Ultralytics YOLO11#

概要#

YOLO11は2024年9月27日にUltralyticsからリリースされ、優れた精度、速度、効率を実現しています。従来のYOLOバージョンの優れた進歩を基盤として、YOLO11ではアーキテクチャとトレーニング手法が大幅に改善され、幅広いコンピュータービジョンタスクに対応する汎用性の高い選択肢となっています。エンドツーエンドのNMSフリー推論と最適化されたエッジデプロイメントに対応する最新のUltralyticsモデルについては、YOLO26をご覧ください。

主な機能#

• 特徴抽出の強化： YOLO11では、改良されたバックボーンとネックのアーキテクチャを採用し、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性能向上を実現しています。
• 効率と速度の最適化： YOLO11では、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、精度と性能の最適なバランスを維持しながら処理速度を向上させています。
• 少ないパラメーターで高い精度： モデル設計の進歩により、YOLO11mはCOCOデータセットでより高い平均適合率（mAP）を達成し、YOLOv8mよりパラメーター数を22%削減しています。精度を損なうことなく計算効率を高めています。
• さまざまな環境への適応性： YOLO11は、エッジデバイス、クラウドプラットフォーム、NVIDIA GPUに対応するシステムなど、さまざまな環境にシームレスにデプロイでき、高い柔軟性を実現します。
• 幅広いタスクをサポート： 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、方向付き物体検出（OBB）など、YOLO11は多様なコンピュータービジョンの課題に対応できるよう設計されています。

サポート対象のタスクとモード#

YOLO11は、従来のUltralytics YOLOリリースで確立された汎用性の高いモデル群を基盤とし、さまざまなコンピュータービジョンタスクへの対応を強化しています。

この表では、YOLO11のモデルバリアントの概要を示し、各モデルが対応するタスクと、推論、検証、トレーニング、エクスポートなどの運用モードとの互換性を紹介しています。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ービジョンアプリケーションに適しています。

性能指標#

使用例#

このセクションでは、YOLO11のトレーニングと推論の簡単な例を紹介します。これらのモードやその他のモードに関する詳細なドキュメントについては、予測、トレーニング、検証、エクスポートの各ドキュメントページをご覧ください。

以下の例は、物体検出用のYOLO11 Detectモデルを対象としています。その他の対応タスクについては、Segment、Classify、Pose、OBBのドキュメントをご覧ください。

from ultralytics import YOLO

# COCOで事前学習済みのYOLO11nモデルを読み込みます
model = YOLO("yolo11n.pt")

# COCO8サンプルデータセットでモデルを100エポック学習する
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 「bus.jpg」画像に対してYOLO11nモデルで推論を実行します
results = model("path/to/bus.jpg")

引用と謝辞#

業務でYOLO11またはこのリポジトリの他のソフトウェアを使用する場合は、次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。

よくある質問#