Ultralytics YOLO11

개요

YOLO11 실시간 물체 감지기의 최신 버전인 Ultralytics YOLO 시리즈의 최신 버전으로, 최첨단 정확도, 속도, 효율성으로 가능성의 한계를 재정의합니다. 이전 버전( YOLO )의 인상적인 발전을 바탕으로 아키텍처와 훈련 방법이 크게 개선되어 다양한 컴퓨터 비전 작업에 다용도로 사용할 수 있는 YOLO11 버전이 출시되었습니다.

Watch: 물체 감지 및 추적에 Ultralytics YOLO11 사용 방법 | 벤치마크 방법 | YOLO11 릴리즈됨🚀

주요 기능

• 향상된 특징 추출: YOLO11 향상된 백본 및 넥 아키텍처를 채택하여 더욱 정밀한 물체 감지 및 복잡한 작업 수행을 위해 특징 추출 기능을 향상시켰습니다.
• 효율성과 속도에 최적화: YOLO11 은 정교한 아키텍처 설계와 최적화된 교육 파이프라인을 도입하여 처리 속도를 높이고 정확도와 성능 간의 최적의 균형을 유지합니다.
• 더 적은 파라미터로 더 높은 정확도: 모델 설계의 발전으로 YOLO11m은 COCO 데이터 세트에서 더 높은 평균 정밀도 (mAP)를 달성하는 동시에 YOLOv8m 보다 22% 적은 수의 매개변수를 사용하여 정확도 저하 없이 계산 효율을 높였습니다.
• 다양한 환경에서의 적응성: YOLO11 은 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU를 지원하는 시스템 등 다양한 환경에 원활하게 배포할 수 있어 유연성을 극대화합니다.
• 광범위한 지원 작업: 물체 감지, 인스턴스 분할, 이미지 분류, 포즈 추정, 방향성 물체 감지(OBB) 등 다양한 컴퓨터 비전 과제에 대응할 수 있도록 설계되었습니다( YOLO11 ).

지원되는 작업 및 모드

YOLO11 에서 소개한 다용도 모델 제품군( YOLOv8)을 기반으로 다양한 컴퓨터 비전 작업 전반에 걸쳐 향상된 지원을 제공합니다:

이 표는 YOLO11 모델 변형에 대한 개요를 제공하며, 특정 작업에서의 적용 가능성과 추론, 검증, 훈련 및 내보내기와 같은 작동 모드와의 호환성을 보여줍니다. 이러한 유연성 덕분에 YOLO11 은 실시간 감지부터 복잡한 세분화 작업에 이르기까지 컴퓨터 비전의 광범위한 애플리케이션에 적합합니다.

성능 지표

사용 예

이 섹션에서는 간단한 YOLO11 학습 및 추론 예제를 제공합니다. 이러한 모드 및 기타 모드에 대한 전체 문서는 예측, 학습, Val 및 내보내기 문서 페이지를 참조하세요.

아래 예는 YOLO11 객체 감지를 위한 모델감지용 예제입니다. 지원되는 추가 작업에 대해서는 세그먼트, 분류, OBB 및 포즈 문서를 참조하세요.

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")

# Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO11n model and run inference on the 'bus.jpg' image
yolo predict model=yolo11n.pt source=path/to/bus.jpg

인용 및 감사

YOLO11 또는 이 리포지토리의 다른 소프트웨어를 작업에 사용하는 경우 다음 형식을 사용하여 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, 0000-0002-7603-6750, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

DOI는 보류 중이며 사용 가능해지는 대로 인용에 추가될 예정입니다. YOLO11 모델은 아래에 제공됩니다. AGPL-3.0 및 엔터프라이즈 라이선스로 제공됩니다.

자주 묻는 질문

이전 버전과 비교하여 Ultralytics YOLO11 의 주요 개선 사항은 무엇인가요?

Ultralytics YOLO11 는 이전 버전에 비해 몇 가지 중요한 개선 사항을 도입했습니다. 주요 개선 사항은 다음과 같습니다:

• 향상된 특징 추출: YOLO11 은 향상된 백본 및 넥 아키텍처를 사용하여 더욱 정밀한 객체 감지를 위해 특징 추출 기능을 향상시켰습니다.
• 최적화된 효율성과 속도: 정교한 아키텍처 설계와 최적화된 트레이닝 파이프라인으로 정확도와 성능 간의 균형을 유지하면서 더 빠른 처리 속도를 제공합니다.
• 더 적은 파라미터로 더 높은 정확도: YOLO11m은 YOLOv8m 보다 22% 적은 수의 파라미터로 COCO 데이터 세트에서 더 높은 평균 평균 정밀도 (mAP)를 달성하여 정확도 저하 없이 계산 효율을 높입니다.
• 다양한 환경에서의 적응성: YOLO11 은 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU를 지원하는 시스템 등 다양한 환경에 배포할 수 있습니다.
• 광범위한 지원 작업: YOLO11 은 객체 감지, 인스턴스 분할, 이미지 분류, 포즈 추정, 방향성 객체 감지(OBB) 등 다양한 컴퓨터 비전 작업을 지원합니다.

물체 감지를 위해 YOLO11 모델을 어떻게 훈련하나요?

객체 감지를 위한 YOLO11 모델 훈련은 Python 또는 CLI 명령을 사용하여 수행할 수 있습니다. 다음은 두 가지 방법에 대한 예제입니다:

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)

# Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640

자세한 지침은 기차 문서를 참조하세요.

YOLO11 모델은 어떤 작업을 수행할 수 있나요?

YOLO11 모델은 다목적이며 다음과 같은 다양한 컴퓨터 비전 작업을 지원합니다:

• 물체 감지: 이미지 내에서 물체를 식별하고 위치를 파악합니다.
• 인스턴스 세분화: 객체를 감지하고 경계를 묘사합니다.
• 이미지 분류: 이미지를 미리 정의된 클래스로 분류합니다.
• 포즈 추정: 인체의 키포인트를 감지하고 추적합니다.
• OBB(방향성 물체 감지): 회전하는 물체를 감지하여 정밀도를 높입니다.

각 작업에 대한 자세한 내용은 탐지, 인스턴스 세분화, 분류, 포즈 추정 및 방향 탐지 설명서를 참조하세요.

YOLO11 어떻게 더 적은 매개변수로 더 높은 정확도를 달성할 수 있을까요?

YOLO11 는 모델 설계 및 최적화 기술의 발전을 통해 더 적은 수의 파라미터로 더 높은 정확도를 달성합니다. 개선된 아키텍처를 통해 효율적인 특징 추출 및 처리가 가능해져 COCO와 같은 데이터 세트에서 평균 평균 정밀도(mAP)가 높아지는 동시에 YOLOv8m 보다 22% 적은 매개변수를 사용합니다. 따라서 YOLO11 은 정확도 저하 없이 계산 효율이 높아져 리소스가 제한된 디바이스에 배포하는 데 적합합니다.

YOLO11 을 엣지 디바이스에 배포할 수 있나요?

예, YOLO11 은 엣지 디바이스를 포함한 다양한 환경에 적응할 수 있도록 설계되었습니다. 최적화된 아키텍처와 효율적인 처리 기능으로 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU를 지원하는 시스템에 배포하기에 적합합니다. 이러한 유연성 덕분에 모바일 디바이스의 실시간 감지부터 클라우드 환경의 복잡한 세분화 작업까지 다양한 애플리케이션에서 YOLO11 을 사용할 수 있습니다. 배포 옵션에 대한 자세한 내용은 내보내기 설명서를 참조하세요.

5개월 전 생성됨 ✏️ 업데이트됨 27일 전

댓글