Link to this sectionUltralytics YOLO11#

Link to this section概要#

YOLO11は2024年9月10日にUltralyticsによってリリースされ、優れた精度、速度、効率を実現しました。これまでのYOLOバージョンの素晴らしい進歩を基盤とし、YOLO11はアーキテクチャとトレーニング手法に大幅な改良を導入しました。これにより、幅広いコンピュータビジョンタスクにおいて多用途な選択肢となります。NMS（非最大値抑制）不要のエンドツーエンド推論と最適化されたエッジデプロイメントを備えた最新のUltralyticsモデルについては、YOLO26をご覧ください。

Link to this section主な特徴#

• 強化された特徴抽出: YOLO11は改良されたバックボーンおよびネックアーキテクチャを採用しており、特徴抽出能力を高めることで、より正確な物体検出と複雑なタスクのパフォーマンスを実現しています。
• 効率性と速度の最適化: YOLO11は、洗練されたアーキテクチャ設計と最適化されたトレーニングパイプラインを導入しており、より高速な処理速度を提供しつつ、精度とパフォーマンスの最適なバランスを維持します。
• 少ないパラメータでより高い精度: モデル設計の進歩により、YOLO11mはYOLOv8mよりも22%少ないパラメータを使用しながら、COCOデータセットにおいてより高い平均適合率（mAP）を達成しており、精度を犠牲にすることなく計算効率を高めています。
• 環境適応性: YOLO11は、エッジデバイス、クラウドプラットフォーム、NVIDIA GPUをサポートするシステムなど、さまざまな環境にシームレスにデプロイ可能であり、最大限の柔軟性を確保します。
• 幅広いサポートタスク: 物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、回転物体検出（OBB）など、YOLO11は多種多様なコンピュータビジョンの課題に対応するように設計されています。

Link to this sectionサポートされるタスクとモード#

YOLO11は、これまでのUltralytics YOLOリリースによって確立された多用途なモデル範囲を基盤とし、さまざまなコンピュータビジョンタスクにわたって強化されたサポートを提供します。

この表は、YOLO11モデルのバリエーションの概要を示しており、特定のタスクへの適用可能性や、推論、検証、トレーニング、エクスポートといった運用モードとの互換性を示しています。この柔軟性により、YOLO11はリアルタイム検出から複雑なセグメンテーションタスクまで、幅広いコンピュータビジョンアプリケーションに適しています。

Link to this section性能メトリクス#

Link to this section使用例#

このセクションでは、基本的なYOLO11の学習および推論の例を紹介します。これらのモードやその他のモードに関する完全なドキュメントについては、Predict、Train、Val、およびExportのドキュメントページを参照してください。

Note that the example below is for YOLO11 Detect models for object detection. For additional supported tasks, see the Segment, Classify, OBB, and Pose docs.

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 section引用と謝辞#

YOLO11またはこのリポジトリの他のソフトウェアを業務で使用する場合は、以下の形式で引用してください。

@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}
}

DOIは現在申請中であり、利用可能になり次第、引用情報に追加されます。YOLO11モデルはAGPL-3.0およびEnterpriseライセンスの下で提供されています。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionYOLOv8と比較したUltralytics YOLO11の主な改善点は何ですか？#

Ultralytics YOLO11は、YOLOv8に対していくつかの重要な進歩をもたらしています。主な改善点は以下の通りです。

• 強化された特徴抽出: YOLO11は改良されたバックボーンおよびネックアーキテクチャを採用しており、特徴抽出能力が向上し、より正確な物体検出が可能になりました。
• 効率と速度の最適化: 洗練されたアーキテクチャ設計と最適化された学習パイプラインにより、精度とパフォーマンスのバランスを維持しながら、より高速な処理速度を実現しています。
• 少ないパラメータ数で高い精度を実現: YOLO11mは、COCOデータセットにおいてYOLOv8mよりもパラメータ数が22%少ないにもかかわらず、より高い平均精度（mAP）を達成しており、精度を犠牲にすることなく計算効率を向上させています。
• 環境適応性: YOLO11は、エッジデバイス、クラウドプラットフォーム、NVIDIA GPUをサポートするシステムなど、さまざまな環境にデプロイ可能です。
• 幅広いサポートタスク: YOLO11は、物体検出、インスタンスセグメンテーション、画像分類、姿勢推定、回転物体検出（OBB）など、多様なコンピュータビジョンタスクをサポートしています。

Link to this sectionYOLO11モデルで物体検出の学習を行うにはどうすればよいですか？#

YOLO11モデルの物体検出学習は、PythonまたはCLIコマンドを使用して実行できます。以下に両方の手法の例を示します。

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)

詳細な手順については、Trainのドキュメントを参照してください。

Link to this sectionYOLO11モデルではどのようなタスクを実行できますか？#

YOLO11モデルは汎用性が高く、以下を含む幅広いコンピュータビジョンタスクをサポートしています。

• 物体検出: 画像内の物体を識別および特定します。
• インスタンスセグメンテーション: 物体を検出し、その境界線を明確にします。
• 画像分類: 画像を定義済みのクラスに分類します。
• 姿勢推定: 人間の身体上のキーポイントを検出し、追跡します。
• 回転物体検出 (OBB): 回転を伴う物体を検出し、より高い精度を実現します。

各タスクの詳細については、Detection、Instance Segmentation、Classification、Pose Estimation、およびOriented Detectionのドキュメントを参照してください。

Link to this sectionYOLO11はどのようにしてパラメータを削減しつつ精度を向上させているのですか？#

YOLO11は、モデル設計の進歩と最適化技術を通じて、より少ないパラメータで高い精度を達成しています。改良されたアーキテクチャにより、効率的な特徴抽出と処理が可能となり、COCOのようなデータセットにおいてYOLOv8mより22%少ないパラメータ数で、より高い平均精度（mAP）を実現しました。これにより、YOLO11は精度を損なうことなく計算効率が高まっており、リソースが制限されたデバイスへのデプロイにも適しています。

Link to this sectionYOLO11はエッジデバイスにデプロイできますか？#

はい、YOLO11はエッジデバイスを含む様々な環境への適応性を考慮して設計されています。最適化されたアーキテクチャと効率的な処理能力により、エッジデバイス、クラウドプラットフォーム、およびNVIDIA GPUをサポートするシステムへのデプロイに適しています。この柔軟性により、YOLO11はモバイルデバイスでのリアルタイム検出から、クラウド環境における複雑なセグメンテーションタスクまで、多様なアプリケーションで使用可能です。デプロイオプションの詳細については、Exportのドキュメントを参照してください。