Panduan Bangunan Model Yolov11 Dari Gores Menggunakan Pytorch

yolov11: menyelam mendalam ke dalam seni bina dan pelaksanaan model pengesanan objek canggih

Yolo (anda hanya melihat sekali) model terkenal dengan kecekapan dan ketepatannya dalam tugas penglihatan komputer, termasuk pengesanan objek, segmentasi, anggaran, dan banyak lagi. Artikel ini memberi tumpuan kepada seni bina dan pelaksanaan lelaran terkini, YOLOV11, menggunakan pytorch. Walaupun ultralitik, pencipta, mengutamakan aplikasi praktikal ke atas kertas penyelidikan formal, kami akan membedah reka bentuknya dan membina model berfungsi.

Memahami seni bina Yolov11

yolov11, seperti pendahulunya, menggunakan seni bina tiga bahagian: tulang belakang, leher, dan kepala.

• Backbone: Ciri-ciri ekstrak menggunakan blok berasaskan kesesakan yang cekap (C3K2, penghalusan C2F YOLOV8). Tulang belakang ini, memanfaatkan Darknet dan DarkFPN, menghasilkan tiga peta ciri (P3, P4, P5) yang mewakili tahap terperinci yang berbeza.

• Leher: memproses output tulang belakang, menyentuh ciri -ciri merentasi skala menggunakan upsampling dan concatenation. Komponen penting ialah blok C2PSA, menggabungkan modul perhatian spatial separa (PSA) untuk meningkatkan fokus pada maklumat spatial yang relevan dalam ciri-ciri peringkat rendah.

• kepala: mengendalikan ramalan khusus tugas. Untuk pengesanan objek, ia termasuk:

  • dfl (pengedaran kehilangan fokus): Menapis ramalan kotak terikat.
  • pengesanan kotak: meramalkan koordinat kotak terikat.
  • Pengesanan kelas: Meramalkan kelas objek. Model ini juga menyokong kepala pengesanan segmentasi dan keypoint.

Blok Bangunan Teras: Lapisan Convolution and Bottleneck

Model ini sangat bergantung pada:

Lapisan Convolutional:
• Ciri -ciri ekstrak dari data input.
Lapisan Bottleneck:
• Meningkatkan kecekapan dan pembelajaran dengan menggunakan dua lapisan konvolusi dengan sambungan pintasan (penyambungan atau tambahan sisa). modul C3K dan C3K2:
Blok konvolusi yang dioptimumkan untuk pengekstrakan ciri yang cekap.
• Meningkatkan keupayaan model untuk mengesan objek yang berbeza -beza.

sorotan pelaksanaan kod (pytorch)

coretan kod berikut menggambarkan komponen utama:

(dipermudahkan untuk keringkasan; rujuk artikel asal untuk kod lengkap.)

# Simplified Conv Block
class Conv(nn.Module):
    def __init__(self, in_ch, out_ch, activation, ...):
        # ... (Initialization code) ...
    def forward(self, x):
        return activation(self.norm(self.conv(x)))

# Simplified Bottleneck Block (Residual)
class Residual(nn.Module):
    def __init__(self, ch, e=0.5):
        # ... (Initialization code) ...
    def forward(self, x):
        return x + self.conv2(self.conv1(x))

# Simplified SPPF
class SPPF(nn.Module):
    def __init__(self, c1, c2, k=5):
        # ... (Initialization code) ...
    def forward(self, x):
        # ... (MaxPooling and concatenation) ...
        return self.cv2(torch.cat((x, y1, y2, self.m(y2)), 1))

# ... (Other key blocks: C3K, C3K2, PSA, Attention, PSABlock, DFL) ...

Pembinaan dan ujian model

Model YOLOV11 lengkap dibina dengan menggabungkan tulang belakang, leher, dan kepala. Saiz model yang berbeza (nano, kecil, sederhana, besar, xlarge) dicapai dengan menyesuaikan parameter seperti kedalaman dan lebar. Kod yang disediakan termasuk kelas YOLOv11 untuk memudahkan ini.

ujian model dengan tensor input rawak menunjukkan struktur output (peta ciri dalam mod latihan, ramalan yang disatukan dalam mod penilaian). Pemprosesan lanjut (penindasan bukan maksimum) adalah perlu untuk mendapatkan pengesanan objek akhir.

Kesimpulan

YOLOV11 mewakili kemajuan yang signifikan dalam pengesanan objek, yang menawarkan seni bina yang kuat dan cekap. Reka bentuknya mengutamakan aplikasi praktikal, menjadikannya alat yang berharga untuk projek AI dunia nyata. Senibina terperinci dan coretan kod menyediakan asas yang kukuh untuk memahami dan pembangunan selanjutnya. Ingatlah untuk berunding dengan artikel asal untuk kod yang lengkap dan boleh dilancarkan.

Atas ialah kandungan terperinci Panduan Bangunan Model Yolov11 Dari Gores Menggunakan Pytorch. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!