YOLOv11 优化以实现高效资源利用-计算机科学-计算机视觉-目标检测.pdfVIP

YOLOv11优化以实现高效资源利用

12

AreegFahadRasheed,MahdiZarkoosh

1CollegeofInformationEngineering,Al-NahrainUniversity,Baghdad,Iraq

areeg.fahad@.iq

2IndependentResearcher,Baghdad,Iraq

mzarkoosh@

摘要1介绍

本本研究的目标是通过开发特定尺寸的架目标检测是计算机视觉中的关键任务之一。它

译构修改版本来优化YouOnlyLookOnce代表了计算机模型在图像中检测和分类可视对象

中(YOLOv11)的第十一迭代。这些修改涉及剪枝的能力。今天，目标检测广泛应用于许多领域的各

特定层并重新配置YOLOv11的主要架构。每种应用中，如医学[3,24]，农业[5]，工业[20]，军

3个提出的版本都针对检测从小型到大型的不同事[15]等。

v

0尺寸范围的对象进行了定制。为了确保根据数据目标检测经历了两个重要的里程碑。在20世

9

7集特性进行适当的模型选择，我们引入了一个对纪90年代初，它主要依赖于手工制作的特征和复

4

1象分类器程序。该程序识别出最适合给定数据集杂的工程设计，因为图像表示技术有限[33]。第

2.的修改版本。所提出的模型在各种数据集上进行二个时代开始于卷积神经网络（CNNs）的发展

1了评估，并与原始的YOLOv11、YOLOv10和[11,14,25]。然而，由于缺乏高性能计算资源的访

4

2YOLOv8模型进行了比较。实验结果突出了计算问权限，CNNs在目标检测中的应用最初受到了延

:

v资源效率方面的显著改进，所提出模型保持了原迟。随着计算能力的进步，这一时代的大多数目标

i

x版YOLOv11的准确性。在某些情况下，修改版检测技术开始严重依赖于CNNs[30]。

r

a本甚至在检测性能方面超过了原始模型。此外，基于卷积神经网络（CNN）的目标检测方法

提出的模型显示了减少的模型大小——每个六种通常分为两种类型[36,38]：两阶段目标检测和单

提出的模型与原版相比都显示出显着减小。另外，阶段目标检测。在两阶段目标检测[8]中，算法首

所需GFLOPs从6.3MB（YOLOv11）、5.7MB先使用区域提议网络（RPN）[27]扫描图像以识

（YOLOv10）和8.1MB（YOLOv8）减少到大别可能包含对象的区域。RPN通过为每个区域分

型模型仅需3.8MB。所有提出的模型还实现了更配一个置信度分数并细化边界框提议来生成潜在

快的推理时间，显著减少了检测图像中对象所需的的兴趣区域（ROIs）。这些提议随后被传递到第二

时间。模型权重和对象尺寸分类器可以在该仓库1阶段，在那里CNN预测对象类别并调整边界框坐

中找到.标。这类算法包括R-CNN、FastR-CNN和Faster

关键词：YOLO,YOLOv11,计算机视觉,R-CNN[27,6]。这种方法以其高准确性和精确度

目标检测,YOLOv10,YOLOv8,图像尺寸适而闻名，但计算成本较高。相比之下，单阶段目

应。标检测跳过了区域提议阶段，并在一步中直接预