YOLOv11
關注創建者：匿名 創建時間：2026-01-05
YOLOv11的實例教程
Complete Goat Detection and Counting Using YOLOv11
MP4 |視頻： h264， 1280x720 |音頻：AAC，44.1 KHz，2 Ch
語言：英語 |時長： 35m |大小： 383 MB
了解使用 YOLOv11 進行山羊檢測和計數的完整開發
了解使用 YOLOv11 進行山羊檢測和計數的完整開發
您將學
到的內容 山羊
模型訓練和優化的數據注釋和準備
實時應用程序部署
完成 YOLOv11 項目
要求
：基本的Python和ML知識
描述
通過“使用 YOLOv11 完成山羊檢測和計數”課程，解鎖 AI 驅動的對象檢測功能！這門綜合課程專為初學者和中級學習者設計，側重于使用最新的對象檢測技術 YOLOv11 構建一個真實世界的項目，用于檢測和計算圖像或視頻源中的山羊。本課程首先介紹 YOLOv11 及其強大的架構，為創建準確的檢測系統奠定了基礎。您將學習如何準備數據集、注釋圖像以及訓練為山羊檢測量身定制的 YOLOv11 模型。深入研究提高模型準確性、優化性能以及在農場管理或動物跟蹤系統等實時應用程序中部署模型的實際步驟。課程亮點： 了解 YOLOv11 的架構及其在對象檢測任務中的優勢。了解如何收集、標記和預處理數據以訓練 YOLOv11.訓練 YOLOv11 模型以檢測和計數山羊，微調參數以提高準確性。實施經過訓練的模型，以便在視頻源或 IoT 設置中進行實時山羊檢測和計數。分析檢測結果，識別挑戰，并優化模型以獲得更好的性能。本課程非常適合開發人員、AI 愛好者以及希望將 AI 解決方案集成到其工作流程中的農業或畜牧業行業的任何人。
展開 2025 年 5 月出版
MP4 |視頻：h264、1920x1080 |音頻：AAC，44.1 KHz
語言：英語 |大?。?.04 GB |時長： 3h 0m
從注釋到推理：完整的 YOLOv11 工作流程
學習內容
了解使用 YOLOv11 進行計算機視覺和對象檢測的基礎知識。
在自定義數據集上設置和訓練 YOLOv11 模型，以進行實時對象檢測。
使用精度、召回率和 mAP 指標評估和微調 YOLOv11 性能。
使用 Python 和 OpenCV 為實際應用程序部署 YOLOv11 模型。
要求
對 Python 編程
有基本的了解 熟悉機器學習或深度學習概念是有幫助的，但不是強制性
的 具有穩定互聯網連接和至少 8GB RAM 的計算機（建議將 GPU 用于訓練模型）
愿意學習和試驗計算機視覺工具和代碼
描述
使用 YOLOv11 釋放尖端計算機視覺的力量，YOLOv11 是“You Only Look Once”對象檢測架構的最新和最先進的版本。本實踐課程將帶您從對象檢測的基本概念到實時構建、訓練和部署您自己的 YOLOv11 模型。無論您是 AI 初學者，還是希望提升技能的經驗豐富的開發人員，本課程都能提供完整、實用的學習體驗。您將使用真實數據集，學習如何注釋和準備數據，使用 Ultralytics 框架訓練模型，使用關鍵指標評估性能，并使用 Python 和 OpenCV 部署模型。每個模塊都包括代碼演練、作業和項目，旨在強化關鍵技能。不需要任何 YOLO 經驗，我們將通過清晰的說明和示例指導您完成每個步驟。此外，您還將深入了解對象檢測在各個行業的使用，包括自動駕駛、醫療保健、零售分析和監控。
展開 
YOLOv11的相關專題、標簽、搜索
YOLOv11的最新內容
在自定義數據集上設置和訓練 YOLOv11 模型，以進行實時對象檢測。
使用精度、召回率和 mAP 指標評估和微調 YOLOv11 性能。
使用 Python 和 OpenCV 為實際應用程序部署 YOLOv11 模型。
這門綜合課程專為初學者和中級學習者設計，側重于使用最新的對象檢測技術 YOLOv11 構建一個真實世界的項目，用于檢測和計算圖像或視頻源中的山羊。本課程首先介紹 YOLOv11 及其強大的架構，為創建準確的檢測系統奠定了基礎。您將學習如何準備數據集、注釋圖像以及訓練為山羊檢測量身定制的 YOLOv11 模型。
文獻[11]提出從零開始訓練低秩約束卷積神經網絡模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高. 目前, 深度網絡模型壓縮方法分為兩個方向: 一是對已經訓練好的深度網絡模型進行壓縮得到小型化模型; 二是直接設計小型化模型進行訓練, 如SqueezeNet[12]、ShuffleNet[13]、MobileNet[14]等.
5 結論
圖5 部分圖像
圖6 測量結果
基于遷移學習的方法改進了Tiny-YOLOv2網絡模型，將原網絡的檢測效率與測試集準確率提高了1.5幀與11%。通過該檢測網絡得到了被測物體的標簽信息與在圖像中的位置信息，將物體從原圖像中進行裁剪用于下一步處理。
蔡舒平等[42]對YOLOv4目標檢測模型進行了改進，改進后的模型參數減少，檢測速度提高了29.4%，魯棒性強、實時性好。馬佳良等[43]在傳統的Fast R-CNN基礎上，提出了Accurate R-CNN目標檢測框架，可以在不同數據集和不同的任務上取得良好的檢測效果。
單一的傳感器在智能農機的環境感知中具有局限性，一般都將多個傳感器信息進行融合檢測。
蔡舒平等[42]對YOLOv4目標檢測模型進行了改進，改進后的模型參數減少，檢測速度提高了29.4%，魯棒性強、實時性好。馬佳良等[43]在傳統的Fast R-CNN基礎上，提出了Accurate R-CNN目標檢測框架，可以在不同數據集和不同的任務上取得良好的檢測效果。
單一的傳感器在智能農機的環境感知中具有局限性，一般都將多個傳感器信息進行融合檢測。
YOLOv1采用卷積和Pooling結合提取特征，最后的特征圖空間大小為7*7。與SSD和RetinaNet不同，YOLOv1采用全連接層直接輸出每個7*7位置的物體類別和邊框，并不需要Anchor的輔助。每個位置輸出兩個物體，并選擇置信度較大的那一個。當場景中小物體比較多的時候，相近位置的物體有可能會被丟掉，這也是YOLOv1的一個主要問題。
[28] REDMON J, ALI F Yolov3: An incremental improvement[R]. Washington: University of Washington,2018.
[29] LIU W, DRAGOMIR A, DUMITRU E, et al.
Chen等［11］提出一個針對小目標的數據集，并對小目標做了如下定義：同一類別中所有目標實例的相對面積，即邊界框面積與圖像面積之比的中位數在0.08%~0.58%之間。文中對小目標的定義也給出了更具體的說法，如在640像素×480像素分辨率圖像中，16像素×16像素到42像素×42像素的目標應考慮為小目標。
后處理采用gradient boosting，視覺來自YOLOv3，雷達來自1D segmentation network。
