Ultralytics YOLO11#

概要#

YOLO11 は 2024年9月10日に Ultralytics からリリースされ、優れた精度、速度、効率性を提供します。これまでの YOLO バージョンの目覚ましい進化を基盤として、YOLO11 はアーキテクチャと学習手法において重要な改良を導入しており、幅広いコンピュータービジョンタスクに対応する多用途な選択肢となっています。エンドツーエンドの NMS なし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 を参照してください。

主な特徴#

• 高度な特徴抽出: 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、より正確な物体検出と複雑なタスクのパフォーマンスに向けて特徴抽出機能を強化しています。
• 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。
• より少ないパラメータで高精度を実現: モデル設計の進歩により、YOLO11m は YOLOv8m と比較して 22% 少ないパラメータを使用しながら COCO データセットでより高い平均精度 (mAP) を達成し、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。

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。

性能メトリクス#

使用例#

このセクションでは、シンプルな YOLO11 の学習と推論の例を提供します。これらおよびその他のモードに関する詳細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。

なお、以下の例はobject detection向けのYOLO11 Detectモデルに関するものです。サポートされているその他のタスクについては、Segment、Classify、Pose、およびOBBのドキュメントをご覧ください。

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")

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 は保留中であり、利用可能になり次第引用に追加されることに注意してください。YOLO11 モデルは AGPL-3.0 およびEnterprise ライセンスの下で提供されます。

よくある質問 (FAQ)#

YOLOv8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。

• 高度な特徴抽出: 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、より正確な物体検出のために特徴抽出機能を強化しています。
• 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。
• より少ないパラメータで高精度を実現: YOLO11m は、YOLOv8m よりも 22% 少ないパラメータで COCO データセット上でより高い平均精度 (mAP) を達成し、精度を損なう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、さまざまな環境にデプロイ可能です。
• 幅広いサポート対象タスク: 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) などの多様なコンピュータービジョンタスクをサポートしています。

YOLO11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)

より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。

YOLO11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: 画像を事前定義された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。

YOLO11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。

YOLO11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さまざまな環境への適応性を持つように設計されています。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でのデプロイメントに適しています。この柔軟性により、YOLO11 はモバイルデバイス上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できます。デプロイメント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。