XiaoMi-AI文件搜索系统
World File Search SystemYOLOv11
yolov11变体的性能基准测试 -
使用指标（例如平均平均精度（MAP，标准度量测量检测准确性）在整个交叉点（IOU）阈值从50％到95％（定义了预测和地面实现框之间的重叠），精度，召回和GPU和CPU的跨越速度。The results highlight trade-offs between model complexity and performance: smaller variants like YOLOv11-n achieved faster inference speeds (170.74 FPS on GPU and 5.86 ms on GPU), while larger models like YOLOv11-x excelled in detection accuracy and recall but at the cost of slower speeds (240.03 FPS on GPU and 4.17 ms on GPU).yolov11-s提供了最高FPS（1120.46 GPU FPS）的平衡，但准确性和回忆为中等。这些发现证明了Yolov11变体对应用程序要求的适应性，从高速实时系统到优先级检测准确性的场景。这项研究通过为yolov11变体提供详细的性能基准来推进对象检测。它提供了在不同领域中部署Yolov11的实用见解，包括物流，交付跟踪和其他需要有效且准确的对象检测的域。关键字：Yolo; Yolov11;对象检测模型；深度学习计算机视觉；神经网络；
比较空...
印尼政府继续鼓励基于技术的公共服务创新，包括开发智能城市和利用传感器技术的智能停车。通过提供实时车辆检测和停车位的可用性，使用您只看一次（YOLO）模型的智能停车系统的开发，从而提高了停车管理的效率。这项研究比较了三种Yolov11-Nano（Yolov11n），Yolov11-Mall（Yolov11s）和Yolov11-Medium（Yolov11M）（Yolov11m）的三种变体，以确定检测空旷的停车位最有效的模型。使用一个数据集进行了实验，该数据集由5725张具有各种条件的停车区图像，例如角度，照明和距离。此外，研究人员还使用了一个6秒的停车场时间段视频，用于培训的模型的测试材料。结果表明，Yolov11的每个变体都有其自己的优势。yolov11s具有最高的MAP50（0.967），Yolov11m的精度和回忆最高，而Yolov11n的FPS最高（62.14）。精度范围为7.4％-17.9％，Yolov11s获得了最高的精度。本研究的发现旨在确定用于智能停车实施的最有效的Yolov11变种。
yolov11用于车辆检测
准确的车辆检测对于开发智能运输系统，自动驾驶和交通监控至关重要。本文介绍了Yolo11的详细分析，这是Yolo系列深度学习模型的最新进步，专门针对车辆检测任务。Yolo11在其前辈的成功之下，介绍了旨在在复杂环境中增强检测速度，准确性和鲁棒性的建筑进象。使用包含多种车辆类型的全面数据集（卡车，卡车，公共汽车，摩托车和自行车），我们使用诸如精度，召回，F1得分和平均平均精度（MAP）等指标来评估Yolo11的性能。我们的发现表明，Yolo11超过了先前的ver（Yolov8和Yolov10），可以在保持较小和更具遮挡的车辆的同时保持竞争性推理时间，从而适合实时应用。比较分析表明，复杂车辆几何形状的检测显着改善，进一步有助于开发高效且可扩展的车辆检测系统。这项研究强调了Yolo11增强自动驾驶汽车性能和交通监控系统的潜力，为该领域的未来发展提供了见解。