Ultralytics YOLO11#
نظرة عامة#
أصدرت Ultralytics نموذج YOLO11 في 27 سبتمبر 2024، مقدمًا دقة وسرعة وكفاءة ممتازة. واستنادًا إلى التطورات اللافتة في إصدارات YOLO السابقة، يقدم YOLO11 تحسينات كبيرة في البنية وأساليب التدريب، ما يجعله خيارًا متعدد الاستخدامات لطيف واسع من مهام الرؤية الحاسوبية. وللاطلاع على أحدث نماذج Ultralytics، مع استدلال شامل من البداية إلى النهاية وخالٍ من NMS ونشر محسّن على الأجهزة الطرفية، راجع YOLO26.
شاهد: كيفية استخدام Ultralytics YOLO11 لاكتشاف الكائنات وتتبعها | كيفية قياس الأداء | صدور YOLO11 🚀
استكشف نماذج YOLO11 وشغّلها مباشرةً على منصة Ultralytics.
الميزات الرئيسية#
- استخراج محسّن للسمات: يستخدم YOLO11 بنية محسّنة لـالعمود الفقري والعنق، ما يعزز قدرات استخراج السمات لاكتشاف الأجسام بدقة أكبر وأداء أفضل في المهام المعقدة.
- تحسين الكفاءة والسرعة: يقدم YOLO11 تصميمات معمارية منقحة وخطوط معالجة تدريب محسّنة، ما يوفر سرعات معالجة أعلى ويحافظ على توازن أمثل بين الدقة والأداء.
- دقة أعلى بمعاملات أقل: بفضل التطورات في تصميم النموذج، يحقق YOLO11m قيمة أعلى لـمتوسط الدقة (mAP) على مجموعة بيانات COCO، مع استخدام معاملات أقل بنسبة 22% من YOLOv8m، ما يجعله فعالًا حاسوبيًا دون المساس بالدقة.
- قابلية التكيّف مع البيئات المختلفة: يمكن نشر YOLO11 بسلاسة في بيئات متنوعة، بما فيها الأجهزة الطرفية والمنصات السحابية والأنظمة الداعمة لوحدات معالجة الرسومات NVIDIA، ما يضمن أقصى قدر من المرونة.
- نطاق واسع من المهام المدعومة: صُمم YOLO11 للتعامل مع مجموعة متنوعة من تحديات الرؤية الحاسوبية، سواء أكانت اكتشاف الأجسام أم تجزئة المثيلات أم تصنيف الصور أم تقدير الوضعية أم اكتشاف الأجسام الموجّهة (OBB).
المهام والأوضاع المدعومة#
يستند YOLO11 إلى مجموعة النماذج متعددة الاستخدامات التي رسختها إصدارات Ultralytics YOLO السابقة، ويوفر دعمًا معززًا لمختلف مهام الرؤية الحاسوبية:
| 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 | تجزئة 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 المفتاحية | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | الكشف الموجّه | ✅ | ✅ | ✅ | ✅ |
يعرض 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، من الاكتشاف في الزمن الحقيقي إلى مهام التجزئة المعقدة.
مقاييس الأداء#
راجع وثائق الكشف للاطلاع على أمثلة استخدام هذه النماذج المدرّبة على COCO، والتي تتضمن 80 فئة مدرّبة مسبقًا.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | 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 الاستخدام#
يقدم هذا القسم أمثلة بسيطة على تدريب YOLO11 والاستدلال باستخدامه. للاطلاع على الوثائق الكاملة لهذه الأوضاع وغيرها، راجع صفحات الوثائق الخاصة بـالأوضاع والتنبؤ والتدريب والتحقق والتصدير.
تجدر الإشارة إلى أن المثال أدناه خاص بنماذج YOLO11 للكشف عن الأجسام. للاطلاع على المهام المدعومة الإضافية، راجع وثائق التجزئة والتصنيف والوضعية وOBB.
يمكن تمرير نماذج *.pt المدربة مسبقًا من PyTorch، وكذلك ملفات الإعداد *.yaml، إلى الصنف YOLO() لإنشاء مثيل نموذج في Python:
from ultralytics import YOLO
# تحميل نموذج YOLO11n مدرّب مسبقًا على COCO
model = YOLO("yolo11n.pt")
# تدريب النموذج على مجموعة بيانات المثال COCO8 لمدة 100 حقبة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تنفيذ الاستدلال باستخدام نموذج YOLO11n على الصورة 'bus.jpg'
results = model("path/to/bus.jpg")الاستشهادات والشكر والتقدير#
لم تنشر Ultralytics ورقة بحثية رسمية عن YOLO11 نظرًا إلى التطور السريع للنماذج. ينصب تركيزنا على تطوير التقنية وتسهيل استخدامها بدلًا من إنتاج وثائق جامدة. للحصول على أحدث المعلومات حول بنية YOLO وميزاته واستخدامه، يُرجى الرجوع إلى مستودع GitHub والوثائق.
إذا استخدمت YOLO11 أو أي برنامج آخر من هذا المستودع في عملك، فيُرجى الاستشهاد به بالتنسيق 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 DOI قيد الانتظار، وستُضاف قيمته إلى الاستشهاد عند توفرها. تُتاح نماذج YOLO11 بموجب تراخيص AGPL-3.0 والمؤسسات.
الأسئلة الشائعة#
يقدم Ultralytics YOLO11 عدة تطورات مهمة مقارنةً بـ YOLOv8. وتشمل أبرز التحسينات ما يلي:
- استخراج محسّن للسمات: يستخدم YOLO11 بنية محسّنة للعمود الفقري والعنق، ما يعزز قدرات استخراج السمات لاكتشاف الأجسام بدقة أكبر.
- كفاءة وسرعة محسّنتان: توفر التصميمات المعمارية المنقحة وخطوط معالجة التدريب المحسّنة سرعات معالجة أعلى، مع الحفاظ على التوازن بين الدقة والأداء.
- دقة أعلى بمعاملات أقل: يحقق YOLO11m قيمة أعلى لمتوسط الدقة (mAP) على مجموعة بيانات COCO، مع معاملات أقل بنسبة 22% من YOLOv8m، ما يجعله فعالًا حاسوبيًا دون المساس بالدقة.
- قابلية التكيّف مع البيئات المختلفة: يمكن نشر YOLO11 في بيئات متنوعة، بما فيها الأجهزة الطرفية والمنصات السحابية والأنظمة الداعمة لوحدات معالجة الرسومات NVIDIA.
- نطاق واسع من المهام المدعومة: يدعم YOLO11 مهام متنوعة في الرؤية الحاسوبية، مثل اكتشاف الأجسام وتجزئة المثيلات وتصنيف الصور وتقدير الوضعية واكتشاف الأجسام الموجّهة (OBB).
يمكن تدريب نموذج YOLO11 لاكتشاف الأجسام باستخدام أوامر Python أو CLI. فيما يلي أمثلة للطريقتين:
مثالfrom ultralytics import YOLO # تحميل نموذج YOLO11n مدرّب مسبقًا على COCO model = YOLO("yolo11n.pt") # تدريب النموذج على مجموعة بيانات المثال COCO8 لمدة 100 حقبة results = model.train(data="coco8.yaml", epochs=100, imgsz=640)للاطلاع على تعليمات أكثر تفصيلًا، راجع وثائق التدريب.
نماذج YOLO11 متعددة الاستخدامات وتدعم مجموعة واسعة من مهام الرؤية الحاسوبية، بما فيها:
- اكتشاف الأجسام: تحديد الأجسام داخل الصورة وتحديد مواقعها.
- تجزئة المثيلات: اكتشاف الأجسام وتحديد حدودها.
- تصنيف الصور: تصنيف الصور ضمن فئات محددة مسبقًا.
- تقدير الوضعية: اكتشاف النقاط المفتاحية على أجسام البشر وتتبعها.
- اكتشاف الأجسام الموجّهة (OBB): اكتشاف الأجسام مع مراعاة دورانها لتحقيق دقة أعلى.
لمزيد من المعلومات حول كل مهمة، راجع وثائق الاكتشاف وتجزئة المثيلات والتصنيف وتقدير الوضعية والاكتشاف الموجّه.
يحقق YOLO11 دقة أعلى باستخدام عدد أقل من المعاملات بفضل التطورات في تصميم النماذج وتقنيات التحسين. وتتيح البنية المحسّنة استخراج السمات ومعالجتها بكفاءة، ما يؤدي إلى قيمة أعلى لمتوسط الدقة (mAP) على مجموعات بيانات مثل COCO، مع استخدام معاملات أقل بنسبة 22% من YOLOv8m. وهذا يجعل YOLO11 فعالًا حاسوبيًا دون المساس بالدقة، ومناسبًا للنشر على الأجهزة محدودة الموارد.
نعم، صُمم YOLO11 ليتكيف مع بيئات متنوعة، بما فيها الأجهزة الطرفية. وتجعل بنيته المحسّنة وقدراته الفعالة على المعالجة منه خيارًا مناسبًا للنشر على الأجهزة الطرفية والمنصات السحابية والأنظمة الداعمة لوحدات معالجة الرسومات NVIDIA. وتضمن هذه المرونة إمكانية استخدام YOLO11 في تطبيقات متنوعة، من الاكتشاف في الزمن الحقيقي على الأجهزة المحمولة إلى مهام التجزئة المعقدة في البيئات السحابية. لمزيد من التفاصيل حول خيارات النشر، راجع وثائق التصدير.