Ultralytics YOLO11#

Descripción general#

Ultralytics lanzó YOLO11 el 27 de septiembre de 2024, con una excelente precisión, velocidad y eficiencia. Sobre la base de los impresionantes avances de las versiones anteriores de YOLO, YOLO11 introduce mejoras importantes en la arquitectura y los métodos de entrenamiento, lo que lo convierte en una opción versátil para una amplia variedad de tareas de visión artificial. Para conocer el modelo más reciente de Ultralytics, con inferencia integral sin NMS y despliegue optimizado en dispositivos periféricos, consulta YOLO26.

Características principales#

• Extracción de características mejorada: YOLO11 emplea una arquitectura mejorada de backbone y cuello, que potencia la extracción de características para detectar objetos con mayor precisión y rendir mejor en tareas complejas.
• Optimizado para ofrecer eficiencia y velocidad: YOLO11 incorpora diseños arquitectónicos perfeccionados y procesos de entrenamiento optimizados, que proporcionan un procesamiento más rápido y mantienen 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 (mAP) superior en el conjunto de datos COCO y utiliza un 22 % menos de parámetros que YOLOv8m, por lo que ofrece eficiencia computacional sin comprometer la precisión.
• Adaptabilidad a distintos entornos: YOLO11 se puede implementar fácilmente en diversos entornos, como dispositivos periféricos, plataformas en la nube y sistemas compatibles con GPU de NVIDIA, lo que garantiza la máxima flexibilidad.
• Amplia variedad de tareas compatibles: Tanto si se trata de detección de objetos, segmentación de instancias, clasificación de imágenes, estimación de pose o detección de objetos orientados (OBB), YOLO11 está diseñado para abordar diversos retos de visión artificial.

Tareas y modos compatibles#

YOLO11 amplía la versátil gama de modelos que establecieron las versiones anteriores de Ultralytics YOLO y ofrece una mayor compatibilidad con distintas tareas de visión artificial:

Esta tabla ofrece una descripción general de las variantes del modelo YOLO11 y muestra su idoneidad para 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 artificial, desde la detección en tiempo real hasta tareas de segmentación complejas.

Métricas de rendimiento#

Ejemplos de uso#

En esta sección encontrarás ejemplos sencillos de entrenamiento e inferencia con YOLO11. Para consultar la documentación completa de estos y otros modos, consulta las páginas de documentación de Predict, Train, Val y Export.

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

from ultralytics import YOLO

# Carga un modelo YOLO11n preentrenado con COCO
model = YOLO("yolo11n.pt")

# Entrena el modelo durante 100 épocas con el conjunto de datos de ejemplo COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Ejecuta la inferencia con el modelo YOLO11n en la imagen 'bus.jpg'
results = model("path/to/bus.jpg")

Citas y agradecimientos#

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

@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 distribuyen con licencias AGPL-3.0 y Enterprise.

Preguntas frecuentes#