Ultralytics YOLO11#
نظرة عامة#
أصدرت Ultralytics إصدار YOLO11 في 10 سبتمبر 2024، مقدمًا دقة وسرعة وكفاءة ممتازة. واستنادًا إلى التطورات اللافتة في إصدارات YOLO السابقة، يقدم YOLO11 تحسينات مهمة في البنية وأساليب التدريب، مما يجعله خيارًا متعدد الاستخدامات لمجموعة واسعة من مهام الرؤية الحاسوبية. للاطلاع على أحدث نموذج من Ultralytics مع استدلال شامل من البداية إلى النهاية وخالٍ من NMS، ونشر مُحسّن على الأجهزة الطرفية، راجع YOLO26.
Watch: How to Use Ultralytics YOLO11 for Object Detection and Tracking | How to Benchmark | YOLO11 RELEASED🚀
استكشف نماذج YOLO11 وشغّلها مباشرةً على منصة Ultralytics.
الميزات الرئيسية#
- استخراج محسّن للسمات: يستخدم YOLO11 بنية العمود الفقري والطبقة الوسطى المحسّنتين، ما يعزز قدرات استخراج السمات لتحقيق كشف أكثر دقة للأجسام وأداء أفضل في المهام المعقدة.
- تحسين الكفاءة والسرعة: يقدّم YOLO11 تصميمات بنيوية منقّحة وخطوط أنابيب تدريب محسّنة، ما يحقق سرعات معالجة أعلى ويحافظ على توازن أمثل بين الدقة والأداء.
- دقة أعلى باستخدام عدد أقل من المعلمات: بفضل التطورات في تصميم النموذج، يحقق YOLO11m قيمة أعلى من متوسط الدقة (mAP) على مجموعة بيانات COCO، مع استخدام معلمات أقل بنسبة 22% من YOLOv8m، ما يجعله فعالًا حسابيًا دون المساس بالدقة.
- قابلية تكيف أكبر عبر البيئات: يمكن نشر YOLO11 بسلاسة عبر بيئات متنوعة، بما في ذلك الأجهزة الطرفية والمنصات السحابية والأنظمة التي تدعم وحدات معالجة الرسومات NVIDIA، ما يضمن أقصى قدر من المرونة.
- نطاق واسع من المهام المدعومة: سواء أكانت المهمة كشف الأجسام أو تقسيم الكائنات أو تصنيف الصور أو تقدير الوضعية أو كشف الأجسام الموجّهة (OBB)، فقد صُمم YOLO11 لمعالجة مجموعة متنوعة من تحديات الرؤية الحاسوبية.
المهام والأوضاع المدعومة#
يبني YOLO11 على مجموعة النماذج متعددة الاستخدامات التي أرستها إصدارات Ultralytics YOLO السابقة، مقدمًا دعمًا محسّنًا عبر مهام الرؤية الحاسوبية المتنوعة:
| النموذج | أسماء الملفات | المهمة | التدريب | التحقق | الاستدلال | التصدير |
|---|---|---|---|---|---|---|
| YOLO11 | yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt | الكشف | ✅ | ✅ | ✅ | ✅ |
| YOLO11-seg | yolo11n-seg.pt yolo11s-seg.pt yolo11m-seg.pt yolo11l-seg.pt yolo11x-seg.pt | تقسيم الكائنات | ✅ | ✅ | ✅ | ✅ |
| 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 | الوضعية/النقاط الرئيسية | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | الكشف الموجّه | ✅ | ✅ | ✅ | ✅ |
يقدم هذا الجدول نظرة عامة على متغيرات نموذج YOLO11، موضحًا مدى ملاءمتها لمهام محددة وتوافقها مع أوضاع التشغيل مثل الاستدلال والتحقق والتدريب والتصدير. تجعل هذه المرونة YOLO11 مناسبًا لمجموعة واسعة من تطبيقات الرؤية الحاسوبية، بدءًا من الكشف في الوقت الفعلي ووصولًا إلى مهام التقسيم المعقدة.
مقاييس الأداء#
راجع وثائق الكشف للاطلاع على أمثلة الاستخدام مع هذه النماذج المدرّبة على COCO، والتي تتضمن 80 فئة مدرّبة مسبقًا.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 1.5 ± 0.0 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 ± 1.2 | 2.5 ± 0.0 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 ± 2.0 | 4.7 ± 0.1 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 ± 1.4 | 6.2 ± 0.1 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 ± 6.7 | 11.3 ± 0.2 | 56.9 | 195.3 |
أمثلة على الاستخدام#
يقدم هذا القسم أمثلة بسيطة على تدريب YOLO11 واستدلاله. للحصول على الوثائق الكاملة حول هذه الأوضاع وغيرها، راجع صفحات وثائق التنبؤ والتدريب والتحقق والتصدير.
تجدر الإشارة إلى أن المثال أدناه مخصص لنماذج YOLO11 الخاصة بـالكشف من أجل كشف الأجسام. للاطلاع على المهام المدعومة الإضافية، راجع وثائق التقسيم والتصنيف والوضعية وOBB.
يمكن تمرير نماذج *.pt المدرّبة مسبقًا باستخدام PyTorch، بالإضافة إلى ملفات الإعداد *.yaml، إلى الفئة YOLO() لإنشاء مثيل نموذج 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 والتقدير#
لم تنشر Ultralytics ورقة بحثية رسمية حول YOLO11 بسبب الطبيعة سريعة التطور لهذه النماذج. نركّز على تطوير التقنية وتسهيل استخدامها، بدلًا من إنتاج وثائق ثابتة. للحصول على أحدث المعلومات حول بنية YOLO وميزاته واستخدامه، يُرجى الرجوع إلى مستودعنا على GitHub ووثائقنا.
إذا استخدمت YOLO11 أو أي برنامج آخر من هذا المستودع في عملك، فيُرجى 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}
}يُرجى ملاحظة أن DOI قيد الانتظار، وستُضاف إليه الإحالة بمجرد توفره. تُوفَّر نماذج YOLO11 بموجب ترخيصي AGPL-3.0 والمؤسسة.
الأسئلة الشائعة#
يقدّم Ultralytics YOLO11 العديد من التطورات المهمة مقارنةً بـ YOLOv8. وتشمل التحسينات الرئيسية ما يلي:
- استخراج محسّن للسمات: يستخدم YOLO11 بنية العمود الفقري والطبقة الوسطى المحسّنتين، ما يعزز قدرات استخراج السمات لتحقيق كشف أكثر دقة للأجسام.
- كفاءة وسرعة محسّنتان: توفر التصميمات البنيوية المنقّحة وخطوط أنابيب التدريب المحسّنة سرعات معالجة أعلى مع الحفاظ على التوازن بين الدقة والأداء.
- دقة أعلى باستخدام عدد أقل من المعلمات: يحقق YOLO11m قيمة أعلى من متوسط الدقة (mAP) على مجموعة بيانات COCO، مع استخدام معلمات أقل بنسبة 22% من YOLOv8m، ما يجعله فعالًا حسابيًا دون المساس بالدقة.
- قابلية تكيف عبر البيئات: يمكن نشر YOLO11 عبر بيئات متنوعة، بما في ذلك الأجهزة الطرفية والمنصات السحابية والأنظمة التي تدعم وحدات معالجة الرسومات NVIDIA.
- نطاق واسع من المهام المدعومة: يدعم YOLO11 مهام متنوعة في الرؤية الحاسوبية، مثل كشف الأجسام وتقسيم الكائنات وتصنيف الصور وتقدير الوضعية وكشف الأجسام الموجّهة (OBB).
يمكن تدريب نموذج YOLO11 لكشف الأجسام باستخدام أوامر Python أو CLI. فيما يلي أمثلة على 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)للحصول على تعليمات أكثر تفصيلًا، راجع وثائق التدريب.
تتميز نماذج YOLO11 بتعدد استخداماتها وتدعم مجموعة واسعة من مهام الرؤية الحاسوبية، بما في ذلك:
- كشف الأجسام: تحديد الأجسام وتحديد مواقعها داخل الصورة.
- تقسيم الكائنات: كشف الأجسام وتحديد حدودها.
- تصنيف الصور: تصنيف الصور ضمن فئات محددة مسبقًا.
- تقدير الوضعية: كشف النقاط الرئيسية على أجسام البشر وتتبعها.
- كشف الأجسام الموجّهة (OBB): كشف الأجسام مع مراعاة دورانها لتحقيق دقة أعلى.
لمزيد من المعلومات حول كل مهمة، راجع وثائق الكشف وتقسيم الكائنات والتصنيف وتقدير الوضعية والكشف الموجّه.
يحقق YOLO11 دقة أعلى باستخدام عدد أقل من المعلمات بفضل التطورات في تصميم النموذج وتقنيات التحسين. تتيح البنية المحسّنة استخراج السمات ومعالجتها بكفاءة، ما يؤدي إلى قيمة أعلى من متوسط الدقة (mAP) على مجموعات بيانات مثل COCO، مع استخدام معلمات أقل بنسبة 22% من YOLOv8m. يجعل ذلك YOLO11 فعالًا حسابيًا دون المساس بالدقة، ومناسبًا للنشر على الأجهزة محدودة الموارد.
نعم، صُمم YOLO11 ليكون قابلًا للتكيف عبر بيئات متنوعة، بما في ذلك الأجهزة الطرفية. وتجعل بنيته المحسّنة وقدراته الفعالة على المعالجة مناسبًا للنشر على الأجهزة الطرفية والمنصات السحابية والأنظمة التي تدعم وحدات معالجة الرسومات NVIDIA. تضمن هذه المرونة إمكانية استخدام YOLO11 في تطبيقات متنوعة، بدءًا من الكشف في الوقت الفعلي على الأجهزة المحمولة ووصولًا إلى مهام التقسيم المعقدة في البيئات السحابية. لمزيد من التفاصيل حول خيارات النشر، راجع وثائق التصدير.