YOLOv11 车辆检测：进展、性能与智能交通系统中的应用
计算机视觉与模式识别
2024-10-31 v1 人工智能
摘要
准确的车辆检测对于智能交通系统、自动驾驶和交通监控的开发至关重要。本文对 YOLO11——YOLO 系列深度学习模型的最新进展进行了详细分析，专注于车辆检测任务。基于其前身的成功，YOLO11 引入了旨在增强检测速度、准确性和鲁棒性的架构改进。使用包括多种车辆类型（汽车、卡车、巴士、摩托车和自行车）的综合数据集，我们评估了 YOLO11 的性能，包括精确率、召回率、F1 分数和平均精度 (mAP)。我们的发现表明，YOLO11 在检测较小和更遮挡的车辆方面超越了前一版本（YOLOv8 和 YOLOv10），同时保持了具竞争力的推理时间，使其非常适用于实时应用。比较分析显示，在检测复杂车辆几何形状方面取得了显著改进，进一步推动了高效和可扩展车辆检测系统的发展。这项研究突显了 YOLO11 在提升自动驾驶车辆性能和交通监控系统方面的潜力，为该领域的未来发展提供了见解。
引用
@article{arxiv.2410.22898,
title = {YOLOv11 for Vehicle Detection: Advancements, Performance, and Applications in Intelligent Transportation Systems},
author = {Mujadded Al Rabbani Alif},
journal= {arXiv preprint arXiv:2410.22898},
year = {2024}
}
备注
16 pages