Ultralytics YOLO11#

Descripción general#

YOLO11 fue lanzado por Ultralytics el 10 de septiembre de 2024 y ofrece una excelente precisión, velocidad y eficiencia. Basándose en los impresionantes avances de versiones anteriores de YOLO, YOLO11 introduce mejoras significativas en la arquitectura y los métodos de entrenamiento, lo que lo convierte en una opción versátil para una amplia variedad de tareas de visión por ordenador. Para utilizar el modelo más reciente de Ultralytics, con inferencia sin NMS de extremo a extremo y un despliegue optimizado en dispositivos edge, consulta YOLO26.

Características principales#

• Extracción de características mejorada: YOLO11 utiliza una arquitectura mejorada de backbone y neck, que mejora las capacidades de extracción de características para una detección de objetos más precisa y un mejor rendimiento en tareas complejas.
• Optimizado para la eficiencia y la velocidad: YOLO11 introduce diseños arquitectónicos refinados y pipelines de entrenamiento optimizados, lo que proporciona mayores velocidades de procesamiento y mantiene un equilibrio óptimo entre precisión y rendimiento.
• Mayor precisión con menos parámetros: Gracias a los avances en el diseño del modelo, YOLO11m alcanza una precisión media promedio (mAP) superior en el conjunto de datos COCO, utilizando un 22 % menos de parámetros que YOLOv8m, lo que mejora la eficiencia computacional sin comprometer la precisión.
• Adaptabilidad en distintos entornos: YOLO11 se puede desplegar sin problemas en diversos entornos, incluidos dispositivos edge, plataformas en la nube y sistemas compatibles con GPU NVIDIA, lo que garantiza la máxima flexibilidad.
• Amplia variedad de tareas compatibles: Ya se trate de detección de objetos, segmentación de instancias, clasificación de imágenes, estimación de pose o detección de objetos orientados (OBB), YOLO11 está diseñado para abordar un conjunto diverso de desafíos de visión por ordenador.

Tareas y modos compatibles#

YOLO11 se basa en la versátil gama de modelos establecida por versiones anteriores de Ultralytics YOLO y ofrece una compatibilidad mejorada con diversas tareas de visión por ordenador:

Esta tabla ofrece una visión general de las variantes del modelo YOLO11 y muestra su aplicabilidad a tareas específicas y su compatibilidad con modos operativos como Inferencia, Validación, Entrenamiento y Exportación. Esta flexibilidad hace que YOLO11 sea adecuado para una amplia variedad de aplicaciones de visión por ordenador, desde la detección en tiempo real hasta tareas complejas de segmentación.

Métricas de rendimiento#

Ejemplos de uso#

Esta sección ofrece ejemplos sencillos de entrenamiento e inferencia con YOLO11. Para consultar la documentación completa sobre estos y otros modos, visita las páginas de documentación de Predicción, Entrenamiento, Validación y Exportación.

Ten en cuenta que el ejemplo siguiente corresponde a modelos YOLO11 de detección para la detección de objetos. Para consultar otras tareas compatibles, visita la documentación de Segmentación, Clasificación, Pose y OBB.

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")

Citas y agradecimientos#

Si utilizas YOLO11 o cualquier otro software de este repositorio en tu trabajo, cítalo con el formato siguiente:

@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}
}

Ten en cuenta que el DOI está pendiente y se añadirá a la cita cuando esté disponible. Los modelos YOLO11 se proporcionan bajo las licencias AGPL-3.0 y Enterprise.

Preguntas frecuentes#