Ultralytics YOLO11#
Übersicht#
YOLO11 wurde am 10. September 2024 von Ultralytics veröffentlicht und bietet eine hervorragende Genauigkeit, Geschwindigkeit und Effizienz. Aufbauend auf den beeindruckenden Fortschritten früherer YOLO-Versionen führt YOLO11 wesentliche Verbesserungen an Architektur und Trainingsmethoden ein und ist damit eine vielseitige Wahl für zahlreiche Computer-Vision-Aufgaben. Das neueste Ultralytics-Modell mit End-to-End-Inferenz ohne NMS und optimierter Bereitstellung auf Edge-Geräten findest du unter YOLO26.
Watch: How to Use Ultralytics YOLO11 for Object Detection and Tracking | How to Benchmark | YOLO11 RELEASED🚀
Erkunde YOLO11-Modelle direkt auf der Ultralytics Platform und führe sie dort aus.
Wichtige Funktionen#
- Verbesserte Merkmalsextraktion: YOLO11 verwendet eine verbesserte Backbone- und Neck-Architektur, die die Fähigkeiten zur Merkmalsextraktion für eine präzisere Objekterkennung und die Bearbeitung komplexer Aufgaben verbessert.
- Für Effizienz und Geschwindigkeit optimiert: YOLO11 führt verfeinerte Architekturentwürfe und optimierte Trainingspipelines ein. Dadurch werden höhere Verarbeitungsgeschwindigkeiten erreicht und gleichzeitig ein optimales Gleichgewicht zwischen Genauigkeit und Leistung gewahrt.
- Höhere Genauigkeit mit weniger Parametern: Dank Fortschritten beim Modelldesign erzielt YOLO11m auf dem COCO-Datensatz eine höhere mittlere durchschnittliche Präzision (mAP) und verwendet dabei 22 % weniger Parameter als YOLOv8m. Dadurch ist das Modell ohne Einbußen bei der Genauigkeit recheneffizient.
- Anpassungsfähigkeit an verschiedene Umgebungen: YOLO11 lässt sich nahtlos in verschiedenen Umgebungen bereitstellen, darunter Edge-Geräte, Cloud-Plattformen und Systeme mit NVIDIA GPUs, und gewährleistet so maximale Flexibilität.
- Breites Spektrum unterstützter Aufgaben: Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung oder Erkennung orientierter Objekte (OBB) – YOLO11 ist für vielfältige Herausforderungen im Bereich Computer Vision ausgelegt.
Unterstützte Aufgaben und Modi#
YOLO11 baut auf der vielseitigen Modellpalette früherer Ultralytics-YOLO-Veröffentlichungen auf und bietet eine verbesserte Unterstützung für verschiedene Computer-Vision-Aufgaben:
| Modell | Dateinamen | Aufgabe | Training | Validierung | Inferenz | Export |
|---|---|---|---|---|---|---|
| YOLO11 | yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt | Erkennung | ✅ | ✅ | ✅ | ✅ |
| YOLO11-seg | yolo11n-seg.pt yolo11s-seg.pt yolo11m-seg.pt yolo11l-seg.pt yolo11x-seg.pt | Instanzsegmentierung | ✅ | ✅ | ✅ | ✅ |
| YOLO11-cls | yolo11n-cls.pt yolo11s-cls.pt yolo11m-cls.pt yolo11l-cls.pt yolo11x-cls.pt | Klassifizierung | ✅ | ✅ | ✅ | ✅ |
| YOLO11-pose | yolo11n-pose.pt yolo11s-pose.pt yolo11m-pose.pt yolo11l-pose.pt yolo11x-pose.pt | Pose/Schlüsselpunkte | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | Erkennung orientierter Objekte | ✅ | ✅ | ✅ | ✅ |
Diese Tabelle gibt einen Überblick über die YOLO11-Modellvarianten und zeigt ihre Eignung für bestimmte Aufgaben sowie ihre Kompatibilität mit Betriebsmodi wie Inferenz, Validierung, Training und Export. Diese Flexibilität macht YOLO11 für ein breites Anwendungsspektrum in Computer Vision geeignet – von der Echtzeiterkennung bis hin zu komplexen Segmentierungsaufgaben.
Leistungsmetriken#
Beispiele zur Verwendung dieser auf COCO trainierten Modelle mit 80 vortrainierten Klassen findest du in der Dokumentation zur Erkennung.
| Modell | Größe (Pixel) | mAPval 50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (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 |
Verwendungsbeispiele#
Dieser Abschnitt enthält einfache Beispiele für das Training und die Inferenz mit YOLO11. Die vollständige Dokumentation zu diesen und anderen Modi findest du auf den Dokumentationsseiten zu Predict, Train, Val und Export.
Beachte, dass das folgende Beispiel für YOLO11-Detect-Modelle zur Objekterkennung gilt. Weitere unterstützte Aufgaben findest du in der Dokumentation zu Segment, Classify, Pose und OBB.
Vortrainierte *.pt-Modelle für PyTorch sowie Konfigurationsdateien *.yaml können an die Klasse YOLO() übergeben werden, um eine Modellinstanz in Python zu erstellen:
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")Zitate und Danksagungen#
Ultralytics hat aufgrund der sich schnell weiterentwickelnden Modelle kein formelles Forschungspapier zu YOLO11 veröffentlicht. Unser Fokus liegt auf der Weiterentwicklung der Technologie und ihrer leichteren Nutzung, nicht auf der Erstellung statischer Dokumentation. Die aktuellsten Informationen zur YOLO-Architektur, zu Funktionen und zur Verwendung findest du in unserem GitHub-Repository und in unserer Dokumentation.
Wenn du YOLO11 oder eine andere Software aus diesem Repository in deiner Arbeit verwendest, zitiere sie bitte im folgenden Format:
@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}
}Beachte, dass der DOI noch aussteht und dem Zitat hinzugefügt wird, sobald er verfügbar ist. YOLO11-Modelle werden unter den Lizenzen AGPL-3.0 und Enterprise bereitgestellt.
FAQ#
Ultralytics YOLO11 bietet mehrere wesentliche Weiterentwicklungen gegenüber YOLOv8. Zu den wichtigsten Verbesserungen gehören:
- Verbesserte Merkmalsextraktion: YOLO11 verwendet eine verbesserte Backbone- und Neck-Architektur, die die Fähigkeiten zur Merkmalsextraktion für eine präzisere Objekterkennung verbessert.
- Optimierte Effizienz und Geschwindigkeit: Verfeinerte Architekturentwürfe und optimierte Trainingspipelines ermöglichen höhere Verarbeitungsgeschwindigkeiten und wahren gleichzeitig ein ausgewogenes Verhältnis zwischen Genauigkeit und Leistung.
- Höhere Genauigkeit mit weniger Parametern: YOLO11m erzielt auf dem COCO-Datensatz eine höhere mittlere Präzision (mAP) und verwendet 22 % weniger Parameter als YOLOv8m. Dadurch ist das Modell ohne Einbußen bei der Genauigkeit recheneffizient.
- Anpassungsfähigkeit an verschiedene Umgebungen: YOLO11 kann in verschiedenen Umgebungen bereitgestellt werden, darunter Edge-Geräte, Cloud-Plattformen und Systeme mit NVIDIA GPUs.
- Breites Spektrum unterstützter Aufgaben: YOLO11 unterstützt vielfältige Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung und die Erkennung orientierter Objekte (OBB).
Das Training eines YOLO11-Modells für die Objekterkennung kann mit Python oder CLI-Befehlen durchgeführt werden. Nachfolgend findest du Beispiele für beide Methoden:
Beispielfrom 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)Ausführlichere Anweisungen findest du in der Trainingsdokumentation.
YOLO11-Modelle sind vielseitig und unterstützen ein breites Spektrum an Computer-Vision-Aufgaben, darunter:
- Objekterkennung: Objekte in einem Bild identifizieren und lokalisieren.
- Instanzsegmentierung: Erkennen von Objekten und Abgrenzen ihrer Umrisse.
- Bildklassifizierung: Einteilen von Bildern in vordefinierte Klassen.
- Posenschätzung: Erkennen und Verfolgen von Schlüsselpunkten am menschlichen Körper.
- Orientierte Objekterkennung (OBB): Erkennen von Objekten mit Rotation für höhere Präzision.
Weitere Informationen zu den einzelnen Aufgaben findest du in der Dokumentation zu Erkennung, Instanzsegmentierung, Klassifizierung, Posenschätzung und orientierter Erkennung.
YOLO11 erreicht durch Fortschritte beim Modelldesign und bei Optimierungstechniken eine höhere Genauigkeit mit weniger Parametern. Die verbesserte Architektur ermöglicht eine effiziente Merkmalsextraktion und -verarbeitung. Dadurch wird auf Datensätzen wie COCO eine höhere mittlere durchschnittliche Präzision (mAP) erzielt, während 22 % weniger Parameter als bei YOLOv8m verwendet werden. Damit ist YOLO11 ohne Einbußen bei der Genauigkeit recheneffizient und eignet sich für den Einsatz auf Geräten mit begrenzten Ressourcen.
Ja, YOLO11 ist für die Anpassungsfähigkeit an verschiedene Umgebungen ausgelegt, darunter auch Edge-Geräte. Seine optimierte Architektur und die effizienten Verarbeitungsfunktionen machen es für den Einsatz auf Edge-Geräten, Cloud-Plattformen und Systemen mit NVIDIA-GPUs geeignet. Diese Flexibilität ermöglicht den Einsatz von YOLO11 in vielfältigen Anwendungen – von der Echtzeiterkennung auf Mobilgeräten bis hin zu komplexen Segmentierungsaufgaben in Cloud-Umgebungen. Weitere Informationen zu den Bereitstellungsoptionen findest du in der Dokumentation zu Export.