返回模型
说明文档
Yolo11m 海胆检测器
模型详情 / 概述
本模型使用 YOLO11 架构训练用于检测海胆。基于开放数据集训练，可在各种水下环境中识别和定位海胆。
- 模型架构: YOLO11m
- 任务: 目标检测（海胆检测）
- 影像类型: 水下影像
- 类别: 1（海胆）
YOLOv11n 与 YOLOv11m 性能评估
- nano 尺寸模型链接: https://huggingface.co/akridge/yolo11n-sea-urchin-detector
模型权重
模型权重可在此处找到 | 同时提供多种格式：
- PyTorch (best.pt): 基于 PyTorch 应用的标准格式。
- 最新 PyTorch 检查点 (last.pt): 训练过程中的最新检查点。
- ONNX (best.onnx): 适用于 ONNX 运行时。
- TorchScript (best.torchscript)
- NCNN: 适用于移动平台和嵌入式系统的高效格式。
基准测试
| index | 格式 | 状态 | 大小 (MB) | metrics/mAP50-95(B) | 推理时间 (ms/im) | FPS |
|---|---|---|---|---|---|---|
| 0 | PyTorch | ✅ | 38.7 | 0.5694 | 23.69 | 42.21 |
| 1 | TorchScript | ✅ | 77.1 | 0.5619 | 21.34 | 46.86 |
| 2 | ONNX | ❎ | 76.7 | NaN | NaN | NaN |
| 3 | OpenVINO | ❌ | 0.0 | NaN | NaN | NaN |
| 4 | TensorRT | ✅ | 86.4 | 0.5619 | 20.72 | 48.27 |
| 5 | CoreML | ❌ | 0.0 | NaN | NaN | NaN |
| 6 | TensorFlow SavedModel | ✅ | 193.1 | 0.5619 | 40.84 | 24.48 |
| 7 | TensorFlow GraphDef | ✅ | 76.8 | 0.5619 | 38.65 | 25.88 |
| 11 | PaddlePaddle | ✅ | 153.4 | 0.5619 | 30.63 | 32.65 |
| 12 | MNN | ✅ | 76.6 | 0.5615 | 1133.73 | 0.88 |
| 13 | NCNN | ✅ | 76.6 | 0.5619 | 1068.97 | 0.94 |
| 14 | IMX | ❌ | 0.0 | NaN | NaN | NaN |
| 15 | RKNN | ❌ | 0.0 | NaN | NaN | NaN |
预期用途
- 水下影像的实时检测
- 用于检测水下环境中海胆的后处理视频/图像
影响因素
模型性能
- 多源数据集: 基于包含多角度海胆图像的数据集训练。
- 模型架构 (YOLO11m): 轻量化并针对水下影像中的实时海胆检测进行优化。
- 训练数据: 数据集按 70% 训练、20% 验证和 10% 测试进行划分。
- 训练参数: 配置为 50 个 epoch，学习率 0.001，图像尺寸 640x640 以实现收敛。
数据集
训练数据收集、解析并整理自以下开放来源：
- Roboflow 详情:
- 工作区: sakana
- 项目: urchins-cjlib
- 版本: 1
- 许可证: CC BY 4.0
- URL: https://universe.roboflow.com/sakana/urchins-cjlib/dataset/1
数据集组成:
- 训练图像: 1169
- 验证图像: 334
- 测试图像: 168
- 训练/验证/测试划分比例: 7:2:1
指标
以下是模型在验证集上评估的关键指标：
训练验证结果
训练和验证损失
混淆矩阵
精确率-召回率曲线
F1 分数曲线
训练配置
- 模型权重文件:
yolo11m_urchin_trained.pt - 训练轮数: 100
- 学习率: 0.001
- 批次大小: 32
- 图像尺寸: 640x640
部署
如何使用模型
使用训练好的模型，请按照以下步骤操作：
- 加载模型:
from ultralytics import YOLO # 加载模型 model = YOLO("yolo11m_urchin_trained.pt")
局限性
该模型基于混合开源图像训练。可能无法很好地泛化到其他环境或非海洋场景。此外，环境变化、遮挡或光线不佳可能会影响性能。
其他说明:
数据集来源:
- 结合了两个数据集以提高模型的鲁棒性，使模型能够适应不同的光照和水下条件。
伦理考量:
- 检测结果在用于关键应用前应进行验证。模型在新环境中的表现可能有所不同，如果某些类型的海胆在训练数据集中代表性不足，可能存在偏差。
免责声明
本仓库是一项科学成果，不代表美国国家海洋和大气管理局或美国商务部的官方沟通内容。所有 NOAA 项目内容均按"原样"提供，用户需自行承担使用责任。针对商务部或商务部各局因使用本项目而产生的任何索赔，将受所有适用的联邦法律管辖。通过服务标志、商标、制造商或其他方式对特定商业产品、流程或服务的任何引用，不构成或暗示商务部对其认可、推荐或支持。商务部印章和标志，或 DOC 各局的印章和标志，不得以任何方式用于暗示 DOC 或美国政府认可任何商业产品或活动。
akridge/yolo11m-sea-urchin-detector
作者 akridge
object-detection
↓ 1
♥ 0
创建时间: 2024-10-23 23:18:28+00:00
更新时间: 2025-01-27 19:45:21+00:00
在 Hugging Face 上查看文件 (38)
.gitattributes
README.md
config.json
results.png
results_h.png
train/F1_curve.png
train/PR_curve.png
train/P_curve.png
train/R_curve.png
train/args.yaml
train/confusion_matrix.png
train/confusion_matrix_normalized.png
train/labels.jpg
train/labels_correlogram.jpg
train/results.csv
train/results.png
train/train_batch0.jpg
train/train_batch1.jpg
train/train_batch2.jpg
train/val_batch0_labels.jpg
train/val_batch0_pred.jpg
train/val_batch1_labels.jpg
train/val_batch1_pred.jpg
train/val_batch2_labels.jpg
train/val_batch2_pred.jpg
train/weights/best.onnx
ONNX
train/weights/best.pt
train/weights/best.torchscript
train/weights/best_ncnn_model/metadata.yaml
train/weights/best_ncnn_model/model.ncnn.bin
train/weights/best_ncnn_model/model.ncnn.param
train/weights/best_ncnn_model/model_ncnn.py
train/weights/last.pt
train/weights/yolo11m_urchin_trained.engine
train/weights/yolo11m_urchin_trained.mnn
train/weights/yolo11m_urchin_trained.pb
yolo11m_urchin_trained.pt
yolo11m_urchin_weights.pth