💡💡💡本文摘要：基于YOLO11的牙齿检测，阐述了整个数据制作和训练可视化过程

    

                                                                   博主简介

AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8、v9、v10、11优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；

 1.YOLO11介绍

Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。

​

​

结构图如下：

​

1.1 C3k2

C3k2，结构图如下

​

C3k2，继承自类C2f，其中通过c3k设置False或者Ture来决定选择使用C3k还是Bottleneck

​

实现代码ultralytics/nn/modules/block.py

1.2 C2PSA介绍

借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？）

​

实现代码ultralytics/nn/modules/block.py

1.3 11 Detect介绍

分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：

​

实现代码ultralytics/nn/modules/head.py 

2.牙齿检测系统

 2.1牙齿检测数据集介绍

数据集大小：Train（训练集）、Validate（验证集）和 Test（测试集），分别包含 505 张、112 张和 107 张带标注的图像及其对应的标签

类别7类：

names: ['第一磨牙', '第一前磨牙', '第二磨牙', '第二前磨牙', '犬齿', '中切牙', '侧切牙']

细节图：

标签可视化分析 

 2.2 配置Dental.yaml

ps:建议填写绝对路径

path: D:/YOLOv11/data/Dental
train: train/images
val: valid/images
test: test/images

nc: 7
names: ['1st Molar', '1st Premolar', '2nd Molar', '2nd Premolar', 'Canine', 'Central Incisor', 'Lateral Incisor']

2.3  如何训练

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/11/yolo11.yaml')
    model.train(data='data/Dental.yaml',
                cache=False,
                imgsz=640,
                epochs=200,
                batch=8,
                close_mosaic=10,
                device='0',
                optimizer='SGD', # using SGD
                project='runs/train',
                name='exp',
                )

2.4 训练结果可视化结果

YOLO11 summary (fused): 283 layers, 2,617,451 parameters, 0 gradients, 7.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 3/3 [00:03<00:00,  1.30s/it]
                   all        162         40      0.994        0.9      YOLO11 summary (fused): 283 layers, 2,618,621 parameters, 0 gradients, 7.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 4/4 [00:07<00:00,  1.79s/it]
                   all        112       2437      0.958       0.95      0.978      0.766
             1st Molar        106        323      0.943       0.91      0.965      0.676
          1st Premolar        111        386      0.967      0.987      0.989      0.784
             2nd Molar         74        157       0.87       0.86      0.927      0.586
          2nd Premolar        109        364      0.958       0.94      0.987      0.715
                Canine        112        401      0.987       0.98       0.99      0.845
       Central Incisor        112        403      0.991      0.993      0.995       0.89
       Lateral Incisor        112        403      0.987      0.978      0.993      0.867.937       0.53

预测结果：

3. 牙齿检测系统设计

3.1 PySide6介绍

        受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。

        PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。

        PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。

3.2 安装PySide6

pip install --upgrade pip
pip install pyside6 -i https://mirror.baidu.com/pypi/simple

基于PySide6开发GUI程序包含下面三个基本步骤：

• 设计GUI，图形化拖拽或手撸；
• 响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
• 打包发布；

3.3 牙齿检测系统设计