Ultralytics YOLO11#
نظرة عامة#
تم إطلاق YOLO11 بواسطة Ultralytics في 10 سبتمبر 2024، مما يوفر دقة وسرعة وكفاءة ممتازة. بناءً على التطورات المثيرة للإعجاب لإصدارات YOLO السابقة، يقدم YOLO11 تحسينات كبيرة في الهندسة المعمارية وطرق التدريب، مما يجعله خيارًا متعدد الاستخدامات لمجموعة واسعة من مهام الرؤية الحاسوبية. لأحدث نموذج من Ultralytics مع استدلال خالٍ من NMS من البداية إلى النهاية ونشر محسن على الحافة، راجع YOLO26.
Watch: How to Use Ultralytics YOLO11 for Object Detection and Tracking | How to Benchmark | YOLO11 RELEASED🚀
استكشف وشغل نماذج YOLO11 مباشرة على Ultralytics Platform.
الميزات الرئيسية#
- استخراج ميزات محسّن: يستخدم YOLO11 عموداً فقرياً وبنية عنق محسّنة، مما يعزز قدرات استخراج الميزات لتحقيق اكتشاف أكثر دقة للأجسام وأداء أسرع للمهام المعقدة.
- مُحسّن للكفاءة والسرعة: يقدم YOLO11 تصميمات معمارية محسنة وخطوط أنابيب تدريب مُحسّنة، مما يوفر سرعات معالجة أسرع ويحافظ على توازن مثالي بين الدقة والأداء.
- دقة أكبر بمعلمات أقل: مع التطورات في تصميم النماذج، يحقق YOLO11m متوسط دقة متوسطة (mAP) أعلى على مجموعة بيانات COCO بينما يستخدم معلمات أقل بنسبة 22% من YOLOv8m، مما يجعله فعالاً من الناحية الحسابية دون المساومة على الدقة.
- قابلية التكيف عبر البيئات: يمكن نشر YOLO11 بسلاسة عبر بيئات متنوعة، بما في ذلك أجهزة الحافة، والمنصات السحابية، والأنظمة التي تدعم وحدات معالجة الرسومات NVIDIA، مما يضمن أقصى قدر من المرونة.
- مجموعة واسعة من المهام المدعومة: سواء كان الأمر يتعلق باكتشاف الكائنات، أو تجزئة المثيلات، أو تصنيف الصور، أو تقدير الوضعية، أو اكتشاف الكائنات الموجهة (OBB)، فقد صُمم YOLO11 لتلبية مجموعة متنوعة من تحديات الرؤية الحاسوبية.
المهام والأوضاع المدعومة#
يعتمد YOLO11 على مجموعة النماذج المتنوعة التي أرستها إصدارات Ultralytics YOLO السابقة، مما يوفر دعماً محسناً عبر مختلف مهام الرؤية الحاسوبية:
| النموذج | أسماء الملفات | المهمة | التدريب | التحقق | الاستنتاج | التصدير |
|---|---|---|---|---|---|---|
| YOLO11 | yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt | الاكتشاف | ✅ | ✅ | ✅ | ✅ |
| YOLO11-seg | yolo11n-seg.pt yolo11s-seg.pt yolo11m-seg.pt yolo11l-seg.pt yolo11x-seg.pt | تجزئة الحالات الفردية | ✅ | ✅ | ✅ | ✅ |
| YOLO11-cls | yolo11n-cls.pt yolo11s-cls.pt yolo11m-cls.pt yolo11l-cls.pt yolo11x-cls.pt | التصنيف | ✅ | ✅ | ✅ | ✅ |
| YOLO11-pose | yolo11n-pose.pt yolo11s-pose.pt yolo11m-pose.pt yolo11l-pose.pt yolo11x-pose.pt | الوضعيات / النقاط الرئيسية | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | الاكتشاف الموجه | ✅ | ✅ | ✅ | ✅ |
يقدم هذا الجدول نظرة عامة على متغيرات نموذج YOLO11، موضحاً قابليتها للتطبيق في مهام محددة وتوافقها مع أوضاع التشغيل مثل الاستدلال، والتحقق، والتدريب، والتصدير. هذه المرونة تجعل YOLO11 مناسباً لمجموعة واسعة من تطبيقات الرؤية الحاسوبية، بدءاً من الاكتشاف في الوقت الفعلي وصولاً إلى مهام التجزئة المعقدة.
مقاييس الأداء#
راجع مستندات الاكتشاف لمعرفة أمثلة الاستخدام مع هذه النماذج المدربة على COCO، والتي تتضمن 80 فئة مدرّبة مسبقاً.
أمثلة الاستخدام#
يوفر هذا القسم أمثلة بسيطة لتدريب واستدلال YOLO11. للحصول على وثائق كاملة حول هذه الأوضاع وغيرها، راجع صفحات وثائق Predict وTrain وVal وExport.
لاحظ أن المثال أدناه مخصص لنماذج Detect من YOLO11 لـ اكتشاف الكائنات. للتعرف على المهام المدعومة الإضافية، راجع وثائق Segment وClassify وPose وOBB.
يمكن تمرير نماذج PyTorch المدرّبة مسبقاً من *.pt بالإضافة إلى ملفات التكوين *.yaml إلى فئة YOLO() لإنشاء مثيل للنموذج في Python:
from ultralytics import YOLO
# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference with the YOLO11n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")الاقتباسات والشكر#
لم تنشر Ultralytics ورقة بحثية رسمية لـ YOLO11 نظرًا للطبيعة المتطورة بسرعة للنماذج. نحن نركز على تطوير التكنولوجيا وجعل استخدامها أسهل، بدلاً من إنتاج وثائق ثابتة. للحصول على أحدث المعلومات حول هندسة YOLO والميزات والاستخدام، يرجى الرجوع إلى مستودع GitHub الخاص بنا والوثائق.
إذا كنت تستخدم YOLO11 أو أي برنامج آخر من هذا المستودع في عملك، يرجى الاستشهاد به باستخدام التنسيق التالي:
@software{yolo11_ultralytics,
author = {Glenn Jocher and Jing Qiu},
title = {Ultralytics YOLO11},
version = {11.0.0},
year = {2024},
url = {https://github.com/ultralytics/ultralytics},
orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
license = {AGPL-3.0}
}يرجى ملاحظة أن معرف DOI قيد المعالجة وسيتم إضافته إلى الاستشهاد بمجرد توفره. يتم توفير نماذج YOLO11 بموجب تراخيص AGPL-3.0 وEnterprise.
الأسئلة الشائعة#
يقدم Ultralytics YOLO11 العديد من التطورات الهامة مقارنة بـ YOLOv8. تشمل التحسينات الرئيسية ما يلي:
- استخراج الميزات المحسّن: يستخدم YOLO11 هيكل عمود فقري وعنق محسّن، مما يعزز قدرات استخراج الميزات لاكتشاف الكائنات بشكل أكثر دقة.
- تحسين الكفاءة والسرعة: توفر التصاميم الهندسية المكررة وخطوط أنابيب التدريب المحسنة سرعات معالجة أسرع مع الحفاظ على توازن بين الدقة والأداء.
- دقة أكبر بمعلمات أقل: يحقق YOLO11m متوسط دقة متوسطة (mAP) أعلى على مجموعة بيانات COCO مع عدد معلمات أقل بنسبة 22% من YOLOv8m، مما يجعله فعالاً من الناحية الحسابية دون المساس بالدقة.
- القابلية للتكيف عبر البيئات: يمكن نشر YOLO11 عبر بيئات مختلفة، بما في ذلك الأجهزة الطرفية، ومنصات السحابة، والأنظمة التي تدعم وحدات معالجة الرسومات NVIDIA.
- مجموعة واسعة من المهام المدعومة: يدعم YOLO11 مهام الرؤية الحاسوبية المتنوعة مثل اكتشاف الكائنات، والتجزئة المثيلية، وتصنيف الصور، وتدريب الوضعيات، واكتشاف الكائنات الموجهة (OBB).
يمكن تدريب نموذج YOLO11 لاكتشاف الكائنات باستخدام Python أو أوامر CLI. فيما يلي أمثلة لكلتا الطريقتين:
مثالfrom ultralytics import YOLO # Load a COCO-pretrained YOLO11n model model = YOLO("yolo11n.pt") # Train the model on the COCO8 example dataset for 100 epochs results = model.train(data="coco8.yaml", epochs=100, imgsz=640)لمزيد من الإرشادات التفصيلية، راجع وثائق Train.
تعد نماذج YOLO11 متعددة الاستخدامات وتدعم مجموعة واسعة من مهام الرؤية الحاسوبية، بما في ذلك:
- اكتشاف الكائنات: تحديد وتحديد مواقع الكائنات داخل الصورة.
- تقسيم المثيلات: اكتشاف الكائنات وتحديد حدودها.
- تصنيف الصور: تصنيف الصور إلى فئات محددة مسبقًا.
- تقدير الوضعية: اكتشاف وتتبع النقاط الرئيسية على أجسام البشر.
- اكتشاف الكائنات الموجه (OBB): اكتشاف الكائنات مع الدوران لدقة أعلى.
لمزيد من المعلومات حول كل مهمة، راجع وثائق Detection وInstance Segmentation وClassification وPose Estimation وOriented Detection.
يحقق YOLO11 دقة أكبر مع عدد أقل من المعلمات من خلال التطورات في تصميم النموذج وتقنيات التحسين. تسمح البنية المحسنة باستخراج ومعالجة فعالين للميزات، مما يؤدي إلى متوسط دقة (mAP) أعلى على مجموعات بيانات مثل COCO مع استخدام معلمات أقل بنسبة 22% من YOLOv8m. هذا يجعل YOLO11 فعالاً من الناحية الحسابية دون المساومة على الدقة، مما يجعله مناسباً للنشر على الأجهزة ذات الموارد المحدودة.
نعم، تم تصميم YOLO11 للتكيف عبر بيئات مختلفة، بما في ذلك أجهزة الحافة. تجعله هندسته المحسنة وقدرات المعالجة الفعالة مناسبًا للاستخدام على أجهزة الحافة، ومنصات السحابة، والأنظمة التي تدعم وحدات معالجة الرسومات NVIDIA. تضمن هذه المرونة إمكانية استخدام YOLO11 في تطبيقات متنوعة، بدءًا من الاكتشاف في الوقت الفعلي على الأجهزة المحمولة ووصولاً إلى مهام التجزئة المعقدة في بيئات السحابة. لمزيد من التفاصيل حول خيارات النشر، راجع وثائق Export.