Ultralytics YOLO11

개요

YOLO11은 2024년 9월 10일 Ultralytics에 의해 출시되었으며, 탁월한 정확도, 속도 및 효율성을 제공합니다. 이전 YOLO 버전의 인상적인 발전을 기반으로, YOLO11은 아키텍처 및 훈련 방법에서 상당한 개선을 도입하여 광범위한 컴퓨터 비전 작업에 다재다능한 선택이 됩니다. 종단 간 NMS 없는 추론 및 최적화된 엣지 배포를 갖춘 최신 Ultralytics 모델은 YOLO26을 참조하십시오.

참고: Ultralytics YOLO11을 사용하여 객체 감지 및 추적하는 방법 | 벤치마크 방법 | YOLO11 출시🚀

주요 기능

• 향상된 특징 추출: YOLO11은 개선된 백본 및 넥 아키텍처를 사용하여 보다 정확한 객체 탐지 및 복잡한 작업 수행을 위한 특징 추출 기능을 향상시킵니다.
• 효율성 및 속도에 최적화됨: YOLO11은 개선된 아키텍처 설계 및 최적화된 훈련 파이프라인을 도입하여 더 빠른 처리 속도를 제공하고 정확도와 성능 간의 최적 균형을 유지합니다.
• 더 적은 매개변수로 더 높은 정확도: 모델 설계의 발전을 통해 YOLO11m은 YOLOv8m보다 22% 적은 매개변수를 사용하면서도 COCO 데이터셋에서 더 높은 mean Average Precision (mAP)을 달성하여, 정확도를 저해하지 않으면서도 계산 효율적입니다.
• 다양한 환경에 대한 적응성: YOLO11은 엣지 장치, 클라우드 플랫폼 및 NVIDIA GPU를 지원하는 시스템을 포함한 다양한 환경에 원활하게 배포할 수 있어 최대한의 유연성을 보장합니다.
• 광범위한 지원 작업: 객체 감지, 인스턴스 분할, 이미지 분류, 포즈 추정 또는 OBB (Oriented Object Detection)이든 YOLO11은 다양한 컴퓨터 비전 문제를 해결하도록 설계되었습니다.

지원되는 작업 및 모드

YOLO11 이전 Ultralytics YOLO 릴리스에서 구축한 다목적 모델 범위를 기반으로 다양한 컴퓨터 비전 작업에 대한 향상된 지원을 제공합니다:

이 표는 YOLO11 모델의 다양한 변형에 대한 개요를 제공하며, 특정 작업에서의 적용 가능성과 추론, 검증, 훈련 및 내보내기와 같은 작동 모드와의 호환성을 보여줍니다. 이러한 유연성 덕분에 YOLO11은 실시간 감지부터 복잡한 분할 작업에 이르기까지 컴퓨터 비전 분야의 광범위한 응용 분야에 적합합니다.

성능 지표

사용 예시

이 섹션에서는 간단한 YOLO11 학습 및 추론 예제를 제공합니다. 이러한 모드 및 기타 모드에 대한 전체 설명서는 Predict, Train, Val 및 Export 문서 페이지를 참조하세요.

아래 예제는 객체 감지를 위한 YOLO11 Detect 모델에 대한 것입니다. 추가 지원 작업은 Segment, Classify, OBB 및 Pose 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 감사의 말씀

YOLO11 또는 이 저장소의 다른 소프트웨어를 작업에 사용하는 경우 다음 형식을 사용하여 인용하십시오.

@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 보류 중이며 사용 가능하게 되면 인용에 추가될 예정입니다. YOLO11 모델은 AGPL-3.0 및 Enterprise 라이선스에 따라 제공됩니다.

FAQ

YOLOv8과 비교하여 Ultralytics YOLO11의 주요 개선 사항은 무엇입니까?

Ultralytics YOLO11은 YOLOv8에 비해 여러 가지 중요한 발전을 도입했습니다. 주요 개선 사항은 다음과 같습니다.

• 향상된 특징 추출: YOLO11은 개선된 백본 및 넥 아키텍처를 사용하여 보다 정확한 객체 감지를 위한 특징 추출 기능을 향상시킵니다.
• 최적화된 효율성 및 속도: 개선된 아키텍처 설계 및 최적화된 훈련 파이프라인은 정확도와 성능 간의 균형을 유지하면서 더 빠른 처리 속도를 제공합니다.
• 더 적은 파라미터로 더 높은 정확도: YOLO11m은 YOLOv8m보다 22% 더 적은 파라미터로 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성하여, 정확도를 저하시키지 않으면서 계산 효율성을 높입니다.
• 다양한 환경에서의 적응성: YOLO11은 엣지 장치, 클라우드 플랫폼 및 NVIDIA GPU를 지원하는 시스템을 포함한 다양한 환경에 배포할 수 있습니다.
• 광범위한 지원 작업: YOLO11은 객체 감지, 인스턴스 분할, 이미지 분류, 자세 추정 및 방향 객체 감지(OBB)와 같은 다양한 컴퓨터 비전 작업을 지원합니다.

객체 탐지를 위해 YOLO11 모델을 어떻게 훈련합니까?

객체 감지를 위한 YOLO11 모델 훈련은 Python 또는 CLI 명령을 사용하여 수행할 수 있습니다. 아래는 두 가지 방법에 대한 예입니다.

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 내용은 Train 문서를 참조하십시오.

YOLO11 모델은 어떤 작업을 수행할 수 있습니까?

YOLO11 모델은 다재다능하며 다음을 포함한 광범위한 컴퓨터 비전 작업을 지원합니다.

• 객체 감지: 이미지 내에서 객체를 식별하고 찾습니다.
• 인스턴스 분할: 객체를 감지하고 경계를 구분합니다.
• 이미지 분류: 이미지를 미리 정의된 클래스로 분류합니다.
• 자세 추정: 인체에서 키포인트를 감지하고 추적합니다.
• 방향 객체 감지 (OBB): 더 높은 정밀도를 위해 회전된 객체를 감지합니다.

각 작업에 대한 자세한 내용은 Detection, Instance Segmentation, Classification, Pose Estimation 및 Oriented Detection 문서를 참조하십시오.

YOLO11은 어떻게 더 적은 파라미터로 더 높은 정확도를 달성합니까?

YOLO11은 모델 설계 및 최적화 기술의 발전을 통해 더 적은 수의 매개변수로 더 높은 정확도를 달성합니다. 개선된 아키텍처는 효율적인 특징 추출 및 처리를 가능하게 하여 YOLOv8m보다 22% 적은 매개변수를 사용하면서도 COCO와 같은 데이터셋에서 더 높은 mean Average Precision (mAP)을 달성합니다. 이는 YOLO11이 정확도를 저해하지 않으면서도 계산 효율적이며, 리소스가 제한된 장치에 배포하기에 적합하게 만듭니다.

YOLO11을 엣지 장치에 배포할 수 있습니까?

예, YOLO11은 엣지 장치를 포함한 다양한 환경에서 적응할 수 있도록 설계되었습니다. 최적화된 아키텍처와 효율적인 처리 기능 덕분에 엣지 장치, 클라우드 플랫폼 및 NVIDIA GPU를 지원하는 시스템에 배포하는 데 적합합니다. 이러한 유연성 덕분에 YOLO11은 모바일 장치에서의 실시간 감지부터 클라우드 환경에서의 복잡한 분할 작업에 이르기까지 다양한 애플리케이션에서 사용할 수 있습니다. 배포 옵션에 대한 자세한 내용은 Export 문서를 참조하십시오.

5; 1 년 전에 생성됨 ✏️ 5 전에 업데이트됨

댓글