Link to this sectionUltralytics YOLO11#

Link to this sectionPanoramica#

YOLO11 è stato rilasciato da Ultralytics il 10 settembre 2024, offrendo precisione, velocità ed efficienza eccellenti. Basandosi sugli straordinari progressi delle precedenti versioni di YOLO, YOLO11 introduce miglioramenti significativi nell'architettura e nei metodi di addestramento, rendendolo una scelta versatile per un'ampia gamma di attività di computer vision. Per il modello Ultralytics più recente con inferenza end-to-end senza NMS e implementazione ottimizzata sull'edge, vedi YOLO26.

Link to this sectionCaratteristiche principali#

• Estrazione delle caratteristiche migliorata: YOLO11 impiega un'architettura backbone e neck migliorata, che potenzia le capacità di estrazione delle caratteristiche per un rilevamento degli oggetti più preciso e prestazioni in attività complesse.
• Ottimizzato per efficienza e velocità: YOLO11 introduce design architettonici raffinati e pipeline di addestramento ottimizzate, offrendo velocità di elaborazione più elevate e mantenendo un equilibrio ottimale tra precisione e prestazioni.
• Maggiore precisione con meno parametri: Grazie ai progressi nel design del modello, YOLO11m raggiunge una mean Average Precision (mAP) più elevata sul dataset COCO utilizzando il 22% di parametri in meno rispetto a YOLOv8m, rendendolo computazionalmente efficiente senza compromettere la precisione.
• Adattabilità attraverso gli ambienti: YOLO11 può essere distribuito senza problemi in vari ambienti, inclusi dispositivi edge, piattaforme cloud e sistemi che supportano NVIDIA GPU, garantendo la massima flessibilità.
• Ampia gamma di attività supportate: Che si tratti di rilevamento oggetti, segmentazione di istanze, classificazione di immagini, stima della posa o rilevamento di oggetti orientati (OBB), YOLO11 è progettato per soddisfare una vasta gamma di sfide di computer vision.

Link to this sectionCompiti e modalità supportati#

YOLO11 si basa sulla versatile gamma di modelli stabilita dalle precedenti versioni di Ultralytics YOLO, offrendo un supporto migliorato per varie attività di computer vision:

Questa tabella fornisce una panoramica delle varianti del modello YOLO11, illustrando la loro applicabilità in 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 nella computer vision, dal rilevamento in tempo reale alle attività di segmentazione complesse.

Link to this sectionMetriche di performance#

Link to this sectionEsempi di Utilizzo#

Questa sezione fornisce esempi semplici di addestramento e inferenza con YOLO11. Per la documentazione completa su queste e altre modalità, consulta le pagine di documentazione Predict, Train, Val e Export.

Nota che l'esempio qui sotto riguarda i modelli YOLO11 Detect per l'object detection. Per altri task supportati, consulta la documentazione su Segment, Classify, OBB e 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")

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi YOLO11 o qualsiasi altro software di questo repository nel tuo lavoro, ti preghiamo di citarlo utilizzando il seguente 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, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

Ti preghiamo di notare 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.

Link to this sectionFAQ#

Link to this sectionQuali sono i miglioramenti chiave in Ultralytics YOLO11 rispetto a YOLOv8?#

Ultralytics YOLO11 introduce diversi progressi significativi rispetto a YOLOv8. I miglioramenti chiave includono:

• Estrazione delle caratteristiche migliorata: YOLO11 impiega un'architettura backbone e neck ottimizzata, che migliora le capacità di estrazione delle caratteristiche per un'object detection più precisa.
• Efficienza e velocità ottimizzate: Design architettonici rifiniti e pipeline di addestramento ottimizzate offrono velocità di elaborazione più elevate, mantenendo al contempo un equilibrio tra precisione e prestazioni.
• Maggiore precisione con meno parametri: YOLO11m raggiunge una media di Precision (mAP) superiore sul dataset COCO con il 22% di parametri in meno rispetto a YOLOv8m, rendendolo computazionalmente efficiente senza compromettere la precisione.
• Adattabilità attraverso gli ambienti: YOLO11 può essere implementato in vari ambienti, inclusi dispositivi edge, piattaforme cloud e sistemi che supportano GPU NVIDIA.
• Ampia gamma di task supportati: YOLO11 supporta diversi task di computer vision come object detection, instance segmentation, classificazione delle immagini, pose estimation e oriented object detection (OBB).

Link to this sectionCome posso addestrare un modello YOLO11 per l'object detection?#

L'addestramento di un modello YOLO11 per l'object detection può essere effettuato utilizzando Python o comandi CLI. Di seguito trovi esempi per entrambi i metodi:

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)

Per istruzioni più dettagliate, consulta la documentazione Train.

Link to this sectionQuali task possono eseguire i modelli YOLO11?#

I modelli YOLO11 sono versatili e supportano una vasta gamma di task di computer vision, tra cui:

• Object Detection: Identificazione e localizzazione di oggetti all'interno di un'immagine.
• Instance Segmentation: Rilevamento di oggetti e delimitazione dei loro confini.
• Image Classification: Categorizzazione delle immagini in classi predefinite.
• Pose Estimation: Rilevamento e tracciamento dei punti chiave sui corpi umani.
• Oriented Object Detection (OBB): Rilevamento di oggetti con rotazione per una maggiore precisione.

Per maggiori informazioni su ciascun task, consulta la documentazione su Detection, Instance Segmentation, Classification, Pose Estimation e Oriented Detection.

Link to this sectionCome fa YOLO11 a raggiungere una maggiore precisione con meno parametri?#

YOLO11 ottiene una maggiore precisione con meno parametri grazie a progressi nel design del modello e nelle tecniche di ottimizzazione. L'architettura migliorata consente un'estrazione e un'elaborazione efficienti delle caratteristiche, risultando in una media di Precision (mAP) più alta su dataset come COCO, utilizzando al contempo il 22% di parametri in meno rispetto a YOLOv8m. Questo rende YOLO11 computazionalmente efficiente senza compromettere la precisione, rendendolo adatto all'implementazione su dispositivi con risorse limitate.

Link to this sectionYOLO11 può essere implementato su dispositivi edge?#

Sì, YOLO11 è progettato per l'adattabilità in vari ambienti, inclusi i dispositivi edge. La sua architettura ottimizzata e le sue capacità di elaborazione efficiente lo rendono adatto all'implementazione su dispositivi edge, piattaforme cloud e sistemi che supportano GPU NVIDIA. Questa flessibilità garantisce che YOLO11 possa essere utilizzato in diverse applicazioni, dal rilevamento in tempo reale su dispositivi mobili ai complessi task di segmentazione in ambienti cloud. Per maggiori dettagli sulle opzioni di implementazione, consulta la documentazione Export.