Ultralytics YOLO11

Übersicht

YOLO11 wurde am 10. September 2024 von Ultralytics veröffentlicht und bietet hervorragende Genauigkeit, Geschwindigkeit und Effizienz. Aufbauend auf den beeindruckenden Fortschritten früherer YOLO-Versionen führt YOLO11 signifikante Verbesserungen in Architektur und Trainingsmethoden ein, was es zu einer vielseitigen Wahl für eine breite Palette von Computer Vision-Aufgaben macht. Für das neueste Ultralytics-Modell mit End-to-End NMS-freier Inferenz und optimiertem Edge-Deployment, siehe YOLO26.

Hauptmerkmale

• Erweiterte Merkmalsextraktion: YOLO11 verwendet eine verbesserte Backbone- und Neck-Architektur, die die Fähigkeiten zur Merkmalsextraktion für präzisere Objekterkennung und komplexere Aufgabenleistungen verbessert.
• Optimiert für Effizienz und Geschwindigkeit: YOLO11 führt verfeinerte Architekturdesigns und optimierte Trainings-Pipelines ein, die schnellere Verarbeitungsgeschwindigkeiten liefern und gleichzeitig ein optimales Gleichgewicht zwischen Genauigkeit und Leistung wahren.
• Höhere Genauigkeit bei weniger Parametern: Dank Fortschritten im Modelldesign erreicht YOLO11m eine höhere mean Average Precision (mAP) auf dem COCO-Datensatz und nutzt dabei 22% weniger Parameter als YOLOv8m, wodurch es recheneffizient bleibt, ohne an Genauigkeit einzubüßen.
• Anpassungsfähigkeit in verschiedenen Umgebungen: YOLO11 kann nahtlos in verschiedenen Umgebungen eingesetzt werden, einschließlich Edge-Geräten, Cloud-Plattformen und Systemen, die NVIDIA-GPUs unterstützen, was maximale Flexibilität gewährleistet.
• Breites Spektrum an unterstützten Aufgaben: Ob Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Pose-Estimation oder orientierte Objekterkennung (OBB) – YOLO11 ist darauf ausgelegt, eine Vielzahl von Computer-Vision-Herausforderungen zu meistern.

Unterstützte Aufgaben und Modi

YOLO11 baut auf der vielseitigen Modellreihe auf, die durch frühere Ultralytics YOLO-Releases etabliert wurde, und bietet erweiterte Unterstützung für verschiedene Computer-Vision-Aufgaben:

Diese Tabelle bietet einen Überblick über die YOLO11-Modellvarianten, zeigt ihre Anwendbarkeit bei spezifischen Aufgaben und ihre Kompatibilität mit Betriebsmodi wie Inferenz, Validierung, Training und Export. Diese Flexibilität macht YOLO11 für eine breite Palette von Anwendungen in der Computer Vision geeignet, von der Echtzeiterkennung bis hin zu komplexen Segmentierungsaufgaben.

Leistungskennzahlen

Anwendungsbeispiele

Dieser Abschnitt enthält einfache Beispiele für das Training und die Inferenz mit YOLO11. Für die vollständige Dokumentation zu diesen und anderen Modi, siehe die Dokumentationsseiten Predict, Train, Val und Export.

Beachte, dass das folgende Beispiel für YOLO11 Detect-Modelle zur Objekterkennung gedacht ist. Für weitere unterstützte Aufgaben siehe die Dokumentation zu Segment, Classify, OBB und Pose.

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

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}
}

Bitte beachte, dass die DOI noch aussteht und der Zitation hinzugefügt wird, sobald sie verfügbar ist. YOLO11-Modelle werden unter AGPL-3.0 und Enterprise Lizenzen bereitgestellt.

FAQ

Was sind die wichtigsten Verbesserungen in Ultralytics YOLO11 im Vergleich zu YOLOv8?

Ultralytics YOLO11 führt im Vergleich zu YOLOv8 einige bedeutende Fortschritte ein. Zu den wichtigsten Verbesserungen gehören:

• Verbesserte Merkmalsextraktion: YOLO11 verwendet eine verbesserte Backbone- und Neck-Architektur, die die Funktionen zur Merkmalsextraktion für eine präzisere Objekterkennung verbessert.
• Optimierte Effizienz und Geschwindigkeit: Verfeinerte Architekturdesigns und optimierte Trainingspipelines sorgen für schnellere Verarbeitungsgeschwindigkeiten bei gleichzeitigem Ausgleich zwischen Genauigkeit und Leistung.
• Höhere Genauigkeit mit weniger Parametern: YOLO11m erzielt auf dem COCO-Datensatz eine höhere mittlere durchschnittliche Präzision (mAP) mit 22 % weniger Parametern als YOLOv8m, was es recheneffizient macht, ohne die Genauigkeit zu beeinträchtigen.
• Anpassungsfähigkeit an verschiedene Umgebungen: YOLO11 kann in verschiedenen Umgebungen eingesetzt werden, einschließlich Edge-Geräten, Cloud-Plattformen und Systemen, die NVIDIA-GPUs unterstützen.
• Breites Spektrum an unterstützten Aufgaben: YOLO11 unterstützt vielfältige Aufgaben des maschinellen Sehens, wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Pose-Schätzung und orientierte Objekterkennung (OBB).

Wie trainiere ich ein YOLO11-Modell für die Objekterkennung?

Das Training eines YOLO11-Modells für die Objekterkennung kann mithilfe von Python oder CLI-Befehlen durchgeführt werden. Nachfolgend findest du Beispiele für beide Methoden:

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)

Ausführlichere Anweisungen findest du in der Train-Dokumentation.

Welche Aufgaben können YOLO11-Modelle ausführen?

YOLO11-Modelle sind vielseitig einsetzbar und unterstützen eine breite Palette an Aufgaben des maschinellen Sehens, darunter:

• Objekterkennung: Identifizierung und Lokalisierung von Objekten innerhalb eines Bildes.
• Instanzsegmentierung: Erkennung von Objekten und Abgrenzung ihrer Ränder.
• Bildklassifizierung: Kategorisierung von Bildern in vordefinierte Klassen.
• Pose-Schätzung: Erkennung und Verfolgung von Schlüsselpunkten an menschlichen Körpern.
• Orientierte Objekterkennung (OBB): Erkennung von Objekten mit Rotation für höhere Präzision.

Weitere Informationen zu jeder Aufgabe findest du in der Dokumentation zu Detection, Instance Segmentation, Classification, Pose Estimation und Oriented Detection.

Wie erreicht YOLO11 eine höhere Genauigkeit mit weniger Parametern?

YOLO11 erreicht eine höhere Genauigkeit mit weniger Parametern durch Fortschritte im Modelldesign und in Optimierungstechniken. Die verbesserte Architektur ermöglicht eine effiziente Merkmalsextraktion und Verarbeitung, was zu einer höheren mittleren durchschnittlichen Präzision (mAP) auf Datensätzen wie COCO führt, während 22 % weniger Parameter als bei YOLOv8m verwendet werden. Dies macht YOLO11 recheneffizient, ohne bei der Genauigkeit Kompromisse einzugehen, was den Einsatz auf ressourcenbeschränkten Geräten ermöglicht.

Kann YOLO11 auf Edge-Geräten bereitgestellt werden?

Ja, YOLO11 ist auf Anpassungsfähigkeit in verschiedenen Umgebungen ausgelegt, einschließlich Edge-Geräten. Seine optimierte Architektur und effizienten Verarbeitungsfähigkeiten machen es für den Einsatz auf Edge-Geräten, Cloud-Plattformen und Systemen mit NVIDIA-GPUs geeignet. Diese Flexibilität stellt sicher, dass YOLO11 in vielfältigen Anwendungen verwendet werden kann, von der Echtzeiterkennung auf Mobilgeräten bis hin zu komplexen Segmentierungsaufgaben in Cloud-Umgebungen. Weitere Details zu Bereitstellungsoptionen findest du in der Export-Dokumentation.