如何评价Ultralytics出的YOLOv11？

最新推荐文章于 2025-09-02 18:17:23 发布

woshicver

最新推荐文章于 2025-09-02 18:17:23 发布

阅读量543

点赞数

CC 4.0 BY-SA版权

文章标签： YOLO

原文链接：https://mp.weixin.qq.com/s?__biz=MzU2NTUwNjQ1Mw==&mid=2247520689&idx=1&sn=a3f28d6ac8cc6dc3ecb99751fcc9a5d5&chksm=fd0139356efe42bd5b545a85bb9f23a9b12e72612cf7a5efe2cf3bcdbda2511fbb99ae20038a&scene=126&sessionid=0

链接：https://www.zhihu.com/question/694696741?utm_psn=1833942257365020675
编辑：深度学习与计算机视觉
声明：仅做学术分享，侵删

Ultralytics出了最新的YOLOv11，官方给出的速度、精度指标也都比YOLOv8要高，如何评价YOLOv11？实际效果如何？

作者：MoonCancer

https://www.zhihu.com/question/694696741/answer/3984007543?utm_psn=1833950673340882945

形象的体现了某个task卷无可卷之后会发展成什么样

作者：Rocky Ding

https://www.zhihu.com/question/694696741/answer/3998991306?utm_psn=1833949765836075008

YOLOv11的发布，预示着传统深度学习时代的彻底落幕。

YOLO系列从传统深度学习巅峰时期的技术推动力量，逐渐转变成传统深度学习各方势力收益的获取工具。

作者：圈圈虫

https://www.zhihu.com/question/694696741/answer/3861567276?utm_psn=1833942735385661441

Ultralytics 的上一个官方版本是 2023年1月发布的 YOLOv8 系列，已经过去了1年多了。那么 YOLO11 作为最新官方版本都有哪些更新呢？

强化特征提取：YOLO11 采用了改进的后端和颈部架构，增强了特征提取能力，从而实现更精确的物体检测和更复杂的任务执行；

2 优化效率与速度：YOLO11 引入了经过改进的架构设计和优化的训练流程，实现了更快的处理速度，并保持了准确性和性能之间的最佳平衡；

3 更精准、更少参数：随着模型设计的进步，YOLO11m 在 COCO 数据集上的平均精确度（mAP）更高，同时使用了比 YOLOv8m 少 22% 的参数，在不牺牲精度的情况下提高了计算效率；

4 跨环境适应性：YOLO11 可以在各种环境中无缝部署，包括边缘设备、云平台以及支持 NVIDIA GPU 的系统，确保最大限度的灵活性（这句话非常认可，因为在 AX650N 上直接用 YOLOv8 的 sample 就能运行）；

5 YOLO11 支持多种任务：无论是目标检测、实例分割、图像分类、姿态估计还是定向对象检测（OBB），YOLO11 的设计旨在满足各种计算机视觉挑战。（本文只介绍目标检测任务的部署）

新增了 C2PSA 模块用于特征增强，其实就是一个小的 Self-Attention

作者：Onedroid

https://www.zhihu.com/question/694696741/answer/3863995333?utm_psn=1833945921450299392

1 修复了yolov8 c2f最后一个卷积前既有concat,又有residual 的冗余问题. 具体看这个issue github.com/ultralytics/..., 官方采用的是抛弃concat，保留residual的操作，调整架构再训练，确实更有性价比。为什么c2f的设计不合理，有兴趣可以参考这个文章 Onedroid：YoloV8 C2f模块冗余残差问题

2 bottleneck变成真正的bottleneck了，中间层通道冗余有所缓解，类似LoRA的情况。不过实现仍然很奇葩，既不是resnetv1,也不是resnetv2的模块。

qwq 今天师兄跟我说，公司里面已经把sp+sg做到在手机上能跑60帧了。。。我现在感觉可能传统方法能保留的领地真的越来越少了。

3 模块第一个1x1卷积分成两个1x1 卷积，而不是一个卷积后再split，可以和torch-pruning工具无缝衔接了。 Torch-Pruning/examples/yolov8 at master · VainF/Torch-Pruning，链接里(https://github.com/VainF/Torch-Pruning/tree/master/examples/yolov8)为了容易剪枝也是这么实现的，分成两个卷积在一些硬件上确实能更快。如果不需要用torch-pruning继续剪枝，建议两种实现方法都用用看，测试在部署硬件上哪个更快。毕竟部署还要量化，数据量被缩放了，在加上硬件读写和计算能力对这两种实现都会有影响，实测优先，毕竟不同的平台，硬件参数不同。之前在剪yolov8n的时候懒得转换回去，保留两个卷积的实现方式，发现更快了，量化后也更快。这其实也提供了一个实用的加速思路,分块不一定是两个，每一层情况都不一样，有的层可能无法加速。测试每一层的最优分块数，可能会有加速的空间

模块设计正常多了，效果和速度提升应该不假。

补充一下， Torch-Pruning/examples/yolov8 at master · VainF/Torch-Pruning, 这个(https://github.com/VainF/Torch-Pruning/tree/master/examples/yolov8)prune yolov8的代码文件只是保证能用这个工具合法剪枝，并不保证效果，还得自己改代码（选择哪些层需要修剪，选什么剪枝算法）。如果效果不太好，建议保留前几层和检测头且冻结参数，即保留网络首尾，只裁剪和训练网络中间部分。

☆ END ☆

如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 woshicver」，每日朋友圈更新一篇高质量博文。

↓扫描二维码添加小编↓