YOLOv8与YOLO11自定义数据集迁移学习效果对比

原创 OpenCV学堂 2024-11-28 11:47

【北京12.5号】无线前沿新技术与测试技术峰会 精密双向电流感应放大器设计方案

点击上方蓝字关注我们

微信公众号：OpenCV学堂
关注获取更多计算机视觉与深度学习知识

数据集说明

数据集来自工业相机采集10张原始图像，然后通过OpenMV工具软件数据增强以后得到170张，基于OpenMV完成数据标注

其中150张作为训练集，20张作为验证集，完成数据集制作以后，图像数据如下：

模型训练

安装YOLOv8与YOLO11框架

pip install ultralytics

YOLOv8n 训练命令行

yolo train data=nut_dataset.yaml model=yolov8n.pt epochs=25 batch=4

YOLO11n 训练命令行

yolo train data=nut_dataset.yaml model=yolo11n.pt epochs=25 batch=4

结果对比

针对我当前这种需求，保持数据集，参数完全一致的情况下，对比如下：

YOLOv8训练结果截图如下

YOLO11训练结果截图如下

可以看出mAP(0.5)的结果都是0.995，但是在mAP(0.5~0.95)这个区间YOLOv8迁移学习效果居然比YOLO11迁移学习效果好那么一点点。可能我的比较不够全面，数据不够多，但是也说明针对自定义数据集的迁移学习其实YOLOv8跟YOLO11没有什么区别。

导出模型

yolo export model=nut_yolo8_best.pt format=onnxyolo export model=nut_yolo11_best.pt format=onnx

执行推理运行YOLOv8

执行推理运行YOLO11

都导出了ONNX格式执行推理，发现YOLO11得分置信度比较高！

YOLOv8、YOLO11 ONNX格式模型的OpenVINO C++ 推理结果比较

cv::Mat frame = cv::imread("D:/python/my_yolov8_train_demo/31.png");std::vector results;
std::shared_ptr detector(new YOLO11OpenVINODetector());detector->initConfig("D:/python/my_yolov8_train_demo/nut_best.onnx", 0.25, 640, 640, false);detector->detect(frame, results);for (YOLODetBox dr : results) {cv::Rect box = dr.box;cv::putText(frame, cv::format("%s %f",classNames[dr.classId], dr.score), cv::Point(box.tl().x, box.tl().y - 10), cv::FONT_HERSHEY_SIMPLEX, .5, cv::Scalar(0, 0, 0));}cv::imshow("YOLO11 对象检测 + OpenVINO2023", frame);cv::imwrite("D:/result.jpg", frame);cv::waitKey(0);cv::destroyAllWindows();return 0;