从注释到推理：完整的 YOLOv11 工作流程

学习内容

了解使用 YOLOv11 进行计算机视觉和对象检测的基础知识。

在自定义数据集上设置和训练 YOLOv11 模型，以进行实时对象检测。

使用精度、召回率和 mAP 指标评估和微调 YOLOv11 性能。

使用 Python 和 OpenCV 为实际应用程序部署 YOLOv11 模型。

要求

对 Python 编程

有基本的了解 熟悉机器学习或深度学习概念是有帮助的，但不是强制性

的 具有稳定互联网连接和至少 8GB RAM 的计算机（建议将 GPU 用于训练模型）

愿意学习和试验计算机视觉工具和代码

描述

使用 YOLOv11 释放尖端计算机视觉的力量，YOLOv11 是“You Only Look Once”对象检测架构的最新和最先进的版本。本实践课程将带您从对象检测的基本概念到实时构建、训练和部署您自己的 YOLOv11 模型。无论您是 AI 初学者，还是希望提升技能的经验丰富的开发人员，本课程都能提供完整、实用的学习体验。您将使用真实数据集，学习如何注释和准备数据，使用 Ultralytics 框架训练模型，使用关键指标评估性能，并使用 Python 和 OpenCV 部署模型。每个模块都包括代码演练、作业和项目，旨在强化关键技能。不需要任何 YOLO 经验，我们将通过清晰的说明和示例指导您完成每个步骤。此外，您还将深入了解对象检测在各个行业的使用，包括自动驾驶、医疗保健、零售分析和监控。您将有信心在学术和专业环境中应用您的技能来完成课程。立即加入我们，将实时计算机视觉引入您的项目。

概述

第 1 部分：计算机视觉简介

第一讲 计算机视觉的应用

第二讲 YOLO 算法简介

第 3 讲：安装 OpenCV 库

第 4 讲：设置 Python 环境

第 5 讲：计算机视觉示例 - 演示

第 6 讲：虚拟鼠标中的计算机视觉 - 演示

第 2 部分：图像处理基础知识

第 7 讲：图像加载和显示

第 8 讲：图像转换技术

第 9 讲 图像过滤和增强

第 10 讲 边缘检测算法

第 11 讲：YOLO 中的计算机视觉概述 - 演示

第 12 讲 open-cv 中的边缘构造 - 演示

第 3 部分：使用 YOLO 进行对象检测

第 13 讲：了解目标检测

第 14 讲：使用 YOLO 进行对象检测 - 演示

第 4 部分：Roboflow 集成

第 15 讲：将 Roboflow 与流行的深度学习框架结合使用

第 16 讲：将 Roboflow 与云服务集成

第 17 讲：使用 Roboflow API 实现工作流自动化

第 5 部分：使用 Roboflow 训练模型

第 18 讲 选择模型架构

第 19 讲 训练和评估模型

第 20 讲 Roboflow 教程 - 演示

第 6 部分：使用 Roboflow 部署模型

第 21 讲：从 Roboflow 导出模型

第 22 讲：将模型集成到应用程序中

第 23 讲：监控模型性能

第 7 节：为 YOLO-V11 设置环境

第 24 讲 安装必要的库

第 25 讲：下载预训练权重

第 26 讲 配置 YOLO-V11

第 8 部分：了解 YOLO-V11 架构

第 27 讲 体系结构概述

第二十八讲 骨干网

第二十九讲 检测层

第 30 讲 损失函数

第 9 部分：在自定义数据集上训练 YOLO-V11

第 31 讲 YOLO-V11 中的特征提取

第 32 讲：准备自定义数据集

第 33 讲：为训练添加图像注释

第 34 讲：自定义 DATA 中的对象检测 Yolo - 演示

第 35 讲：自定义数据的实例分段 - 演示

第 36 讲 Tracker 与 Bot Sort - 演示

第 37 讲 Tracker with Byte Track - 演示

第 38 讲：使用跟踪器的示例项目 - 演示

对计算机视觉感兴趣的开发人员、数据科学家和 AI 爱好者，希望使用 YOLOv11 学习实时对象检测的学生和初学者，希望使用最新 YOLO 版本升级技能的从业者，任何寻求将计算机视觉应用于实际场景的动手项目的人