Ultralytics YOLO11#

Übersicht#

YOLO11 wurde am 27. September 2024 von Ultralytics veröffentlicht und bietet hervorragende Genauigkeit, Geschwindigkeit und Effizienz. Aufbauend auf den beeindruckenden Fortschritten früherer YOLO-Versionen bietet YOLO11 wesentliche Verbesserungen an Architektur und Trainingsmethoden und eignet sich damit vielseitig für zahlreiche Aufgaben der Computer Vision. Das neueste Ultralytics-Modell mit NMS-freier End-to-End-Inferenz und optimierter Bereitstellung auf Edge-Geräten findest du unter YOLO26.

Wichtige Funktionen#

• Verbesserte Merkmalsextraktion: YOLO11 verwendet eine verbesserte Backbone- und Neck-Architektur, die die Fähigkeiten zur Merkmalsextraktion für eine präzisere Objekterkennung und bessere Leistung bei komplexen Aufgaben verbessert.
• Optimiert für Effizienz und Geschwindigkeit: YOLO11 bietet verfeinerte Architekturentwürfe und optimierte Trainingsabläufe. Dadurch werden höhere Verarbeitungsgeschwindigkeiten erzielt und gleichzeitig Genauigkeit und Leistung ausgewogen gehalten.
• Höhere Genauigkeit mit weniger Parametern: Dank Fortschritten beim Modelldesign erzielt YOLO11m auf dem COCO-Datensatz einen höheren Wert für die mittlere durchschnittliche Präzision (mAP) und verwendet dabei 22 % weniger Parameter als YOLOv8m. So ist das Modell rechnerisch effizient, ohne Abstriche bei der Genauigkeit.
• Anpassungsfähigkeit in verschiedenen Umgebungen: YOLO11 lässt sich problemlos in unterschiedlichen Umgebungen einsetzen, darunter Edge-Geräte, Cloud-Plattformen und Systeme mit Unterstützung für NVIDIA-GPUs, und bietet so maximale Flexibilität.
• Breite Palette unterstützter Aufgaben: Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung oder orientierte Objekterkennung (OBB) – YOLO11 ist für verschiedenste Herausforderungen der Computer Vision ausgelegt.

Unterstützte Aufgaben und Modi#

YOLO11 baut auf der vielseitigen Modellpalette früherer Ultralytics-YOLO-Veröffentlichungen auf und bietet verbesserte Unterstützung für verschiedene Aufgaben der Computer Vision:

Diese Tabelle bietet einen Überblick über die YOLO11-Modellvarianten, zeigt ihre Eignung für bestimmte Aufgaben und ihre Kompatibilität mit Betriebsmodi wie Inferenz, Validierung, Training und Export. Dank dieser Flexibilität eignet sich YOLO11 für vielfältige Anwendungen der Computer Vision, von Echtzeit-Erkennung bis hin zu komplexen Segmentierungsaufgaben.

Leistungskennzahlen#

Anwendungsbeispiele#

Dieser Abschnitt enthält einfache Beispiele für das Training und die Inferenz mit YOLO11. Die vollständige Dokumentation zu diesen und weiteren Modi findest du auf den Dokumentationsseiten zu Vorhersage, Training, Validierung und Export.

Beachte, dass das folgende Beispiel für YOLO11-Detect-Modelle zur Objekterkennung gilt. Weitere unterstützte Aufgaben findest du in der Dokumentation zu Segmentierung, Klassifizierung, Pose und OBB.

from ultralytics import YOLO

# Ein mit COCO vortrainiertes YOLO11n-Modell laden
model = YOLO("yolo11n.pt")

# Das Modell 100 Epochen lang mit dem COCO8-Beispieldatensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Mit dem YOLO11n-Modell eine Inferenz für das Bild 'bus.jpg' ausführen
results = model("path/to/bus.jpg")

Zitate und Danksagungen#

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 die DOI noch aussteht und dem Zitat hinzugefügt wird, sobald sie verfügbar ist. YOLO11-Modelle werden unter den Lizenzen AGPL-3.0 und Enterprise bereitgestellt.

Häufig gestellte Fragen#