YOLOv12：实时图像和视频目标检测的开源工具

综合介绍

YOLOv12 是由 GitHub 用户 sunsmarterjie 开发的一个开源项目，专注于实时目标检测技术。该项目基于 YOLO（You Only Look Once）系列框架，引入注意力机制优化传统卷积神经网络（CNN）的性能，不仅在检测精度上有所提升，还保持了高效的推理速度。YOLOv12 适用于多种场景，如监控系统、自动驾驶和图像分析等，提供 Nano、Small、Medium、Large、Extra-Large 五种模型规模，满足不同计算能力和应用需求。项目采用 GNU AGPL-3.0 许可证，用户可以免费下载代码并根据需求进行定制开发。开发者团队包括来自布法罗大学和中科院的研究人员，技术文档和安装指南详尽，便于用户快速上手。

功能列表

• 高效实时目标检测: 在 T4 GPU 上，YOLOv12-N 可实现 40.6% mAP，推理延迟仅 1.64ms。
• 多模型选择: 提供五种模型（Nano 到 Extra-Large），适配从低功耗设备到高性能服务器的多种硬件环境。
• 注意力机制优化: 引入“区域注意力”（Area Attention）和 R-ELAN 模块，提升检测精度并减少计算复杂度。
• 模型导出: 支持将训练模型导出为 ONNX 或 TensorRT 格式，方便部署到生产环境。
• 自定义数据集训练: 用户可使用自己的数据集训练模型，适用于特定目标检测任务。
• 可视化支持: 集成监督工具（supervision），方便展示检测结果和性能评估。

使用帮助

安装流程

YOLOv12 目前没有独立的 PyPI 包，需要从 GitHub 源码安装。以下是详细的安装步骤，适用于 Linux 系统（Windows 或 Mac 用户需调整环境配置）：

1. 准备环境
   • 确保系统安装 Python 3.11 或更高版本。
   • 安装 Git：sudo apt install git（Ubuntu 示例）。
   • 可选：安装 NVIDIA GPU 驱动和 CUDA（推荐 11.8 或更高版本）以加速训练和推理。
2. 克隆仓库
   在终端运行以下命令，将 YOLOv12 仓库下载到本地：

   git clone https://github.com/sunsmarterjie/yolov12.git
   cd yolov12

3. 创建虚拟环境
   使用 Conda 或 venv 创建独立的 Python 环境，避免依赖冲突：

   conda create -n yolov12 python=3.11
   conda activate yolov12
   

4. 安装依赖
   安装项目所需的依赖包，包括 PyTorch、flash-attn 和 supervision 等：

   wget https://github.com/Dao-AILab/flash-attention/releases/download/v2.7.3/flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl
   pip install flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl
   pip install -r requirements.txt
   pip install -e .
   

5. 验证安装
   运行以下命令检查环境是否正确配置：

   python -c "from ultralytics import YOLO; print('YOLOv12 installed successfully')"
   

使用方法

训练自定义模型

YOLOv12 支持用户使用自己的数据集进行训练，适合特定场景的目标检测任务。操作步骤如下：

1. 准备数据集
   • 数据需符合 YOLO 格式（包含 images 和 labels 文件夹，labels 为 .txt 文件，标注目标类别和边界框坐标）。
   • 创建 data.yaml 文件，指定训练集、验证集路径和类别名称。例如：

     train: ./dataset/train/images
     val: ./dataset/val/images
     nc: 2  # 类别数量
     names: ['cat', 'dog']  # 类别名称
     

2. 加载模型并训练
   使用 Python 脚本加载预训练模型并开始训练：

   from ultralytics import YOLO
   model = YOLO('yolov12s.pt')  # 可选 n/s/m/l/x 模型
   results = model.train(data='path/to/data.yaml', epochs=250, imgsz=640)
   

   • epochs：训练轮数，建议 250 次以上以获得更好效果。
   • imgsz：输入图像尺寸，默认 640x640。
3. 查看训练结果
   训练完成后，结果保存在 runs/detect/train 文件夹，包括模型权重（best.pt）和混淆矩阵等。运行以下代码查看混淆矩阵：

   from IPython.display import Image
   Image(filename='runs/detect/train/confusion_matrix.png', width=600)
   

推理与测试

训练好的模型可用于图像或视频的目标检测：

1. 单张图像检测

   model = YOLO('path/to/best.pt')
   results = model('test.jpg')
   results.show()  # 显示检测结果
   results.save()  # 保存结果到 runs/detect/predict
   

2. 视频检测
   使用命令行处理视频文件：

   python app.py --source 'video.mp4' --model 'path/to/best.pt'
   

3. 性能评估
   对验证集进行评估，获取 mAP 等指标：

   results = model.val(data='path/to/data.yaml')
   print(results.box.map)  # 输出 mAP@0.5:0.95
   

模型导出

将模型导出为生产环境可用的格式：

model.export(format='onnx', half=True)  # 导出为 ONNX，支持 FP16 加速

导出的模型可部署到边缘设备或服务器上。

特色功能操作

• 注意力机制优化
  YOLOv12 的“区域注意力”模块无需手动配置，会自动在训练和推理中优化特征提取，提升小目标检测能力。用户只需选择合适的模型规模（如 Nano 用于低功耗设备），即可享受这一特性带来的精度提升。
• 实时检测
  在支持 CUDA 的 GPU 上运行时，推理速度极快。例如，使用 T4 GPU 运行 YOLOv12-N 模型，单张图像检测仅需 1.64ms。用户可通过监督工具（supervision）实时可视化检测框和置信度：

  results = model('image.jpg')
  results.plot()  # 显示带标注的图像
  

• 多场景适配
  通过调整模型规模和训练数据，YOLOv12 可轻松适配不同任务。例如，在监控系统中检测行人，或在自动驾驶中识别车辆和交通标志。