Ultralytics YOLO11#
Panoramica#
YOLO11 è stato rilasciato da Ultralytics il 10 settembre 2024, offrendo eccellente precisione, velocità ed efficienza. Basandosi sugli straordinari progressi delle versioni precedenti di YOLO, YOLO11 introduce miglioramenti significativi nell'architettura e nei metodi di addestramento, diventando una scelta versatile per un'ampia gamma di attività di visione artificiale. Per il modello Ultralytics più recente, con inferenza end-to-end senza NMS e distribuzione ottimizzata sui dispositivi edge, consulta YOLO26.
Watch: How to Use Ultralytics YOLO11 for Object Detection and Tracking | How to Benchmark | YOLO11 RELEASED🚀
Esplora ed esegui i modelli YOLO11 direttamente su Ultralytics Platform.
Funzionalità principali#
- Estrazione delle feature migliorata: YOLO11 utilizza un'architettura migliorata di backbone e neck, che potenzia le capacità di estrazione delle feature per un rilevamento degli oggetti più preciso e prestazioni migliori nelle attività complesse.
- Ottimizzato per efficienza e velocità: YOLO11 introduce progetti architetturali perfezionati e pipeline di addestramento ottimizzate, offrendo velocità di elaborazione maggiori e mantenendo un equilibrio ottimale tra precisione e prestazioni.
- Maggiore precisione con meno parametri: Grazie ai progressi nella progettazione del modello, YOLO11m raggiunge una precisione media media (mAP) più elevata sul dataset COCO utilizzando il 22% di parametri in meno rispetto a YOLOv8m, risultando efficiente dal punto di vista computazionale senza compromettere la precisione.
- Adattabilità in diversi ambienti: YOLO11 può essere distribuito facilmente in diversi ambienti, inclusi dispositivi edge, piattaforme cloud e sistemi che supportano GPU NVIDIA, garantendo la massima flessibilità.
- Ampia gamma di attività supportate: Che si tratti di rilevamento degli oggetti, segmentazione delle istanze, classificazione delle immagini, stima della posa o rilevamento di oggetti orientati (OBB), YOLO11 è progettato per rispondere a un'ampia varietà di sfide di visione artificiale.
Attività e modalità supportate#
YOLO11 si basa sull'ampia gamma di modelli introdotta dalle versioni precedenti di Ultralytics YOLO, offrendo un supporto migliorato per diverse attività di visione artificiale:
| Modello | Nomi dei file | Attività | Addestramento | Convalida | Inferenza | Esportazione |
|---|---|---|---|---|---|---|
| YOLO11 | yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt | Rilevamento | ✅ | ✅ | ✅ | ✅ |
| YOLO11-seg | yolo11n-seg.pt yolo11s-seg.pt yolo11m-seg.pt yolo11l-seg.pt yolo11x-seg.pt | Segmentazione delle istanze | ✅ | ✅ | ✅ | ✅ |
| YOLO11-cls | yolo11n-cls.pt yolo11s-cls.pt yolo11m-cls.pt yolo11l-cls.pt yolo11x-cls.pt | Classificazione | ✅ | ✅ | ✅ | ✅ |
| YOLO11-pose | yolo11n-pose.pt yolo11s-pose.pt yolo11m-pose.pt yolo11l-pose.pt yolo11x-pose.pt | Posa/Keypoint | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | Rilevamento orientato | ✅ | ✅ | ✅ | ✅ |
Questa tabella offre una panoramica delle varianti del modello YOLO11, mostrando la loro applicabilità ad attività specifiche e la compatibilità con modalità operative come inferenza, validazione, addestramento ed esportazione. Questa flessibilità rende YOLO11 adatto a un'ampia gamma di applicazioni di visione artificiale, dal rilevamento in tempo reale alle attività di segmentazione complesse.
Metriche delle prestazioni#
Consulta la documentazione sul rilevamento per esempi di utilizzo con questi modelli addestrati su COCO, che includono 80 classi pretrained.
| Modello | dimensione (pixel) | mAPval 50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 1.5 ± 0.0 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 ± 1.2 | 2.5 ± 0.0 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 ± 2.0 | 4.7 ± 0.1 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 ± 1.4 | 6.2 ± 0.1 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 ± 6.7 | 11.3 ± 0.2 | 56.9 | 195.3 |
Esempi di utilizzo#
Questa sezione fornisce semplici esempi di addestramento e inferenza con YOLO11. Per la documentazione completa su queste e altre modalità, consulta le pagine della documentazione Predict, Train, Val ed Export.
Tieni presente che l'esempio seguente riguarda i modelli YOLO11 Detect per il rilevamento degli oggetti. Per ulteriori attività supportate, consulta la documentazione Segment, Classify, Pose e OBB.
I modelli *.pt preaddestrati con PyTorch, così come i file di configurazione *.yaml, possono essere passati alla classe YOLO() per creare un'istanza del modello in Python:
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")Citazioni e ringraziamenti#
Ultralytics non ha pubblicato un documento di ricerca formale su YOLO11 a causa della natura in rapida evoluzione dei modelli. Ci concentriamo sul progresso della tecnologia e sulla sua facilità d'uso, invece di produrre documentazione statica. Per informazioni aggiornate sull'architettura, sulle funzionalità e sull'utilizzo di YOLO, consulta il nostro repository GitHub e la nostra documentazione.
Se utilizzi YOLO11 o qualsiasi altro software di questo repository nel tuo lavoro, citalo utilizzando il formato seguente:
@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}
}Tieni presente che il DOI è in attesa e verrà aggiunto alla citazione non appena sarà disponibile. I modelli YOLO11 sono forniti con licenze AGPL-3.0 ed Enterprise.
FAQ#
Ultralytics YOLO11 introduce diversi miglioramenti significativi rispetto a YOLOv8. I principali includono:
- Estrazione delle feature migliorata: YOLO11 utilizza un'architettura migliorata di backbone e neck, potenziando le capacità di estrazione delle feature per un rilevamento degli oggetti più preciso.
- Efficienza e velocità ottimizzate: I progetti architetturali perfezionati e le pipeline di addestramento ottimizzate garantiscono velocità di elaborazione maggiori, mantenendo un equilibrio tra precisione e prestazioni.
- Maggiore precisione con meno parametri: YOLO11m raggiunge una precisione media media (mAP) più elevata sul dataset COCO con il 22% di parametri in meno rispetto a YOLOv8m, risultando efficiente dal punto di vista computazionale senza compromettere la precisione.
- Adattabilità in diversi ambienti: YOLO11 può essere distribuito in diversi ambienti, inclusi dispositivi edge, piattaforme cloud e sistemi che supportano GPU NVIDIA.
- Ampia gamma di attività supportate: YOLO11 supporta diverse attività di visione artificiale, come il rilevamento degli oggetti, la segmentazione delle istanze, la classificazione delle immagini, la stima della posa e il rilevamento di oggetti orientati (OBB).
L'addestramento di un modello YOLO11 per il rilevamento degli oggetti può essere eseguito utilizzando Python o comandi CLI. Di seguito sono riportati esempi per entrambi i metodi:
Esempiofrom 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)Per istruzioni più dettagliate, consulta la documentazione Train.
I modelli YOLO11 sono versatili e supportano un'ampia gamma di attività di visione artificiale, tra cui:
- Rilevamento degli oggetti: identificazione e localizzazione degli oggetti all'interno di un'immagine.
- Segmentazione delle istanze: rilevamento degli oggetti e delimitazione dei relativi contorni.
- Classificazione delle immagini: categorizzazione delle immagini in classi predefinite.
- Stima della posa: rilevamento e tracciamento dei keypoint sui corpi umani.
- Rilevamento di oggetti orientati (OBB): rilevamento di oggetti con rotazione per una maggiore precisione.
Per ulteriori informazioni su ogni attività, consulta la documentazione su rilevamento, segmentazione delle istanze, classificazione, stima della posa e rilevamento orientato.
YOLO11 raggiunge una maggiore precisione con meno parametri grazie ai progressi nella progettazione dei modelli e nelle tecniche di ottimizzazione. L'architettura migliorata consente un'estrazione e un'elaborazione efficienti delle feature, con conseguente aumento della precisione media media (mAP) su dataset come COCO, utilizzando il 22% di parametri in meno rispetto a YOLOv8m. Questo rende YOLO11 efficiente dal punto di vista computazionale senza comprometterne la precisione, rendendolo adatto alla distribuzione su dispositivi con risorse limitate.
Sì, YOLO11 è progettato per adattarsi a diversi ambienti, inclusi i dispositivi edge. La sua architettura ottimizzata e le capacità di elaborazione efficienti lo rendono adatto alla distribuzione su dispositivi edge, piattaforme cloud e sistemi che supportano GPU NVIDIA. Questa flessibilità garantisce che YOLO11 possa essere utilizzato in applicazioni diverse, dal rilevamento in tempo reale sui dispositivi mobili alle attività di segmentazione complesse negli ambienti cloud. Per ulteriori dettagli sulle opzioni di distribuzione, consulta la documentazione Export.