Ultralytics YOLO11

Vue d'ensemble

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

Fonctionnalités clés

• Extraction de caractéristiques améliorée : YOLO11 utilise une architecture backbone et neck améliorée, qui renforce les capacités d'extraction de caractéristiques pour une détection d'objets plus précise et des performances accrues sur des tâches complexes.
• Optimisé pour l'efficacité et la vitesse : YOLO11 introduit des conceptions architecturales raffinées et des pipelines d'entraînement optimisés, offrant des vitesses de traitement plus rapides tout en maintenant un équilibre optimal entre précision et performance.
• Meilleure précision avec moins de paramètres : Grâce aux progrès réalisés dans la conception des modèles, YOLO11m atteint une mean Average Precision (mAP) plus élevée sur le jeu de données COCO tout en utilisant 22 % de paramètres en moins que YOLOv8m, le rendant efficace sur le plan computationnel sans compromettre la précision.
• Adaptabilité à tous les environnements : YOLO11 peut être déployé de manière transparente dans divers environnements, y compris les appareils en périphérie, les plateformes cloud et les systèmes prenant en charge les GPU NVIDIA, garantissant une flexibilité maximale.
• Large gamme 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 diversifié de défis en vision par ordinateur.

Tâches et modes pris en charge

YOLO11 s'appuie sur la gamme de modèles polyvalents établie par les précédentes versions d'Ultralytics YOLO, offrant une prise en charge améliorée pour diverses tâches de vision par ordinateur :

Ce tableau donne un aperçu des variantes du modèle YOLO11, présentant 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 en vision par ordinateur, de la détection en temps réel aux tâches de segmentation complexes.

Métriques de performance

Exemples d'utilisation

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

Note que l'exemple ci-dessous concerne YOLO11 Detect pour object detection. Pour d'autres tâches prises en charge, consulte la documentation sur Segment, Classify, OBB, et la Pose documentation.

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 ton travail, cite-le en utilisant le 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}
}

Veuillez noter que le DOI est en attente et sera ajouté à la citation dès qu'il sera disponible. Les modèles YOLO11 sont fournis sous AGPL-3.0 et en Enterprise.

FAQ

Quelles sont les principales améliorations d'Ultralytics YOLO11 par rapport à YOLOv8 ?

Ultralytics YOLO11 introduit plusieurs avancées significatives par rapport à YOLOv8. Les améliorations clés incluent :

• Extraction de caractéristiques améliorée : YOLO11 utilise une architecture de backbone et de neck améliorée, renforçant capacités d'extraction de caractéristiques les capacités pour une détection d'objets plus précise.
• Efficacité et vitesse optimisées : Des conceptions architecturales raffinées et des pipelines d'entraînement optimisés offrent des vitesses de traitement plus rapides tout en maintenant un équilibre entre précision et performance.
• Meilleure précision avec moins de paramètres : YOLO11m atteint une meilleure Précision Moyenne Précision (mAP) sur le jeu de données COCO avec 22 % de paramètres en moins que YOLOv8m, ce qui le rend efficace sur le plan computationnel sans compromettre la précision.
• Adaptabilité à tous les environnements : YOLO11 peut être déployé dans divers environnements, notamment sur des appareils en périphérie (edge devices), des plateformes cloud et des systèmes prenant en charge les GPU NVIDIA.
• Large gamme de tâches prises en charge : YOLO11 prend en charge diverses tâches de vision par ordinateur telles que la détection d'objets, la segmentation d'instances, la classification d'images, l'estimation de pose et la détection d'objets orientés (OBB).

Comment entraîner un modèle YOLO11 pour la détection d'objets ?

L'entraînement d'un modèle YOLO11 pour la détection d'objets peut être effectué en utilisant Python ou des commandes CLI. Voici des exemples pour les deux méthodes :

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)

Pour des instructions plus détaillées, consulte le Train.

Quelles tâches les modèles YOLO11 peuvent-ils effectuer ?

Les modèles YOLO11 sont polyvalents et prennent en charge un large éventail de tâches de vision par ordinateur, notamment :

• Détection d'objets : Identifier et localiser des objets au sein d'une image.
• Segmentation d'instances : Détecter des objets et délimiter leurs frontières.
• Classification d'images: Catégoriser des images en classes prédéfinies.
• Estimation de pose : Détecter et suivre des points clés sur des corps humains.
• Détection d'objets orientés (OBB) : Détecter des objets avec rotation pour une précision accrue.

Pour plus d'informations sur chaque tâche, consulte le Détection, Segmentation d'instance, Classification, Estimation de pose, et la Détection orientée.

Comment YOLO11 obtient-il une plus grande précision avec moins de paramètres ?

YOLO11 obtient une plus grande précision avec moins de paramètres grâce à des avancées dans la conception des modèles et des techniques d'optimisation. L'architecture améliorée permet une extraction et un traitement efficaces des caractéristiques, aboutissant à une Précision Moyenne (mAP) plus élevée sur des jeux de données comme COCO tout en utilisant 22 % de paramètres en moins que YOLOv8m. Cela rend YOLO11 efficace sur le plan computationnel sans compromis sur la précision, ce qui le rend adapté au déploiement sur des appareils aux ressources limitées.

YOLO11 peut-il être déployé sur des appareils en périphérie ?

Oui, YOLO11 est conçu pour être adaptable à divers environnements, y compris les appareils en périphérie (edge devices). Son architecture optimisée et ses capacités de traitement efficaces le rendent adapté au déploiement sur des appareils en périphérie, des plateformes cloud et des systèmes prenant en charge les GPU NVIDIA. Cette flexibilité garantit que YOLO11 peut être utilisé dans des applications diverses, de la détection en temps réel sur des appareils mobiles aux tâches de segmentation complexes dans des environnements cloud. Pour plus de détails sur les options de déploiement, consulte le Export.