YOLOv8 与 YOLO11 自定义数据集迁移学习效果对比

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=onnx
yolo 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<YOLODetBox> results;

std::shared_ptr<YOLO11OpenVINODetector> 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;

YOLOv8 推理

YOLO11 推理

END

作者：gloomyfish
来源：OpenCV学堂

推荐阅读

• OrientedFormer: 基于 Transformer 的定向目标检测新框架 ！
• CUDA-MODE课程笔记16讲通过CUDA C++核心库把llm.c移植为llm.cpp
• 基于 chunked prefill 理解 prefill 和 decode 的计算特性
• SGLang 后端原文解析

欢迎大家点赞留言，更多 Arm 技术文章动态请关注极术社区嵌入式 AI 专栏欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。