前言

本教程内含YOLOv11网络结构图+训练教程+推理教程+数据集获取等有关的内容~

项目地址

YOLO11是Ultralytics YOLO系列实时目标检测器的最新迭代版本，它以尖端的准确性、速度和效率重新定义了可能实现的性能。在之前YOLO版本取得的显著进步基础上，YOLO11在架构和训练方法上进行了重大改进，使其成为各种计算机视觉任务中的通用选择。
Yolo11官方Github链接: Yolo11

项目内容：

网络模型结构

性能测试

官方给出的测试数据：

任务描述

以下为YOLO11支持的计算机视觉任务：

• 目标检测
• 实例分割
• 图像分类
• 姿态估计（关键点检测）
• 旋转框检测（OBB）
• 目标跟踪

任务内容

不要担心，看一下官方测试代码，发现跟YOLOv8 几乎一致，只是改了一个名字，可以认为是YOLOv8的魔改升级的最新版本，官方也是这么说的：

1. 与前代版本相比，YOLOv11的最大亮点在于其更新的模型结构。官方提供的指令显示，对于已经掌握YOLOv8的用户，切换到YOLOv11几乎不需要任何额外的学习，只需根据新的模型名称进行小范围调整。这样极大的便利性使得项目迭代变得从容不迫，开发者可以快速适应新版本，提升相应的应用效果。同时，YOLOv11对老版本模型的兼容性进一步增强，使得用户可在现有训练框架下灵活运用新技术。

2. 安装YOLOv11的过程相对简单，开发者只需从其GitHub页面下载最新的源码，并按照指南进行模型预测的命令行测试。具体步骤包括运行模型并下载YOLOv11的权重文件，以及将模型导出为ONNX格式，方便在不同平台间使用。这一灵活的方法不仅优化了开发流程，还为后续的集成提供了基石。

项目运行

yolo predict model=yolo11n.pt source=zidane.jpg

然后导出成ONNX格式，看一下输入与输出格式：

yolo export model=yolo11n.pt format=onnx

打开Onnx模型的文件，查看网络结构和输入输出大小：

模型训练

1. 免费数据集网站Roboflow，—键导出Voc、coco、Yolo、Csv等格式。
   随便下载了一个数据集用它导出YOLO的数据集，自动给转换成txt的格式，yaml文件也已经配置好了，直接用就可以。

2. 模型下载，就是在上面的链接，即训练代码链接，下载代码即可

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

3. 训练代码，train.py如下：

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
 
if __name__ == '__main__':
    model = YOLO(r'xxx\yolo\yolov11\ultralytics-main\datasets\yolo11.yaml') # 地址改成自己的
    model.train(data=r'xxx\yolo\yolov11\ultralytics-main\datasets\data.yaml',
                cache=False,
                imgsz=640,
                epochs=100,
                single_cls=False,  # 是否是单类别检测
                batch=8,
                close_mosaic=10,
                workers=0,
                device='0',
                optimizer='SGD',
                amp=True,
                project='runs/train',
                name='exp',
                )

可以说，只要你会YOLOv8从训练到部署，切换到YOLOv11，只需要改个几个数字就好啦！其它基本不用管。

参考链接：

1. link
2. link