Ultralytics YOLO11#

Présentation#

Ultralytics a lancé YOLO11 le 27 septembre 2024, avec une excellente précision, une grande vitesse et une efficacité remarquable. En s’appuyant sur les avancées notables des versions précédentes de YOLO, YOLO11 apporte des améliorations importantes à l’architecture et aux 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, doté d’une inférence de bout en bout sans NMS et d’un déploiement optimisé sur les appareils en périphérie, consulte YOLO26.

Fonctionnalités clés#

• Extraction améliorée des caractéristiques : YOLO11 utilise une architecture améliorée de backbone et de neck, 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, pour un traitement plus rapide tout en maintenant un équilibre optimal entre précision et performances.
• Une plus grande précision avec moins de paramètres : Grâce aux avancées de 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 en calcul sans compromettre la précision.
• Adaptabilité à différents environnements : YOLO11 peut être déployé facilement dans divers environnements, notamment sur des appareils en périphérie, des plateformes cloud et des systèmes compatibles avec les GPU NVIDIA, pour 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 des défis variés en vision par ordinateur.

Tâches et modes pris en charge#

YOLO11 s’appuie sur la gamme polyvalente de modèles mise en place par les versions antérieures d’Ultralytics YOLO et offre une meilleure prise en charge de différentes tâches de vision par ordinateur :

Ce tableau présente les différentes variantes du modèle YOLO11, leur adéquation 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 complexes de segmentation.

Indicateurs de performance#

Exemples d'utilisation#

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

Note que l’exemple ci-dessous concerne les modèles YOLO11 Detect destinés à la détection d’objets. Pour découvrir les autres tâches prises en charge, consulte la documentation Segment, Classify, Pose et OBB.

from ultralytics import YOLO

# Charger un modèle YOLO11n préentraîné sur COCO
model = YOLO("yolo11n.pt")

# Entraîner le modèle sur le jeu de données d'exemple COCO8 pendant 100 époques
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exécuter l’inférence avec le modèle YOLO11n sur l’image 'bus.jpg'
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 distribués sous les licences AGPL-3.0 et Enterprise.

FAQ#