Ultralytics YOLO11#
개요#
YOLO11은 2024년 9월 27일 Ultralytics에서 출시되어 뛰어난 정확도, 속도 및 효율성을 제공합니다. 이전 YOLO 버전의 인상적인 발전을 바탕으로 YOLO11은 아키텍처와 학습 방식에 상당한 개선을 도입하여 다양한 컴퓨터 비전 작업에 적합한 다목적 모델이 되었습니다. 종단 간 NMS-free 추론과 최적화된 엣지 배포를 지원하는 최신 Ultralytics 모델은 YOLO26을 참조하세요.
시청: 객체 감지 및 추적에 Ultralytics YOLO11을 사용하는 방법 | 벤치마크 방법 | YOLO11 출시 🚀
Ultralytics Platform에서 YOLO11 모델을 직접 살펴보고 실행해 보세요.
주요 기능#
- 향상된 Feature Extraction: YOLO11은 개선된 백본 및 넥 아키텍처를 사용하여 feature extraction 기능을 강화함으로써 객체를 더 정밀하게 감지하고 복잡한 작업의 성능을 높입니다.
- 효율성과 속도에 최적화: YOLO11은 개선된 아키텍처 설계와 최적화된 학습 파이프라인을 도입하여 처리 속도를 높이는 동시에 정확도와 성능 간 최적의 균형을 유지합니다.
- 더 적은 파라미터로 더 높은 정확도: 모델 설계의 발전을 바탕으로 YOLO11m은 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성하면서 YOLOv8m보다 파라미터 수는 22% 적어, 정확도를 저하시키지 않으면서 계산 효율성을 높입니다.
- 다양한 환경에 대한 적응성: YOLO11은 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU를 지원하는 시스템 등 다양한 환경에 원활하게 배포할 수 있어 유연성을 극대화합니다.
- 폭넓은 작업 지원: 객체 감지, 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 객체 감지(OBB) 등 다양한 컴퓨터 비전 문제를 해결하도록 설계되었습니다.
지원 작업 및 모드#
YOLO11은 이전 Ultralytics YOLO 릴리스에서 확립한 다목적 모델 라인을 기반으로 다양한 컴퓨터 비전 작업에 대한 지원을 강화합니다.
| 모델 | 파일 이름 | 작업 | 학습 | 검증 | 추론 | 내보내기 |
|---|---|---|---|---|---|---|
| YOLO11 | yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt | 감지 | ✅ | ✅ | ✅ | ✅ |
| YOLO11-seg | yolo11n-seg.pt yolo11s-seg.pt yolo11m-seg.pt yolo11l-seg.pt yolo11x-seg.pt | 인스턴스 분할 | ✅ | ✅ | ✅ | ✅ |
| YOLO11-cls | yolo11n-cls.pt yolo11s-cls.pt yolo11m-cls.pt yolo11l-cls.pt yolo11x-cls.pt | 분류 | ✅ | ✅ | ✅ | ✅ |
| YOLO11-pose | yolo11n-pose.pt yolo11s-pose.pt yolo11m-pose.pt yolo11l-pose.pt yolo11x-pose.pt | 포즈/키포인트 | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | 방향성 객체 감지 | ✅ | ✅ | ✅ | ✅ |
이 표에서는 YOLO11 모델 변형을 개괄하고, 추론, 검증, 학습, 내보내기와 같은 운영 모드와의 호환성 및 특정 작업에서의 활용도를 보여줍니다. 이러한 유연성 덕분에 YOLO11은 실시간 감지부터 복잡한 분할 작업까지 폭넓은 컴퓨터 비전 애플리케이션에 적합합니다.
성능 지표#
사용 예시#
이 섹션에서는 YOLO11의 간단한 학습 및 추론 예시를 제공합니다. 이러한 모드와 기타 모드에 관한 전체 문서는 Predict, Train, Val, Export 문서 페이지를 참조하세요.
아래 예시는 객체 감지를 위한 YOLO11 Detect 모델에 해당합니다. 그 밖에 지원되는 작업은 Segment, Classify, Pose, OBB 문서를 참조하세요.
PyTorch 사전 학습된 *.pt 모델과 구성 *.yaml 파일을 YOLO() 클래스에 전달하여 Python에서 모델 인스턴스를 생성할 수 있습니다:
from ultralytics import YOLO
# COCO 사전 학습 YOLO11n 모델 불러오기
model = YOLO("yolo11n.pt")
# COCO8 예제 데이터셋으로 100 에포크 동안 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 'bus.jpg' 이미지에서 YOLO11n 모델로 추론 실행
results = model("path/to/bus.jpg")인용 및 감사의 글#
모델이 빠르게 발전하는 특성상 Ultralytics는 YOLO11에 관한 공식 연구 논문을 발표하지 않았습니다. 정적인 문서를 작성하기보다 기술을 발전시키고 사용하기 쉽게 만드는 데 집중합니다. YOLO 아키텍처, 기능 및 사용법에 관한 최신 정보는 GitHub 저장소와 문서를 참조하세요.
연구에서 YOLO11 또는 이 저장소의 다른 소프트웨어를 사용하신다면 다음 형식으로 인용해 주세요:
@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}
}DOI는 아직 발급되지 않았으며, 발급되면 인용문에 추가될 예정입니다. YOLO11 모델은 AGPL-3.0 및 Enterprise 라이선스에 따라 제공됩니다.
자주 묻는 질문#
Ultralytics YOLO11은 YOLOv8보다 여러 측면에서 크게 발전했습니다. 주요 개선 사항은 다음과 같습니다.
- 향상된 Feature Extraction: YOLO11은 개선된 백본 및 넥 아키텍처를 사용하여 feature extraction 기능을 강화하고 객체를 더 정밀하게 감지합니다.
- 효율성과 속도 최적화: 개선된 아키텍처 설계와 최적화된 학습 파이프라인을 통해 정확도와 성능의 균형을 유지하면서 처리 속도를 높입니다.
- 더 적은 파라미터로 더 높은 정확도: YOLO11m은 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성하면서 YOLOv8m보다 파라미터 수는 22% 적어, 정확도를 저하시키지 않으면서 계산 효율성을 높입니다.
- 다양한 환경에 대한 적응성: YOLO11은 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU를 지원하는 시스템 등 다양한 환경에 배포할 수 있습니다.
- 폭넓은 작업 지원: YOLO11은 객체 감지, 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 객체 감지(OBB) 등 다양한 컴퓨터 비전 작업을 지원합니다.
객체 감지용 YOLO11 모델은 Python 또는 CLI 명령을 사용해 학습할 수 있습니다. 두 방법의 예시는 다음과 같습니다.
예제from ultralytics import YOLO # COCO 사전 학습 YOLO11n 모델 불러오기 model = YOLO("yolo11n.pt") # COCO8 예제 데이터셋으로 100 에포크 동안 모델 학습 results = model.train(data="coco8.yaml", epochs=100, imgsz=640)자세한 지침은 Train 문서를 참조하세요.
YOLO11은 모델 설계와 최적화 기법의 발전을 통해 더 적은 파라미터로 정확도를 높입니다. 개선된 아키텍처는 효율적인 feature extraction 및 처리를 지원하여 COCO와 같은 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성하면서도 YOLOv8m보다 파라미터 수를 22% 줄입니다. 따라서 YOLO11은 정확도를 저하시키지 않으면서 계산 효율성을 높여 리소스가 제한된 디바이스에 배포하기에 적합합니다.
네, YOLO11은 엣지 디바이스를 포함한 다양한 환경에 적응하도록 설계되었습니다. 최적화된 아키텍처와 효율적인 처리 기능 덕분에 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU를 지원하는 시스템에 배포하기 적합합니다. 이러한 유연성 덕분에 YOLO11은 모바일 디바이스에서의 실시간 감지부터 클라우드 환경에서의 복잡한 분할 작업까지 다양한 애플리케이션에 사용할 수 있습니다. 배포 옵션에 관한 자세한 내용은 Export 문서를 참조하세요.