Ultralytics YOLO11#
Übersicht#
YOLO11 wurde am 10. September 2024 von Ultralytics veröffentlicht und bietet hervorragende Genauigkeit, Geschwindigkeit und Effizienz. Auf den eindrucksvollen Fortschritten vorheriger YOLO-Versionen aufbauend führt YOLO11 signifikante Verbesserungen in Architektur und Trainingsmethoden ein, was es zu einer vielseitigen Wahl für eine breite Palette von Computer Vision-Aufgaben macht. Das neueste Ultralytics-Modell mit End-to-End NMS-freier Inferenz und optimiertem Edge-Deployment findest du unter YOLO26.
Watch: How to Use Ultralytics YOLO11 for Object Detection and Tracking | How to Benchmark | YOLO11 RELEASED🚀
Erkunde und starte YOLO11-Modelle direkt auf der Ultralytics Platform.
Hauptfunktionen#
- Erweiterte Merkmalsextraktion: YOLO11 verwendet eine verbesserte Backbone- und Neck-Architektur, die die Fähigkeiten zur Merkmalsextraktion für eine präzisere Objekterkennung und die Leistung bei komplexen Aufgaben verbessert.
- Optimiert für Effizienz und Geschwindigkeit: YOLO11 führt verfeinerte Architekturdesigns und optimierte Trainingspipelines ein, die schnellere Verarbeitungsgeschwindigkeiten liefern und gleichzeitig eine optimale Balance zwischen Genauigkeit und Leistung wahren.
- Höhere Genauigkeit bei weniger Parametern: Dank Fortschritten im Modelldesign erzielt YOLO11m eine höhere mittlere durchschnittliche Genauigkeit (mAP) auf dem COCO-Datensatz und verwendet dabei 22 % weniger Parameter als YOLOv8m, wodurch es recheneffizient ist, ohne Kompromisse bei der Genauigkeit einzugehen.
- Anpassungsfähigkeit über verschiedene Umgebungen: YOLO11 lässt sich nahtlos in verschiedenen Umgebungen einsetzen, einschließlich Edge-Geräten, Cloud-Plattformen und Systemen, die NVIDIA GPUs unterstützen, was maximale Flexibilität gewährleistet.
- Breite Palette unterstützter Aufgaben: Ob Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Pose-Schätzung oder orientierte Objekterkennung (OBB), YOLO11 ist darauf ausgelegt, eine Vielzahl von Computer-Vision-Herausforderungen zu bewältigen.
Unterstützte Aufgaben und Modi#
YOLO11 baut auf dem vielseitigen Modellangebot früherer Ultralytics YOLO-Veröffentlichungen auf und bietet verbesserte Unterstützung für verschiedene Computer-Vision-Aufgaben:
| Modell | Dateinamen | Aufgabe | Training | Validation | Inference | Exportieren |
|---|---|---|---|---|---|---|
| YOLO11 | yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt | Detektion | ✅ | ✅ | ✅ | ✅ |
| 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 | Classification | ✅ | ✅ | ✅ | ✅ |
| YOLO11-pose | yolo11n-pose.pt yolo11s-pose.pt yolo11m-pose.pt yolo11l-pose.pt yolo11x-pose.pt | Pose/Keypoints | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | Oriented Detection | ✅ | ✅ | ✅ | ✅ |
Diese Tabelle bietet einen Überblick über die YOLO11-Modellvarianten und zeigt ihre Anwendbarkeit bei spezifischen Aufgaben sowie ihre Kompatibilität mit operativen Modi wie Inferenz, Validierung, Training und Export. Diese Flexibilität macht YOLO11 für eine breite Palette von Anwendungen im Bereich Computer Vision geeignet, von Echtzeiterkennung bis hin zu komplexen Segmentierungsaufgaben.
Leistungsmetriken#
Siehe Detection Docs für Anwendungsbeispiele mit diesen Modellen, die auf COCO trainiert wurden und 80 vortrainierte Klassen umfassen.
| 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 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 ± 2.0 | 4.7 ± 0.1 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 ± 1.4 | 6.2 ± 0.1 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 ± 6.7 | 11.3 ± 0.2 | 56.9 | 194.9 |
Anwendungsbeispiele#
Dieser Abschnitt bietet einfache Beispiele für das Training und die Inferenz mit YOLO11. Vollständige Dokumentation zu diesen und anderen Modi findest du auf den Dokumentationsseiten für 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.
PyTorch-vortrainierte *.pt-Modelle sowie Konfigurationsdateien vom Typ *.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 entwickelnden Natur der Modelle kein formelles Forschungspapier für YOLO11 veröffentlicht. Wir konzentrieren uns darauf, die Technologie voranzutreiben und die Handhabung zu erleichtern, anstatt statische Dokumentationen zu erstellen. Aktuellste Informationen zur YOLO-Architektur, zu Funktionen und zur Verwendung findest du in unserem GitHub repository und in der Dokumentation.
Wenn du YOLO11 oder 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 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 führt einige bedeutende Verbesserungen gegenüber YOLOv8 ein. Die wichtigsten Verbesserungen sind:
- Erweiterte Merkmalsextraktion: YOLO11 verwendet eine verbesserte Backbone- und Neck-Architektur, die die Fähigkeiten zur Merkmalsextraktion für eine präzisere Objekterkennung verbessert.
- Optimierte Effizienz und Geschwindigkeit: Durchdachte Architekturdesigns und optimierte Trainings-Pipelines sorgen für schnellere Verarbeitungsgeschwindigkeiten bei gleichzeitigem Ausgleich zwischen Genauigkeit und Leistung.
- Höhere Genauigkeit bei weniger Parametern: YOLO11m erzielt eine höhere mittlere durchschnittliche Präzision (mAP) auf dem COCO-Datensatz mit 22 % weniger Parametern als YOLOv8m, wodurch es recheneffizient ist, ohne Kompromisse bei der Genauigkeit einzugehen.
- Anpassungsfähigkeit an verschiedene Umgebungen: YOLO11 kann in verschiedenen Umgebungen eingesetzt werden, einschließlich Edge-Geräten, Cloud-Plattformen und Systemen, die NVIDIA GPUs unterstützen.
- Breites Spektrum unterstützter Aufgaben: YOLO11 unterstützt verschiedene Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Pose Estimation und ausgerichtete Objekterkennung (OBB).
Das Training eines YOLO11-Modells zur Objekterkennung kann über Python oder CLI-Befehle erfolgen. 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 Train-Dokumentation.
YOLO11-Modelle sind vielseitig und unterstützen eine breite Palette an Computer-Vision-Aufgaben, darunter:
- Objekterkennung: Identifizieren und Lokalisieren von Objekten innerhalb eines Bildes.
- Instanzsegmentierung: Erkennen von Objekten und Abgrenzen ihrer Begrenzungen.
- Bildklassifizierung: Einteilung von Bildern in vordefinierte Klassen.
- Pose-Schätzung: Erkennen und Verfolgen von Schlüsselpunkten auf menschlichen Körpern.
- Orientierte Objekterkennung (OBB): Erkennen von Objekten mit Rotation für höhere Präzision.
Weitere Informationen zu den einzelnen Aufgaben findest du in der Dokumentation zu Detection, Instance Segmentation, Classification, Pose Estimation und Oriented Detection.
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 Genauigkeit (mAP) auf Datensätzen wie COCO führt, während 22 % weniger Parameter als bei YOLOv8m verwendet werden. Dies macht YOLO11 recheneffizient, ohne die Genauigkeit zu beeinträchtigen, und eignet sich somit für den Einsatz auf Geräten mit begrenzten Ressourcen.
Ja, YOLO11 ist auf Anpassungsfähigkeit in verschiedenen Umgebungen ausgelegt, einschließlich Edge-Geräten. Seine optimierte Architektur und effizienten Verarbeitungsfunktionen machen es für den Einsatz auf Edge-Geräten, Cloud-Plattformen und Systemen geeignet, die NVIDIA GPUs unterstützen. Diese Flexibilität stellt sicher, dass YOLO11 in unterschiedlichsten Anwendungen eingesetzt werden kann, von der Echtzeiterkennung auf Mobilgeräten bis hin zu komplexen Segmentierungsaufgaben in Cloud-Umgebungen. Weitere Einzelheiten zu den Deployment-Optionen findest du in der Export-Dokumentation.