YOLO11训练本身的数据集（吸烟、跌倒举动检测）

前言

   

• 由于本人水平有限，难免出现错漏，敬请批评改正。
  
• 更多出色内容，可点击进入Python日常小操纵专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看
  
• 基于DETR的人脸伪装检测
  
• YOLOv7训练本身的数据集（口罩检测）
  
• YOLOv8训练本身的数据集（足球检测）
  
• YOLOv10训练本身的数据集（交通标志检测）
  
• YOLO11训练本身的数据集（吸烟、跌倒举动检测）
  
• YOLOv5：TensorRT加速YOLOv5模子推理
  
• YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
  
• 玩转Jetson Nano（五）：TensorRT加速YOLOv5目的检测
  
• YOLOv5：添加SE、CBAM、CoordAtt、ECA注意力机制
  
• YOLOv5：yolov5s.yaml配置文件解读、增加小目的检测层
  
• Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
  
• YOLOv5：利用7.0版本训练本身的实例分割模子（车辆、行人、路标、车道线等实例分割）
  
• 利用Kaggle GPU资源免费体验Stable Diffusion开源项目
  

  相关先容

   

• YOLO11是Ultralytics YOLO系列实时目的探测器的最新版本，重新定义了具有尖端精度，速度和效率的可能性。在从前的YOLO版本令人印象深刻的进步的根本上，YOLO11引入了架构和训练方法的庞大改进，使其成为广泛的计算机视觉任务的通用选择。
  
• [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
  
  
  
  • 加强的特性提取:YOLO11接纳了改进的骨干和颈部架构，加强了特性提取能力，以实现更精确的目的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均衡。
    
  • 更少参数的更高精度:随着模子设计的进步，YOLO11m在利用COCO数据集时实现了更高的均匀均匀精度(mAP)。
    
  
  

  前提条件

   

• 熟悉Python
  

  实验环境

1. torch==2.0.1
2. torchvision==0.15.2
3. onnx==1.14.0
4. onnxruntime==1.15.1
5. pycocotools==2.0.7
6. PyYAML==6.0.1
7. scipy==1.13.0
8. onnxsim==0.4.36
9. onnxruntime-gpu==1.18.0
10. gradio==4.31.5
11. opencv-python==4.9.0.80
12. psutil==5.9.8
13. py-cpuinfo==9.0.0
14. huggingface-hub==0.23.2
15. safetensors==0.4.3

复制代码

安装环境

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

复制代码

项目地址

   

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

  Linux

1. git clone https://github.com/ultralytics/ultralytics.git
3. cd ultralytics
4. # conda create -n yolo11 python=3.9
5. # conda activate yolo11
6. pip install -r requirements.txt
7. pip install -e .

复制代码

1. Cloning into 'ultralytics'...
2. remote: Enumerating objects: 4583, done.
3. remote: Counting objects: 100% (4583/4583), done.
4. remote: Compressing objects: 100% (1270/1270), done.
5. remote: Total 4583 (delta 2981), reused 4576 (delta 2979), pack-reused 0
6. Receiving objects: 100% (4583/4583), 23.95 MiB | 1.55 MiB/s, done.
7. Resolving deltas: 100% (2981/2981), done.

复制代码

Windows

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

1. cd yolov10
2. # conda create -n yolo11 python=3.9
3. # conda activate yolo11
4. pip install -r requirements.txt
5. pip install -e .

复制代码

利用YOLO11训练本身的数据集进行吸烟、跌倒举动检测

准备数据

   本文所利用数据集下载地址：https://download.csdn.net/download/FriendshipTang/89862078
  

进行训练

1. yolo train model=yolo11n.pt data=../datasets/Smoke-Fall-YOLO-datasets/smoke_fall.yaml epochs=100 batch=16 imgsz=640 device=0 workers=0

复制代码

进行预测

1. yolo predict model=runs\detect\train\weights\best.pt source=test_imgs/

复制代码

进行验证

1. yolo detect val data=../datasets/Smoke-Fall-YOLO-datasets/smoke_fall.yaml model=runs\detect\train\weights\best.pt batch=16 imgsz=640 device=0

复制代码

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/
   

• 由于本人水平有限，难免出现错漏，敬请批评改正。
  
• 更多出色内容，可点击进入Python日常小操纵专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看
  
• 基于DETR的人脸伪装检测
  
• YOLOv7训练本身的数据集（口罩检测）
  
• YOLOv8训练本身的数据集（足球检测）
  
• YOLOv10训练本身的数据集（交通标志检测）
  
• YOLO11训练本身的数据集（吸烟、跌倒举动检测）
  
• YOLOv5：TensorRT加速YOLOv5模子推理
  
• YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
  
• 玩转Jetson Nano（五）：TensorRT加速YOLOv5目的检测
  
• YOLOv5：添加SE、CBAM、CoordAtt、ECA注意力机制
  
• YOLOv5：yolov5s.yaml配置文件解读、增加小目的检测层
  
• Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
  
• YOLOv5：利用7.0版本训练本身的实例分割模子（车辆、行人、路标、车道线等实例分割）
  
• 利用Kaggle GPU资源免费体验Stable Diffusion开源项目
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。