点击下方卡片，关注“机器视觉与AI深度学习”
视觉/图像重磅干货，第一时间送达!
增强的特征提取：YOLOv11 采用先进的 backbone 和 neck 架构，提高了其提取特征以实现精确对象检测的能力。 优化的效率和速度：该模型拥有精致的架构设计，可实现更快的处理速度，同时保持准确性和性能之间的平衡。 以更少的参数实现更高的准确率：YOLOv11m 在 COCO 数据集上实现了更高的平均精度 （mAP），同时使用的参数比 YOLOv8m 少了 22%，从而提高了计算效率。 跨环境适应性：YOLOv11 可以无缝部署在边缘设备、云平台和带有 NVIDIA GPU 的系统上。
准备自定义数据集
train: ../path/to/train/imagesval: ../path/to/val/images
nc: 1 # Number of classesnames: ['brain_tumor'] # List of class names
训练 YOLOv11 以进行实例分割
第 1 步：设置环境
确保您已安装必要的依赖项。您可以使用以下方法安装 Ultralytics 软件包：
pip install ultralyticsfrom ultralytics import YOLO# Load a pretrained YOLOv11 model for instance segmentationmodel = YOLO("yolo11m-seg.pt")
results = model.train(data="path/to/your/dataset.yaml", epochs=100, imgsz=640)您可以根据数据集和计算资源调整epochs和imgsz参数。
results = model.val()# Run inference on an imageresults = model.predict("path/to/your/test/image.jpg")
YOLOv11 作为强大的实例分割工具脱颖而出，结合了尖端的准确性和效率。按照本文中概述的步骤，您可以在自定义数据集上有效地训练 YOLOv11 模型，并将其功能用于各种应用程序。
—THE END—
觉得有用，麻烦给个赞和在看
