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、効率を実現しました。従来のYOLOシリーズの大幅な進歩を基盤として、YOLO11はアーキテクチャとトレーニング手法に大きな改善を導入し、幅広いコンピュータービジョンタスクに対応できる汎用性の高いモデルとなっています。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。

主な特徴#

• 特徴抽出の強化: YOLO11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、より精密な物体検出と複雑なタスクの処理を実現します。
• 効率と速度の最適化: 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、精度と性能の最適なバランスを維持しながら、より高速な処理を実現します。
• より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YOLOv8mより22%少ないパラメーター数で、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、精度を損なうことなく計算効率を高めています。
• 環境を問わない適応性: 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でき、高い柔軟性を実現します。
• 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、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。

サポートされるタスクとモード#

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シリーズを基盤として、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、特定のタスクへの適用性と、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の詳細なドキュメントについては、Predict、Train、Val、Exportのドキュメントページをご覧ください。

以下の例は、物体検出を行うYOLO11のDetectモデルを対象としています。その他のサポート対象タスクについては、Segment、Classify、Pose、OBBのドキュメントをご覧ください。

from ultralytics import YOLO

# 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その他のソフトウェアを研究や業務で使用する場合は、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る予定です。YOLO11モデルは、AGPL-3.0およびエンタープライズライセンスの下で提供されています。

FAQ#