【详细教程】如何使用YOLOv11进行图像与视频的目标检测

news2024/11/26 18:42:44

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【基于深度学习的太阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

目录

  • 如何使用YOLOv11进行目标检测
  • 介绍
  • YOLOv11关键创新
  • 如何将YOLOv 11用于图像检测
    • 步骤1：安装必要的库
    • 步骤2：导入库
    • 步骤3：选择模型型号
    • 步骤4：编写一个函数来预测和检测图像中的对象
    • 步骤5：使用YOLOv11检测图像中的对象
    • 步骤6：保存并绘制结果图像
    • 完整代码：
  • 如何将YOLOv11用于视频检测
    • 步骤1：安装必要的库
    • 步骤2和3：导入库与模型
    • 步骤4：创建Videowriter以保存视频的结果
    • 步骤5：使用YOLOv 11检测视频中的对象
    • 完整代码
  • 结论

如何使用YOLOv11进行目标检测

img

介绍

继YOLOv 8、YOLOv 9和YOLOv10之后，最近刚发布了最新的YOLOv11！这一新的迭代不仅建立在其版本的优势之上，而且还引入了几个突破性的增强功能，为目标检测和计算机视觉设定了新的基准。

与以前的版本一样，YOLOv 11擅长检测、分类和定位图像和视频中的对象。然而，它更进一步，通过整合显著的增强功能，提高了跨多个用例的性能和适应性。让我们来看看使YOLOv 11在该系列中脱颖而出的关键增强功能。

YOLOv11关键创新

  1. 增强的特征提取：
    YOLOv11使用改进的主干和颈部架构，显著提高了特征提取能力。这导致更准确的物体检测和更轻松地处理复杂视觉任务的能力。
  2. 针对效率和速度进行了优化：
    凭借精致的架构设计和优化的训练管道，YOLOv11在保持高精度的同时提供更快的处理速度。这种平衡确保了YOLOv11是实时和大规模应用的理想选择。
  3. 更高的精度，更少的参数：
    YOLOv11m是YOLOv11的一个中等大小的变体，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22%。这种改进使其在不影响性能的情况下提高了计算效率。
  4. 跨环境的适应性：
    无论是部署在边缘设备、云平台还是由NVIDIA GPU驱动的系统上，YOLOv11都能为各种部署场景提供最大的灵活性。
  5. 广泛的支持任务：
    YOLOv 11将其功能扩展到传统的对象检测之外，以支持实例分割，图像分类，姿态估计和面向对象检测（OBB）。这种多功能性使其成为应对各种计算机视觉挑战的强大工具。

这些增强功能的集成使YOLOv 11成为尖端计算机视觉应用的强大引擎。请继续关注，我们将探索YOLOv 11如何突破这个动态领域的可能界限！

如何将YOLOv 11用于图像检测

步骤1：安装必要的库

pip install opencv-python ultralytics

步骤2：导入库

import cv2
from ultralytics import YOLO

步骤3：选择模型型号

model = YOLO("yolo11x.pt")

在这个网站上，您可以比较不同的模型，并权衡各自的优点和缺点。在这种情况下，我们选择yolov11x.pt。

步骤4：编写一个函数来预测和检测图像中的对象

def predict(chosen_model, img, classes=[], conf=0.5):
    if classes:
        results = chosen_model.predict(img, classes=classes, conf=conf)
    else:
        results = chosen_model.predict(img, conf=conf)

    return results

def predict_and_detect(chosen_model, img, classes=[], conf=0.5, rectangle_thickness=2, text_thickness=1):
    results = predict(chosen_model, img, classes, conf=conf)
    for result in results:
        for box in result.boxes:
            cv2.rectangle(img, (int(box.xyxy[0][0]), int(box.xyxy[0][1])),
                          (int(box.xyxy[0][2]), int(box.xyxy[0][3])), (255, 0, 0), rectangle_thickness)
            cv2.putText(img, f"{result.names[int(box.cls[0])]}",
                        (int(box.xyxy[0][0]), int(box.xyxy[0][1]) - 10),
                        cv2.FONT_HERSHEY_PLAIN, 1, (255, 0, 0), text_thickness)
    return img, results

步骤5：使用YOLOv11检测图像中的对象

# read the image
image = cv2.imread("YourImagePath")
result_img, _ = predict_and_detect(model, image, conf=0.5)

步骤6：保存并绘制结果图像

cv2.imshow("Image", result_img)
cv2.imwrite("YourSavePath", result_img)
cv2.waitKey(0)

完整代码：

from ultralytics import YOLO
import cv2

def predict(chosen_model, img, classes=[], conf=0.5):
    if classes:
        results = chosen_model.predict(img, classes=classes, conf=conf)
    else:
        results = chosen_model.predict(img, conf=conf)

    return results


def predict_and_detect(chosen_model, img, classes=[], conf=0.5, rectangle_thickness=2, text_thickness=1):
    results = predict(chosen_model, img, classes, conf=conf)
    for result in results:
        for box in result.boxes:
            cv2.rectangle(img, (int(box.xyxy[0][0]), int(box.xyxy[0][1])),
                          (int(box.xyxy[0][2]), int(box.xyxy[0][3])), (255, 0, 0), rectangle_thickness)
            cv2.putText(img, f"{result.names[int(box.cls[0])]}",
                        (int(box.xyxy[0][0]), int(box.xyxy[0][1]) - 10),
                        cv2.FONT_HERSHEY_PLAIN, 1, (255, 0, 0), text_thickness)
    return img, results

model = YOLO("yolo11x.pt")

# read the image
image = cv2.imread("YourImagePath.png")
result_img, _ = predict_and_detect(model, image, classes=[], conf=0.5)

cv2.imshow("Image", result_img)
cv2.imwrite("YourSavePath.png", result_img)
cv2.waitKey(0)

如何将YOLOv11用于视频检测

步骤1：安装必要的库

pip install opencv-python ultralytics

步骤2和3：导入库与模型

import cv2
from ultralytics import YOLO

model = YOLO("yolo11x.pt")

步骤4：创建Videowriter以保存视频的结果

# defining function for creating a writer (for mp4 videos)
def create_video_writer(video_cap, output_filename):
    # grab the width, height, and fps of the frames in the video stream.
    frame_width = int(video_cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    frame_height = int(video_cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    fps = int(video_cap.get(cv2.CAP_PROP_FPS))
    # initialize the FourCC and a video writer object
    fourcc = cv2.VideoWriter_fourcc(*'MP4V')
    writer = cv2.VideoWriter(output_filename, fourcc, fps,
                             (frame_width, frame_height))
    return writer

步骤5：使用YOLOv 11检测视频中的对象

output_filename = "YourFilename.mp4"

video_path = r"YourVideoPath.mp4"
cap = cv2.VideoCapture(video_path)
writer = create_video_writer(cap, output_filename)
while True:
    success, img = cap.read()
    if not success:
        break
    result_img, _ = predict_and_detect(model, img, classes=[], conf=0.5)
    writer.write(result_img)
    cv2.imshow("Image", result_img)
    
    cv2.waitKey(1)
writer.release()

完整代码

import cv2
from ultralytics import YOLO

def predict(chosen_model, img, classes=[], conf=0.5):
    if classes:
        results = chosen_model.predict(img, classes=classes, conf=conf)
    else:
        results = chosen_model.predict(img, conf=conf)

    return results

def predict_and_detect(chosen_model, img, classes=[], conf=0.5, rectangle_thickness=2, text_thickness=1):
    results = predict(chosen_model, img, classes, conf=conf)
    for result in results:
        for box in result.boxes:
            cv2.rectangle(img, (int(box.xyxy[0][0]), int(box.xyxy[0][1])),
                          (int(box.xyxy[0][2]), int(box.xyxy[0][3])), (255, 0, 0), rectangle_thickness)
            cv2.putText(img, f"{result.names[int(box.cls[0])]}",
                        (int(box.xyxy[0][0]), int(box.xyxy[0][1]) - 10),
                        cv2.FONT_HERSHEY_PLAIN, 1, (255, 0, 0), text_thickness)
    return img, results

# defining function for creating a writer (for mp4 videos)
def create_video_writer(video_cap, output_filename):
    # grab the width, height, and fps of the frames in the video stream.
    frame_width = int(video_cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    frame_height = int(video_cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    fps = int(video_cap.get(cv2.CAP_PROP_FPS))
    # initialize the FourCC and a video writer object
    fourcc = cv2.VideoWriter_fourcc(*'MP4V')
    writer = cv2.VideoWriter(output_filename, fourcc, fps,
                             (frame_width, frame_height))
    return writer

model = YOLO("yolo11x.pt")

output_filename = "YourFilename.mp4"

video_path = r"YourVideoPath.mp4"
cap = cv2.VideoCapture(video_path)
writer = create_video_writer(cap, output_filename)
while True:
    success, img = cap.read()
    if not success:
        break
    result_img, _ = predict_and_detect(model, img, classes=[], conf=0.5)
    writer.write(result_img)
    cv2.imshow("Image", result_img)
    
    cv2.waitKey(1)
writer.release()

结论

在本教程中，我们学习了如何使用YOLOv 11检测图像和视频中的对象。如果你觉得这段代码很有帮助，感谢点赞关注！

关注文末名片G-Z-H：【阿旭算法与机器学习】，发送【开源】可获取更多学习资源

在这里插入图片描述

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2192961.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

m4a怎么转换成mp3？音频转换MP3只需要这6个小工具！

m4a怎么转换成mp3？音频转换MP3只需要这6个小工具！

m4a怎么转换成mp3？M4A和MP3是两种常见的音频格式，M4A通常使用AAC（高级音频编码）进行压缩，提供更高的音质和更小的文件体积，特别适合在Apple设备上使用。而MP3则以其高压缩比和广泛的兼容性著称，…
阅读更多...
TM1618数码管控制芯片使用共阳极数码管过程中的问题和解决办法

TM1618数码管控制芯片使用共阳极数码管过程中的问题和解决办法

控制芯片的基本了解 相比于不用控制芯片的电路：这里带2根电源线和3个信号线，共使用了5根线，但可以控制4个8段数码管显示。若是电路直接控制4个8段数码管需要84113个接口，这对于MCU的珍贵引脚简直是浪费。 这里不会出现余晖效应也…
阅读更多...
大花蔷薇T2T基因组-60

大花蔷薇T2T基因组-60

Multi-omics analyzes of Rosa gigantea illuminate tea scent biosynthesis and release mechanisms 多组学分析揭示了大花蔷薇茶香合成及释放机制 摘要 玫瑰是一种全球广泛栽培的重要观赏作物，用于香水生产。然而，由于缺乏茶玫瑰的参考基因组&#x…
阅读更多...
鸿蒙开发（NEXT/API 12）【穿戴设备传感器获取】手机侧应用开发

鸿蒙开发（NEXT/API 12）【穿戴设备传感器获取】手机侧应用开发

手机侧应用可以通过Wear Engine获取穿戴设备上的传感器信息，并通过打开、关闭命令控制获取传感器数据。 使用传感器相关接口前，需要向手机侧用户申请获取对应权限的授权 传感器类型申请权限ECG、PPG、HR[HEALTH_SENSOR]人体传感器ACC、GYRO、MAG[MOTIO…
阅读更多...
汇编DEBUG程序调用

汇编DEBUG程序调用

工具 系统：Windows 11 应用：DOSBox 0.74-3 下载安装教程：本人写的《DOSBox下载安装（Windows系统 DOSBox 0.74-3）》 https://blog.csdn.net/just_do_it_sq/article/details/142715182?spm1001.2014.3001.5501 相关文…
阅读更多...
C++ 算法学习——1.3 深度优先搜索

C++ 算法学习——1.3 深度优先搜索

深度优先搜索：简单讲就是搜到某条路尽头，再掉头回溯搜其他的路。此中重点是尽头的判断，和对走过的路进行标记。 一般采用递归的写法，模板大致如下： DFS(node,visited):if node is in visited:returnadd node to visi…
阅读更多...
通用mybatis-plus查询封装(QueryGenerator)

通用mybatis-plus查询封装(QueryGenerator)

结果如下图所示 java类代码分别如下 1 package com.hdx.contractor.util.mybatis;import com.hdx.contractor.common.user.SecurityUser; import com.hdx.contractor.common.user.UserDetail; import com.hdx.contractor.util.query.oConvertUtils; import lombok.extern.slf…
阅读更多...
OpenHarmony（鸿蒙南向开发）——轻量系统芯片移植案例（一）

OpenHarmony（鸿蒙南向开发）——轻量系统芯片移植案例（一）

往期知识点记录： 鸿蒙（HarmonyOS）应用层开发（北向）知识点汇总 鸿蒙（OpenHarmony）南向开发保姆级知识点汇总~ 持续更新中…… 轻量带屏解决方案之恒玄芯片移植案例 本文章基于恒玄科技BES2600W…
阅读更多...
【AI知识点】交叉验证（Cross-Validation）

【AI知识点】交叉验证（Cross-Validation）

交叉验证（Cross-Validation） 是机器学习中常用的一种模型评估方法，用于评估模型的性能和泛化能力。它通过在不同的训练集和验证集上多次训练和测试模型，从而有效地评估模型在未见数据上的表现，帮助防止模型的过拟合和欠…
阅读更多...
【RTD MCAL 篇2】 K312 UART DMA

【RTD MCAL 篇2】 K312 UART DMA

【RTD MCAL 篇2】 K312 UART DMA 一，文档简介二， 功能实现2.1 K312 MINIEVB硬件配置2.2 EB 配置2.2.1 Mcl module2.2.2 Mcu module2.2.3 Platform module2.2.4 Port module2.2.5 Uart module2.2.6 Rm module 2.3 main code 三，测试结果 一&am…
阅读更多...
Clio——麻省理工学院增强机器人场景理解算法

Clio——麻省理工学院增强机器人场景理解算法

概述 机器人感知长期以来一直受到现实世界环境复杂性的挑战，通常需要固定设置和预定义对象。麻省理工学院的工程师 已经开发了Clio这项突破性的系统可以让机器人直观地理解并优先考虑周围环境中的相关元素，从而提高其高效执行任务的能力。 了解对更智…
阅读更多...
【Python】Marmir 使用指南：Python 驱动的电子表格生成器

【Python】Marmir 使用指南：Python 驱动的电子表格生成器

Marmir 是一个由 Python 驱动的电子表格生成工具，专门用于将 Python 数据结构（如字典、列表等）转换为电子表格文件（如 Excel）。Marmir 的设计目标是提供比传统电子表格库（如 xlwt）更强大和灵活的…
阅读更多...
ctf.bugku-备份是个好习惯

ctf.bugku-备份是个好习惯

访问页面得到字符串 这串字符串是重复的； d41d8cd98f00b204e9800998ecf8427e 从前端、源码上看，除了这段字符串，没有其他信息；尝试解密，长度32位；各种解密方式试试； MD5免费在线解密破解_MD5在…
阅读更多...
文件后缀名不见了怎么办？

文件后缀名不见了怎么办？

有一天，突然有需要更改文件的后缀名，可奇怪的是文件只有名称，后缀不见了，这该如何修改呢？ 第一步：打开此电脑，最上面一栏选择“查看” 第二步：将“文件扩展名”勾选上 第三步&…
阅读更多...
会议时如何实现扫码签到？

会议时如何实现扫码签到？

如何实现扫码签到？ 在现代活动管理中，签到环节是不可或缺的一部分。它不仅关系到活动的顺利进行，还涉及到参与者的体验。传统的签到方式往往耗时且效率不高，而随着技术的发展，扫码签到成为了一种高效且便捷的解决方案。…
阅读更多...
用小学生可以理解的语言讲一下什么是大模型

用小学生可以理解的语言讲一下什么是大模型

好的，用小学生的语言来说，大模型就像是一个超级聪明的机器人老师，它懂得很多东西，可以帮助我们做很多事情。 1. **懂得很多**：大模型知道很多知识，就像一个巨大的图书馆，里面有很多书&#xff0…
阅读更多...
【星汇极客】单片机竞赛之2024睿抗机器人大赛-火线速递赛道（持续更新）

【星汇极客】单片机竞赛之2024睿抗机器人大赛-火线速递赛道（持续更新）

前言 本人是一名嵌入式学习者，在大学期间也参加了不少的竞赛并获奖，包括但不限于：江苏省电子设计竞赛省一、睿抗机器人国二、中国高校智能机器人国二、嵌入式设计竞赛国三、光电设计竞赛国三、节能减排竞赛国三。 后面会经常写一下博客&…
阅读更多...
归并排序：递归、非递归实现、文件排序(归并排序实现)

归并排序：递归、非递归实现、文件排序(归并排序实现)

目录 归并排序递归实现 1.归并排序基本思想 2.归并排序单趟思路 3.代码思路步骤 3.1.归并排序实现思路步骤 3.2.总结 3.2.1.数组归并与链表归并的差异 (1)数组归并 (2)链表归并 (3)总结 3.2.2.归并排序的递归实现总结 4.归并排序递归实现代码 5.归并排序递归递归展…
阅读更多...
用AI做电子萌宠，快速涨粉变现

用AI做电子萌宠，快速涨粉变现

今天给大家分享一个很热门的小副业—AI宠物视频 项目介绍 前一阵刷到一个萌宠账号，爆款率可真高，涨粉可真快呀。 28篇笔记涨粉3.2万，点赞更是达到了十几万。其中有6篇点赞上万。 至于究竟是不是AI其实没那么重要，重要的是&…
阅读更多...
华为OD机试 - Excel单元格数值统计（Python/JS/C/C++ 2024 E卷 200分）

华为OD机试 - Excel单元格数值统计（Python/JS/C/C++ 2024 E卷 200分）

华为OD机试 2024E卷题库疯狂收录中，刷题点这里 专栏导读 本专栏收录于《华为OD机试真题（Python/JS/C/C）》。 刷的越多，抽中的概率越大，私信哪吒，备注华为OD，加入华为OD刷题交流群，…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023