Ultralytics YOLO11#

Présentation#

YOLO11 a été publié par Ultralytics le 10 septembre 2024, offrant une excellente précision, vitesse et efficacité. S'appuyant sur les avancées impressionnantes des versions précédentes de YOLO, YOLO11 introduit des améliorations significatives de l'architecture et des méthodes d'entraînement, ce qui en fait un choix polyvalent pour un large éventail de tâches de vision par ordinateur. Pour découvrir le dernier modèle Ultralytics avec une inférence de bout en bout sans NMS et un déploiement optimisé sur les appareils edge, consulte YOLO26.

Fonctionnalités clés#

• Extraction améliorée des caractéristiques : YOLO11 utilise une architecture améliorée du backbone et du neck, ce qui renforce les capacités d'extraction des caractéristiques pour une détection d'objets plus précise et de meilleures performances sur les tâches complexes.
• Optimisé pour l'efficacité et la vitesse : YOLO11 introduit des conceptions architecturales affinées et des pipelines d'entraînement optimisés, offrant des vitesses de traitement supérieures tout en maintenant un équilibre optimal entre précision et performances.
• Une plus grande précision avec moins de paramètres : Grâce aux avancées dans la conception des modèles, YOLO11m atteint une précision moyenne (mAP) supérieure sur le jeu de données COCO, tout en utilisant 22 % de paramètres en moins que YOLOv8m, ce qui le rend efficace sur le plan des calculs sans compromettre la précision.
• Adaptabilité à différents environnements : YOLO11 peut être déployé de manière transparente dans divers environnements, notamment sur des appareils edge, des plateformes cloud et des systèmes prenant en charge les GPU NVIDIA, ce qui garantit une flexibilité maximale.
• Large éventail de tâches prises en charge : Qu'il s'agisse de détection d'objets, de segmentation d'instances, de classification d'images, d'estimation de pose ou de détection d'objets orientés (OBB), YOLO11 est conçu pour répondre à un ensemble varié de problèmes de vision par ordinateur.

Tâches et modes pris en charge#

YOLO11 s'appuie sur la gamme polyvalente de modèles établie par les versions antérieures d'Ultralytics YOLO, avec une prise en charge améliorée de différentes tâches de vision par ordinateur :

Ce tableau présente un aperçu des variantes du modèle YOLO11, en montrant leur applicabilité à des tâches spécifiques et leur compatibilité avec des modes opérationnels tels que l'inférence, la validation, l'entraînement et l'exportation. Cette flexibilité rend YOLO11 adapté à un large éventail d'applications de vision par ordinateur, de la détection en temps réel aux tâches de segmentation complexes.

Métriques de performance#

Exemples d’utilisation#

Cette section présente des exemples simples d'entraînement et d'inférence avec YOLO11. Pour consulter la documentation complète sur ces modes et d'autres, consulte les pages de documentation Predict, Train, Val et Export.

Note que l'exemple ci-dessous concerne les modèles YOLO11 Detect pour la détection d'objets. Pour connaître les autres tâches prises en charge, consulte la documentation Segment, Classify, Pose et 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")

Citations et remerciements#

Si tu utilises YOLO11 ou tout autre logiciel de ce dépôt dans tes travaux, cite-le au format suivant :

@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}
}

Note que le DOI est en attente et sera ajouté à la citation dès qu'il sera disponible. Les modèles YOLO11 sont fournis sous les licences AGPL-3.0 et Entreprise.

FAQ#