►前言
本篇將講解目前最新推出的YOLOv11搭配Roboflow進行自定義資料標註訓練流程，透過Colab上進行實作說明，使大家能夠容易的了解YOLOv11的使用。
►YOLO框架下載與導入
►Roboflow的資料收集與標註
進行自定義資料集建置與上傳
透過Roboflow工具進行資料標註，最後再將訓練資料採用YOLOv11格式輸出。
►自定義資料導入
►模型訓練
►模型訓練結果可視化
►模型訓練結果可視化
►小結
透過以上講解，在Colab上搭配Roboflow進行自定義資料收集與訓練，能夠更快的進行YOLOv11的模型訓練，可以期待下一篇博文吧！
►Q&A
Q1: YOLOv11 有哪些新特性？:
A1: 透過GPU最佳化和架構改進，YOLOv11的訓練和推理速度比以往版本快得多，延遲減少高達25%。
Q2:YOLOv11包含哪些模型？
A2: 目標檢測模型、實例分割模型、姿態估計模型、旋轉邊界框模型、影像分類模型。
Q3 : YOLOv8 vs YOLOv11:模型效能比較?
A3:YOLOv11n 在精確度上超越了 YOLOv8n，平均精確度（mAP）為 39.5，而 YOLOv8n 為 37.3，顯示 YOLOv11n 在影像中的目標偵測能力更強。
Q4: YOLOv11 是否能夠於嵌入端使用?
A4:目前已能夠透過tensorRT、 NCNN或TFLite，於嵌入端使用。Q5: NCNN與tensorRT差異?
A5: NCNN針對CPU效能進行部署與最佳化，記憶體佔用率低，提供INT8量化支援。TensorRT針對GPU和CPU優化加速模型推理，支援INT8量化和FP16量化。對於嵌入端提供Nvidia GPU可以透過TensorRT進行加速。
評論