三步扩大草的生长区域范围(可省略)...

L人青的博客 5726

YOLO11镜像使用教程:快速部署ultralytics环境,轻松运行训练脚本

本文介绍了如何在星图GPU平台上自动化部署YOLO11镜像,快速搭建完整的ultralytics深度学习环境。用户无需手动配置复杂的Python、PyTorch及CUDA依赖,即可直接运行目标检测模型的训练脚本,轻松应用于安防监控、自动驾驶等场景下的实时物体识别任务。

weixin_34163588的博客 231

虚拟机安装Centos8.5

Centos8.5

weixin_63604047的博客 965

YOLO11环境部署教程:ultralytics-8.3.9快速上手指南

本文介绍了如何在星图GPU平台上自动化部署YOLO11环境镜像,快速搭建目标检测开发环境。该预置镜像开箱即用,集成了所有必要依赖,用户可免去繁琐配置,直接用于图片或视频中的目标识别与检测任务,显著提升AI视觉项目的开发效率。

weixin_42522857的博客 650

从Verilog到GDS:手把手教你搞定Calibre LVS物理验证(附常见报错解决)

本文详细介绍了从Verilog到GDS的Calibre LVS物理验证全流程,包括工具链配置、RTL到SPICE网表转换、LVS运行配置及高级技巧。重点解析了常见报错如网络不匹配、器件不匹配和电源引脚缺失的解决方案,帮助工程师高效完成芯片物理验证,确保设计正确性。

culing2941的博客 511

ADS 使用教程(一)Workspace, Library and Cell

简要介绍ADS的基本内容

Dirge19的博客 6636

YOLO11自定义数据集训练教程_基于ultralytics-8.3.253_2026版

本文以 Ultralytics 8.3.253 源码版本为基础,重新整理 YOLO11 自定义目标检测数据集训练流程。文章从版本固定、数据采集、标注规范、目录整理、Windows 环境安装、数据集 YAML 配置、CLI 与 Python 两种训练方式、预测验证、结果查看、模型导出和常见问题排查几个角度展开。重点不是介绍 YOLO11 的理论细节,而是让读者能够在自己的电脑上把数据集跑通,并为后续 YOLO11 改进、部署和项目实战文章打好统一代码基础。

weixin_53223865的博客 602

UE4_后期处理六—夜视仪、扫描线

观察下面一组蓝图节点的效果:当把角色的自定义深度通道开启:画面效果如图:这样我们就得到了一个这样的黑白蒙版。

Growthofnotes的博客 1734

YOLOv11来了 | 自定义目标检测

点击下方卡片,关注“小白玩转Python”公众号概述YOLO11 在 2024 年 9 月 27 日的 YOLO Vision 2024 活动中宣布:https://www.youtube.com/watch?v=rfI5vOo3-_A。YOLO11 是 Ultralytics YOLO 系列的最新版本,结合了尖端的准确性、速度和效率,用于目标检测、分割、分类、定向边界框和姿态估计。与 YOLOv...

Warmer_Sweeter 5177

MIMO-OFDM通信系统性能仿真及MATLAB实现

将MIMO和OFDM技术结合起来,可以充分利用两者的优点,进一步提高无线通信系统的性能。在MIMO-OFDM系统中,多个天线同时发射多个子载波,称为多天线多载波(MIMO-OFDM)系统。随着无线通信技术的不断发展,MIMO-OFDM技术因其高效、可靠和适应性等优点已被广泛应用于新一代通信系统中。本篇文章旨在介绍MIMO-OFDM通信系统的基本原理及其性能评估方法,并结合MATLAB提供相关代码实现。本篇文章介绍了MIMO-OFDM通信系统的基本原理和性能评估方法,并结合MATLAB提供了相关的实现代码。

学习使你进步。 2220

YOLOv8 置信度阈值 (conf) 和 IoU 阈值 (iou) 详解:如何平衡漏检与误检?

摘要 本文深入探讨了YOLOv8目标检测模型中两个关键参数——置信度阈值(conf)和IoU阈值(iou)的核心作用。文章从目标检测的基础概念出发,解释了置信度分数反映模型预测可靠性,IoU衡量预测框重叠程度。重点剖析了非极大值抑制(NMS)机制如何通过这两个阈值进行预测框筛选:置信度阈值作为初筛门槛,IoU阈值决定重叠框的取舍。通过生动比喻和可视化图表,阐述了合理调节这两个参数能有效平衡误检与漏检问题,是优化YOLOv8模型实际表现的重要技巧。全文以实践为导向,帮助开发者掌握成为"调参大师&qu

深耕 Vue 生态与 JS/TS 技术,聚焦组件封装、响应式原理、TS 类型设计,解析工程化配置与性能优化方案。同时分享 YOLOv8 目标检测实战、AI 大模型面试核心考点,以代码实例拆解技术实现与业务解法。 1264

YOLO11预训练模型下载与加载全教程

本文介绍了如何在星图GPU平台上自动化部署YOLO11镜像,快速实现目标检测任务。通过预置的Ultralytics环境,用户可一键下载并加载yolo11n.pt等预训练模型,典型应用于图像中车辆、行人等对象的实时检测与定位,显著提升AI视觉应用开发效率。

weixin_42579969的博客 2970

10、智慧变电站 - 加载vue大屏元素(整体效果)

这一篇文章非常简单,但是也非常出效果阅读前面几篇文章,都可以看到有顶部、左侧、右侧的面板,主要我不会录gif图片,大屏元素面板还有一些动态加载的效果。 vue的transition标签 Vue 提供了 transition 的封装组件,可以给任何元素和组件添加进入/离开过渡;在进入/离开的过渡中,会有 6 个 class 切换:v-enter 、v-enter-active 、v-enter-to 、v-leave 、v-leave-active 、v-leave-to。我们正好使用这个特性来达到面板进入

github_39988036的博客 1042

YOLOv11理论基础 | 自定义目标检测

点击下方卡片,关注“小白玩转Python”公众号概述YOLO11 在 2024 年 9 月 27 日的 YOLO Vision 2024 活动中宣布:https://www.youtube.com/watch?v=rfI5vOo3-_A。YOLO11 是 Ultralytics YOLO 系列的最新版本,结合了尖端的准确性、速度和效率,用于目标检测、分割、分类、定向边界框和姿态估计。与 YOLOv...

Warmer_Sweeter 1266

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

YOLO11 实例分割模型做行人分割

点击上方“小白学视觉”,选择加"星标"或“置顶”重磅干货,第一时间送达本文教程将一起学习如何利用 YOLO11 分割模型在图像中准确隔离和识别人物。YOLO11 实例分割模型在 Unsplash 图片上的结果引言实例分割是检测和隔离图像中单个对象的关键技术,YOLO11 是执行这项任务的最佳模型之一。在本文中,你将学习如何使用 YOLO11 分割模型有效地在图像中分割人物。我们将涵盖从设置 Pyt...

小白学视觉 370

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

2026最新保姆级教程:Windows 下使用uv极速配置YOLO11 GPU环境(告别Conda,自动管理CUDA)

本文详细介绍了在Windows系统下使用uv工具配置YOLOv11环境的完整流程。主要内容包括:1)检查并安装NVIDIA显卡驱动;2)使用uv创建Python 3.10项目环境;3)安装GPU版本的PyTorch(指定CUDA 12.4版本);4)安装Ultralytics包;5)通过测试脚本验证环境配置。文中特别强调了驱动选择和CUDA版本匹配的重要性,并提供了详细的命令行操作步骤和预期输出结果。该指南适用于2026年最新版本的YOLOv11环境配置,帮助开发者快速搭建GPU加速的计算机视觉开发环境。

2401_86720553的博客 2134

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

YOLO26环境搭建教程

本教程基于实机验证,详述在Windows 11环境下搭建YOLO26运行环境的完整流程。全程零报错,可复现。

RanWen_的博客 415

YOLO11训练可视化:预测结果实时展示教程

本文介绍了如何在星图GPU平台上自动化部署YOLO11镜像,实现目标检测训练过程的实时可视化。通过开箱即用的环境,用户可即时查看每轮验证生成的带标签预测框图像,广泛应用于安全帽检测、工业质检等典型场景,显著提升模型调试效率与训练可控性。

weixin_36213081的博客 470

YOLO11 自定义目标检测训练实战:从 COCO 预训练推理到模型验证

这篇教程根据我复现 YOLO11 自定义目标检测训练流程时整理,重点覆盖环境检查、预训练模型推理、自定义数据训练、训练结果查看、验证和测试集推理。 如果你想快速把自己的检测数据接入 YOLO11,这篇可以作为最小可跑通流程:先确认预训练模型能正常推理,再切换到自定义数据集训练。

cver123的博客 220

YOLO11结果可视化教程,图表一键生成

本文介绍了如何在星图GPU平台上自动化部署YOLO11镜像,快速生成专业级目标检测可视化报告。通过预置环境中的Jupyter或SSH命令,用户可一键绘制训练曲线、拼接检测效果图、生成混淆矩阵等,广泛应用于智能安防、工业质检等场景,显著提升模型分析与交付效率。

weixin_33193177的博客 312

YOLO11实时检测实战:RTSP视频流处理教程

本文介绍了如何在星图GPU平台上自动化部署YOLO11镜像,实现RTSP视频流的实时目标检测。通过预置CUDA、PyTorch与Ultralytics环境,用户可快速接入海康、大华等IPC摄像头,应用于智能安防、交通监控与工业巡检等典型场景,显著降低视觉AI工程化门槛。

weixin_30205153的博客 496
上一篇: YOLO11训练自己的数据集(吸烟、跌倒行为检测)
下一篇: 基于Transformer的诗句生成
FriendshipT
FriendshipT 优质创作者: 人工智能技术领域 优质创作者: 人工智能技术领域
博客等级 码龄8年 4万+粉丝 491原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

FriendshipT

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
⌂ 换网址