Ultralytics YOLO11

Visión general

YOLO11 es la última iteración de la serie Ultralytics YOLO de detectores de objetos en tiempo real, que redefine lo que es posible con una precisión, velocidad y eficacia de vanguardia. Basándose en los impresionantes avances de las 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 gama de tareas de visión por ordenador.

Observa: Cómo utilizar Ultralytics YOLO11 para la detección y el seguimiento de objetos | Cómo realizar pruebas de rendimiento | YOLO11 RELEASED🚀

Características principales

• Extracción de características mejorada: YOLO11 emplea una arquitectura mejorada de columna vertebral y cuello, que mejora las capacidades de extracción de características para una detección de objetos más precisa y un rendimiento en tareas complejas.
• Optimizado para la eficiencia y la velocidad: YOLO11 introduce diseños arquitectónicos refinados y canales de formación optimizados, lo que proporciona velocidades de procesamiento más rápidas y mantiene un equilibrio óptimo entre precisión y rendimiento.
• Mayor precisión con menos parámetros: Gracias a los avances en el diseño de modelos, YOLO11m consigue una mayor precisión media (mAP) en el conjunto de datos COCO utilizando un 22% menos de parámetros que YOLOv8m, lo que lo hace eficiente desde el punto de vista informático sin comprometer la precisión.
• Adaptabilidad en distintos entornos: YOLO11 puede implementarse sin problemas en distintos entornos, incluidos dispositivos periféricos, plataformas en la nube y sistemas compatibles con GPU NVIDIA , lo que garantiza la máxima flexibilidad.
• Amplia gama de tareas soportadas: Ya se trate de la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de poses o la detección de objetos orientada (OBB), YOLO11 está diseñado para atender a un conjunto diverso de retos de visión por ordenador.

Tareas y modos compatibles

YOLO11 se basa en la versátil gama de modelos introducida en YOLOv8, y ofrece una mayor compatibilidad con diversas tareas de visión por ordenador:

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

Métricas de rendimiento

Ejemplos de uso

Esta sección proporciona ejemplos sencillos de entrenamiento e inferencia en YOLO11 . Para obtener documentación completa sobre estos y otros modos, consulte las páginas de documentación de Predecir, Entrenar, Val y Exportar.

Tenga en cuenta que el ejemplo siguiente corresponde a los modelos YOLO11 Detect para la detección de objetos. Para otras tareas compatibles, consulte los documentos Segmentar, Clasificar, OBB y 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")

# Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO11n model and run inference on the 'bus.jpg' image
yolo predict model=yolo11n.pt source=path/to/bus.jpg

Citas y agradecimientos

Si utiliza YOLO11 o cualquier otro software de este repositorio en su trabajo, por favor, cítelo utilizando 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, 0000-0002-7603-6750, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

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

PREGUNTAS FRECUENTES

¿Cuáles son las principales mejoras de Ultralytics YOLO11 con respecto a versiones anteriores?

Ultralytics YOLO11 introduce varios avances significativos con respecto a sus predecesores. Las principales mejoras son:

• Extracción de características mejorada: YOLO11 emplea una arquitectura mejorada de columna vertebral y cuello, que mejora las capacidades de extracción de características para una detección de objetos más precisa.
• Eficiencia y velocidad optimizadas: Los diseños arquitectónicos perfeccionados y los canales de formación optimizados ofrecen velocidades de procesamiento más rápidas, manteniendo el equilibrio entre precisión y rendimiento.
• Mayor precisión con menos parámetros: YOLO11m consigue una mayor precisión media (mAP) en el conjunto de datos COCO con un 22% menos de parámetros que YOLOv8m, lo que lo hace eficiente desde el punto de vista computacional sin comprometer la precisión.
• Adaptabilidad en distintos entornos: YOLO11 puede desplegarse en distintos entornos, incluidos dispositivos periféricos, plataformas en la nube y sistemas compatibles con GPUs NVIDIA .
• Amplia gama de tareas compatibles: YOLO11 admite diversas tareas de visión por ordenador, como la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de poses y la detección de objetos orientada (OBB).

¿Cómo se entrena un modelo YOLO11 para la detección de objetos?

El entrenamiento de un modelo YOLO11 para la detección de objetos puede realizarse mediante los comandos Python o CLI . A continuación se muestran ejemplos de ambos métodos:

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)

# Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640

Para obtener instrucciones más detalladas, consulte la documentación del tren.

¿Qué tareas pueden realizar los modelos YOLO11 ?

YOLO11 son versátiles y admiten una amplia gama de tareas de visión por ordenador, entre las que se incluyen:

• Detección de objetos: Identificación y localización de objetos dentro de una imagen.
• Segmentación de instancias: Detección de objetos y delineación de sus límites.
• Clasificación de imágenes: Categorización de imágenes en clases predefinidas.
• Estimación de la pose: Detección y seguimiento de puntos clave en cuerpos humanos.
• Detección de objetos orientados (OBB): Detección de objetos con rotación para mayor precisión.

Para obtener más información sobre cada tarea, consulte la documentación Detección, Segmentación de instancias, Clasificación, Estimación de pose y Detección orientada.

¿Cómo consigue YOLO11 una mayor precisión con menos parámetros?

YOLO11 consigue una mayor precisión con menos parámetros gracias a los avances en el diseño de modelos y las técnicas de optimización. La arquitectura mejorada permite una extracción y un procesamiento eficientes de las características, lo que se traduce en una mayor precisión media (mAP) en conjuntos de datos como COCO, con un 22 % menos de parámetros que YOLOv8m. Esto hace que YOLO11 sea eficiente desde el punto de vista informático sin comprometer la precisión, lo que la hace adecuada para su despliegue en dispositivos con recursos limitados.

¿Puede implantarse YOLO11 en dispositivos periféricos?

Sí, YOLO11 está diseñado para adaptarse a diversos entornos, incluidos los dispositivos periféricos. Su arquitectura optimizada y sus eficientes capacidades de procesamiento lo hacen apto para su implantación en dispositivos periféricos, plataformas en la nube y sistemas compatibles con GPUs NVIDIA . Esta flexibilidad garantiza que YOLO11 pueda utilizarse en diversas aplicaciones, desde la detección en tiempo real en dispositivos móviles hasta complejas tareas de segmentación en entornos de nube. Para más detalles sobre las opciones de despliegue, consulte la documentación de exportación.

📅 Created 2 months ago ✏️ Updated 0 days ago

Comentarios