Ultralytics YOLO11#
Panoramica#
YOLO11 è stato rilasciato da Ultralytics il 10 settembre 2024, offrendo eccellenti precision, velocità ed efficienza. Basandosi sui notevoli progressi delle versioni precedenti 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 l'ultimo modello Ultralytics con inferenza end-to-end senza NMS e distribuzione edge ottimizzata, 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.
Caratteristiche principali#
- Estrazione delle caratteristiche migliorata: YOLO11 impiega un'architettura backbone e neck migliorata, che potenzia le capacità di feature extraction 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 un minor numero di parametri: Grazie ai progressi nella progettazione dei modelli, YOLO11m ottiene una mean Average Precision (mAP) più elevata sul dataset COCO pur 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.
Compiti 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:
| Modello | Nomi file | Compito | Addestramento | Validazione | 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 di 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/Punti chiave | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | Rilevamento orientato | ✅ | ✅ | ✅ | ✅ |
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.
Metriche di performance#
Vedi la Documentazione sul rilevamento per esempi d'uso con questi modelli addestrati su COCO, che includono 80 classi preaddestrate.
| Modello | dimensione (pixel) | mAPval 50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | params (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 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 ± 2.0 | 4.7 ± 0.1 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 ± 1.4 | 6.2 ± 0.1 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 ± 6.7 | 11.3 ± 0.2 | 56.9 | 194.9 |
Esempi di Utilizzo#
Questa sezione fornisce semplici esempi di addestramento e inferenza per YOLO11. Per la documentazione completa su queste e altre modes, consulta le pagine di documentazione Predict, Train, Val e Export.
Nota che l'esempio sottostante è per i modelli YOLO11 Detect per il object detection. Per ulteriori attività supportate, consulta la documentazione di Segment, Classify, Pose e OBB.
I modelli preaddestrati PyTorch *.pt così come i file di configurazione *.yaml possono essere passati alla classe YOLO() per creare un'istanza di 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 riconoscimenti#
Ultralytics non ha pubblicato un articolo di ricerca formale per YOLO11 a causa della natura in rapida evoluzione dei modelli. Ci concentriamo sul far progredire la tecnologia e renderla più semplice da usare, piuttosto che produrre documentazione statica. Per le informazioni più aggiornate sull'architettura, le funzionalità e l'utilizzo di YOLO, fai riferimento al nostro GitHub repository e alla documentation.
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}
}Tieni presente che il DOI è in fase di definizione e verrà aggiunto alla citazione non appena disponibile. I modelli YOLO11 sono forniti con licenze AGPL-3.0 e Enterprise.
FAQ#
Ultralytics YOLO11 introduce diversi progressi significativi rispetto a YOLOv8. I miglioramenti chiave includono:
- Estrazione delle caratteristiche migliorata: YOLO11 impiega un'architettura backbone e neck migliorata, potenziando le capacità di feature extraction per un rilevamento degli oggetti più preciso.
- 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 un minor numero di parametri: YOLO11m ottiene una media della Precision (mAP) più elevata 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 attività supportate: YOLO11 supporta diverse attività di computer vision come il rilevamento di oggetti, la instance segmentation, la classificazione di immagini, la stima della posa e il rilevamento di oggetti orientati (OBB).
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:
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, fai riferimento alla documentazione Train.
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 ulteriori informazioni su ciascuna attività, consulta la documentazione di Detection, Instance Segmentation, Classification, Pose Estimation e Oriented Detection.
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.
Sì, YOLO11 è progettato per adattarsi a vari 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 NVIDIA GPUs. Questa flessibilità garantisce che YOLO11 possa essere utilizzato in diverse applicazioni, dal rilevamento in tempo reale su dispositivi mobili a complesse attività di segmentazione in ambienti cloud. Per maggiori dettagli sulle opzioni di distribuzione, fai riferimento alla documentazione Export.