Ultralytics YOLO11

نظرة عامة

أصدرت Ultralytics نموذج YOLO11 في 10 سبتمبر 2024، ليقدم دقة وسرعة وكفاءة ممتازة. بناءً على التطورات المثيرة للإعجاب في إصدارات YOLO السابقة، يقدم YOLO11 تحسينات كبيرة في البنية وطرق التدريب، مما يجعله خياراً متعدد الاستخدامات لمجموعة واسعة من مهام الرؤية الحاسوبية. للحصول على أحدث نموذج من Ultralytics مع استدلال متكامل بدون NMS ونشر محسن على الحافة، راجع YOLO26.

الميزات الرئيسية

• استخراج ميزات محسّن: يستخدم YOLO11 بنية أساسية وعنق محسّنة، مما يعزز قدرات استخراج الميزات من أجل كشف أكثر دقة للأجسام وأداء أفضل في المهام المعقدة.
• محسّن للكفاءة والسرعة: يقدم YOLO11 تصميمات معمارية محسّنة وخطوط أنابيب تدريب محسّنة، مما يوفر سرعات معالجة أسرع ويحافظ على توازن مثالي بين الدقة والأداء.
• دقة أكبر مع عدد أقل من المعلمات: بفضل التقدم في تصميم النماذج، يحقق YOLO11m متوسط دقة متوسط (mAP) أعلى على مجموعة بيانات COCO مع استخدام معلمات أقل بنسبة 22% مقارنة بـ YOLOv8m، مما يجعله فعالاً من الناحية الحسابية دون المساس بالدقة.
• القابلية للتكيف عبر البيئات: يمكن نشر YOLO11 بسلاسة عبر بيئات متنوعة، بما في ذلك أجهزة الحافة، ومنصات السحابة، والأنظمة التي تدعم وحدات معالجة الرسومات من NVIDIA، مما يضمن أقصى قدر من المرونة.
• نطاق واسع من المهام المدعومة: سواء كان الأمر يتعلق بكشف الأجسام، أو تجزئة المثيلات، أو تصنيف الصور، أو تقدير الوضعية، أو كشف الأجسام الموجهة (OBB)، فإن YOLO11 مصمم لتلبية مجموعة متنوعة من تحديات الرؤية الحاسوبية.

المهام والأنماط المدعومة

يعتمد YOLO11 على مجموعة النماذج المتنوعة التي أنشأتها إصدارات Ultralytics YOLO السابقة، مما يوفر دعماً محسناً عبر مهام الرؤية الحاسوبية المختلفة:

يوفر 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 الكشف في الوقت الفعلي وحتى مهام التجزئة المعقدة.

مقاييس الأداء

أمثلة الاستخدام

يوفر هذا القسم أمثلة بسيطة حول التدريب والاستدلال باستخدام YOLO11. للحصول على الوثائق الكاملة حول هذه الأنماط وغيرها، راجع صفحات وثائق التنبؤ، والتدريب، والتقييم، والتصدير.

لاحظ أن المثال أدناه مخصص لنماذج YOLO11 للكشف عن الأجسام. للمزيد من المهام المدعومة، راجع وثائق التجزئة، والتصنيف، وOBB، وتقدير الوضعية.

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

إذا كنت تستخدم YOLO11 أو أي برمجيات أخرى من هذا المستودع في عملك، يرجى الاستشهاد بها 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 الكائن الرقمي (DOI) قيد المعالجة وسيتم إضافته إلى الاقتباس بمجرد توفره. يتم توفير نماذج YOLO11 بموجب تراخيص AGPL-3.0 وEnterprise.

الأسئلة الشائعة

ما هي التحسينات الرئيسية في Ultralytics YOLO11 مقارنة بـ YOLOv8؟

يقدم Ultralytics YOLO11 العديد من التطورات الهامة مقارنة بـ YOLOv8. وتشمل التحسينات الرئيسية:

• استخراج ميزات مُحسّن: يستخدم YOLO11 بنية محسنة للعمود الفقري والرقبة، مما يعزز قدرات استخراج الميزات من أجل كشف أكثر دقة عن الأجسام.
• كفاءة وسرعة محسنتان: توفر التصاميم المعمارية الدقيقة وخطوط أنابيب التدريب المُحسّنة سرعات معالجة أسرع مع الحفاظ على توازن بين الدقة والأداء.
• دقة أكبر مع معلمات أقل: يحقق YOLO11m متوسط دقة أعلى Precision (mAP) على مجموعة بيانات COCO مع عدد معلمات أقل بنسبة 22% مقارنة بـ YOLOv8m، مما يجعله فعالاً من الناحية الحسابية دون المساومة على الدقة.
• قابلية التكيف عبر البيئات: يمكن نشر YOLO11 عبر بيئات متنوعة، بما في ذلك الأجهزة الطرفية (edge devices)، والمنصات السحابية، والأنظمة التي تدعم وحدات معالجة الرسوميات من NVIDIA.
• مجموعة واسعة من المهام المدعومة: يدعم YOLO11 مهام متنوعة في الرؤية الحاسوبية مثل الكشف عن الأجسام، وتجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، والكشف الموجه عن الأجسام (OBB).

كيف يمكنني تدريب نموذج YOLO11 للكشف عن الأجسام؟

يمكن تدريب نموذج YOLO11 للكشف عن الأجسام باستخدام Python أو أوامر CLI. فيما يلي أمثلة لكلتا الطريقتين:

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)

للحصول على تعليمات أكثر تفصيلاً، راجع وثائق التدريب.

ما المهام التي يمكن لنماذج YOLO11 أداؤها؟

نماذج YOLO11 متعددة الاستخدامات وتدعم مجموعة واسعة من مهام الرؤية الحاسوبية، بما في ذلك:

• الكشف عن الأجسام: تحديد وتحديد موقع الأجسام داخل الصورة.
• تجزئة المثيلات: الكشف عن الأجسام وتحديد حدودها.
• تصنيف الصور: تصنيف الصور إلى فئات محددة مسبقاً.
• تقدير الوضعية: الكشف عن النقاط الرئيسية في أجسام البشر وتتبعها.
• الكشف الموجه عن الأجسام (OBB): الكشف عن الأجسام مع الدوران لتحقيق دقة أعلى.

لمزيد من المعلومات حول كل مهمة، راجع وثائق الكشف، وتجزئة المثيلات، والتصنيف، وتقدير الوضعية، والكشف الموجه.

كيف يحقق YOLO11 دقة أكبر مع معلمات أقل؟

يحقق YOLO11 دقة أكبر مع معلمات أقل من خلال التطورات في تصميم النماذج وتقنيات التحسين. تسمح البنية المحسنة باستخراج ومعالجة فعالين للميزات، مما يؤدي إلى متوسط دقة (mAP) أعلى على مجموعات البيانات مثل COCO مع استخدام معلمات أقل بنسبة 22% مقارنة بـ YOLOv8m. وهذا يجعل YOLO11 فعالاً من الناحية الحسابية دون المساومة على الدقة، مما يجعله مناسباً للنشر على الأجهزة ذات الموارد المحدودة.

هل يمكن نشر YOLO11 على الأجهزة الطرفية (edge devices)؟

نعم، تم تصميم YOLO11 ليكون قابلاً للتكيف عبر بيئات متنوعة، بما في ذلك الأجهزة الطرفية. بنيته المحسنة وقدرات المعالجة الفعالة تجعله مناسباً للنشر على الأجهزة الطرفية، والمنصات السحابية، والأنظمة التي تدعم وحدات معالجة الرسوميات من NVIDIA. تضمن هذه المرونة إمكانية استخدام YOLO11 في تطبيقات متنوعة، بدءاً من الكشف الفوري على الأجهزة المحمولة وصولاً إلى مهام التجزئة المعقدة في البيئات السحابية. لمزيد من التفاصيل حول خيارات النشر، راجع وثائق التصدير.