metadata
license: agpl-3.0
library_name: ultralytics
pipeline_tag: object-detection
tags:
- ultralytics
- yolo11
- autonomous-driving
- carla
- object-detection
YOLO11s Drive Scene CARLA v1
面向智能驾驶场景理解的 YOLO11s 目标检测模型。模型在通用道路数据基础上进行了 CARLA 0.9.16 域适配，用于实时识别车辆、行人、骑行者、摩托车、交通灯、交通标志、交通锥和道路护栏。
该模型是 LMM-in-AutoDrive/scene_understanding 模块的默认实时检测权重。模型只提供二维目标检测结果，不直接生成驾驶决策。
模型信息
- 基础模型：Ultralytics YOLO11s
- 任务：二维目标检测
- 输入分辨率：
640 x 640 - 默认置信度阈值：
0.10 - 推理框架：Ultralytics
- 验证系统：Linux、Python 3.12.13
- 验证硬件：NVIDIA GeForce RTX 5090
- 权重文件：
best.pt - 权重大小：19,164,762 字节
- 许可证：AGPL-3.0
- 项目仓库：ZhuShanzhe/LMM-in-AutoDrive
检测类别
| ID | 类别 | 含义 |
|---|---|---|
| 0 | vehicle |
汽车、公交车、卡车等机动车 |
| 1 | pedestrian |
行人 |
| 2 | cyclist |
自行车骑行者 |
| 3 | motorcycle |
摩托车及摩托车骑行者 |
| 4 | traffic_light |
交通灯 |
| 5 | traffic_sign |
交通标志 |
| 6 | traffic_cone |
交通锥 |
| 7 | road_barrier |
道路护栏和隔离设施 |
训练数据
训练和域适配使用了：
- BDD100K 道路场景数据；
- nuScenes 多相机道路场景数据；
- CARLA 0.9.16 仿真数据；
- CARLA 行人横穿、前车紧急制动、城市道路和交通灯场景。
数据集不包含在本模型仓库中。使用者必须分别遵守 BDD100K、nuScenes 和 CARLA 的许可与使用条款。
验证结果
总体指标：
| 指标 | 结果 |
|---|---|
| Precision | 0.6786 |
| Recall | 0.4974 |
| mAP50 | 0.5405 |
| mAP50-95 | 0.2643 |
分类指标：
| 类别 | Precision | Recall | mAP50 | mAP50-95 |
|---|---|---|---|---|
vehicle |
0.7981 | 0.6970 | 0.7655 | 0.4736 |
pedestrian |
0.7291 | 0.4813 | 0.5515 | 0.2571 |
cyclist |
0.5836 | 0.3022 | 0.3374 | 0.1677 |
motorcycle |
0.6235 | 0.3268 | 0.3435 | 0.1641 |
traffic_light |
0.6548 | 0.5782 | 0.5837 | 0.2149 |
traffic_sign |
0.7107 | 0.5375 | 0.6013 | 0.3046 |
traffic_cone |
0.6485 | 0.5356 | 0.5778 | 0.2495 |
road_barrier |
0.6806 | 0.5204 | 0.5632 | 0.2830 |
Ultralytics 验证记录中的 RTX 5090 单图阶段时延：
| 阶段 | 时延 |
|---|---|
| 预处理 | 0.2405 ms/image |
| 模型推理 | 0.5276 ms/image |
| 后处理 | 0.3502 ms/image |
| 三阶段合计 | 1.1184 ms/image |
该数字来自当前验证配置，不包含图像采集、跨进程传输、跟踪、车道处理、语义对齐和下游决策。
下载
hf download UNIC0RN-Zhu/yolo11s-drive-scene-carla-v1 \
--local-dir ./models/yolo11s-drive-scene-carla-v1
推理
pip install ultralytics
from ultralytics import YOLO
model = YOLO("./models/yolo11s-drive-scene-carla-v1/best.pt")
results = model.predict(
source="frame.jpg",
imgsz=640,
conf=0.10,
device=0,
)
for result in results:
print(result.boxes.xyxy)
print(result.boxes.conf)
print(result.boxes.cls)
完整项目链路应通过 scene_understanding 模块加载该权重，以获得项目约定的实体 ID、类别映射和下游数据结构。
文件
| 文件 | 说明 |
|---|---|
best.pt |
CARLA 域适配后的 YOLO11s 权重 |
args.yaml |
Ultralytics 训练参数 |
validation_metrics.json |
总体和分类验证指标 |
results.csv |
训练过程逐轮指标 |
SHA256SUMS |
权重校验和 |
LICENSE |
完整 GNU AGPL-3.0 文本 |
README.md |
模型卡 |
权重 SHA256：
a96c29ef518990f410f54ec2c4a4ef617b2b184996c2b980eb44072243070c44 best.pt
限制与安全
- 验证集上的总体召回率为 49.74%，不能将该检测器视为安全完备的感知系统。
cyclist和motorcycle的召回率分别约为 30.22% 和 32.68%，是当前主要短板。- 模型受到训练数据、天气、相机视角、距离、遮挡和仿真到真实域差异影响。
conf=0.10用于提高候选召回率，必须由跟踪器、语义对齐和安全模块过滤误检。- 模型不检测车道拓扑，不完成多帧跟踪，也不直接输出控制指令。
- 不得仅依靠本模型输出控制真实车辆；本模型不构成自动驾驶安全认证。
权重安全
best.pt 是 Ultralytics/PyTorch checkpoint。PyTorch checkpoint 可能包含 pickle 序列化对象，只应从可信仓库加载。仓库中公布了 SHA256，下载后应先核验：
sha256sum -c SHA256SUMS
许可证
本仓库中的 YOLO11s 派生权重和相关发布文件采用 GNU AGPL-3.0。完整条款见 LICENSE。使用者还必须遵守训练数据集各自的许可条款。