Ultralytics YOLO11

개요

YOLO11는 2024년 9월 10일 Ultralytics에 의해 출시되었으며 뛰어난 정확도, 속도 및 효율성을 제공합니다. 이전 YOLO 버전의 인상적인 발전을 기반으로 하는 YOLO11은 아키텍처 및 학습 방법에서 상당한 개선을 도입하여 광범위한 컴퓨터 비전 작업에 다재다능한 선택지가 되었습니다. NMS가 필요 없는 종단간 추론과 최적화된 엣지 배포를 지원하는 최신 Ultralytics 모델은 YOLO26을 참조하십시오.

주요 특징

• 향상된 특징 추출: YOLO11은 개선된 백본 및 넥 아키텍처를 사용하여 더 정밀한 객체 탐지 및 복잡한 작업 수행을 위한 특징 추출 기능을 강화합니다.
• 효율성 및 속도 최적화: YOLO11은 세련된 아키텍처 설계와 최적화된 학습 파이프라인을 도입하여 더 빠른 처리 속도를 제공하며 정확도와 성능 간의 최적의 균형을 유지합니다.
• 더 적은 파라미터로 더 높은 정확도: 모델 설계의 발전으로 YOLO11m은 YOLOv8m보다 22% 더 적은 파라미터를 사용하면서도 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성하여 정확도를 저하시키지 않으면서도 계산 효율성을 확보했습니다.
• 환경 간 적응성: YOLO11은 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU 지원 시스템을 포함한 다양한 환경에 원활하게 배포할 수 있어 최대의 유연성을 보장합니다.
• 광범위한 지원 작업: 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정 또는 지향 객체 탐지(OBB) 등 무엇이든 YOLO11은 다양한 컴퓨터 비전 과제를 해결하도록 설계되었습니다.

지원되는 태스크 및 모드

YOLO11은 초기 Ultralytics YOLO 릴리스에 의해 구축된 다재다능한 모델 범위를 기반으로 하며 다양한 컴퓨터 비전 작업 전반에 걸쳐 향상된 지원을 제공합니다:

이 표는 YOLO11 모델 변형에 대한 개요를 제공하며, 특정 작업에서의 적용 가능성과 추론, 검증, 학습 및 내보내기와 같은 운영 모드와의 호환성을 보여줍니다. 이러한 유연성 덕분에 YOLO11은 실시간 탐지부터 복잡한 세그멘테이션 작업까지 컴퓨터 비전의 광범위한 애플리케이션에 적합합니다.

성능 지표

사용 예시

이 섹션에서는 간단한 YOLO11 학습 및 추론 예제를 제공합니다. 이 모드와 기타 모드에 대한 전체 문서는 예측(Predict), 학습(Train), 검증(Val) 및 내보내기(Export) 문서 페이지를 참조하십시오.

아래 예제는 YOLO11 감지(Detect) 모델을 객체 탐지에 활용하는 경우입니다. 지원되는 추가 작업은 세그먼트(Segment), 분류(Classify), OBB 및 포즈(Pose) 문서를 참조하십시오.

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")

인용 및 감사의 글

귀하의 작업에 YOLO11 또는 이 저장소의 소프트웨어를 사용하는 경우, 다음 형식을 사용하여 인용해 주십시오:

@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 현재 대기 중이며 사용 가능해지는 대로 인용에 추가될 예정입니다. YOLO11 모델은 AGPL-3.0 및 엔터프라이즈 라이선스에 따라 제공됩니다.

FAQ

Ultralytics YOLO11은 YOLOv8과 비교하여 어떤 주요 개선 사항이 있습니까?

Ultralytics YOLO11은 YOLOv8 대비 몇 가지 중요한 발전을 이루었습니다. 주요 개선 사항은 다음과 같습니다:

• 향상된 특징 추출: YOLO11은 개선된 백본 및 넥 아키텍처를 채택하여 더 정확한 객체 탐지를 위해 특징 추출 능력을 향상시켰습니다.
• 효율성 및 속도 최적화: 정교해진 아키텍처 설계와 최적화된 학습 파이프라인은 정확도와 성능의 균형을 유지하면서 더 빠른 처리 속도를 제공합니다.
• 더 적은 파라미터로 더 높은 정확도: YOLO11m은 YOLOv8m보다 22% 적은 파라미터로 COCO 데이터셋에서 더 높은 평균 정밀도(Precision, mAP)를 달성하여 정확도를 저하시키지 않으면서도 계산 효율성을 높였습니다.
• 환경 전반의 적응성: YOLO11은 에지 디바이스, 클라우드 플랫폼 및 NVIDIA GPU를 지원하는 시스템을 포함한 다양한 환경에 배포할 수 있습니다.
• 광범위한 지원 작업: YOLO11은 객체 탐지, 인스턴스 세그먼테이션, 이미지 분류, 포즈 추정 및 지향성 객체 탐지(OBB)와 같은 다양한 컴퓨터 비전 작업을 지원합니다.

객체 탐지를 위해 YOLO11 모델을 어떻게 학습시킵니까?

객체 탐지를 위한 YOLO11 모델 학습은 Python 또는 CLI 명령을 사용하여 수행할 수 있습니다. 다음은 두 가지 방법에 대한 예시입니다:

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)

더 자세한 지침은 학습(Train) 문서를 참조하십시오.

YOLO11 모델은 어떤 작업을 수행할 수 있습니까?

YOLO11 모델은 다재다능하며 다음과 같은 폭넓은 컴퓨터 비전 작업을 지원합니다:

• 객체 탐지: 이미지 내 객체를 식별하고 위치를 파악합니다.
• 인스턴스 세그먼테이션: 객체를 탐지하고 해당 경계를 묘사합니다.
• 이미지 분류: 이미지를 사전 정의된 클래스로 범주화합니다.
• 포즈 추정: 인체 관절의 주요 지점을 탐지하고 추적합니다.
• 지향성 객체 탐지(OBB): 더 높은 정밀도를 위해 회전된 상태의 객체를 탐지합니다.

각 작업에 대한 자세한 정보는 탐지(Detection), 인스턴스 세그먼테이션(Instance Segmentation), 분류(Classification), 포즈 추정(Pose Estimation) 및 지향성 탐지(Oriented Detection) 문서를 참조하십시오.

YOLO11은 어떻게 더 적은 파라미터로 더 높은 정확도를 달성합니까?

YOLO11은 모델 설계 및 최적화 기술의 발전을 통해 더 적은 파라미터로 더 높은 정확도를 달성합니다. 개선된 아키텍처는 효율적인 특징 추출과 처리를 가능하게 하여, YOLOv8m보다 22% 적은 파라미터를 사용하면서도 COCO와 같은 데이터셋에서 더 높은 평균 정밀도(mAP)를 구현합니다. 이를 통해 YOLO11은 정확도를 희생하지 않으면서도 계산 효율성을 확보하여 리소스가 제한된 디바이스에 배포하기에 적합합니다.

YOLO11을 에지 디바이스에 배포할 수 있습니까?

네, YOLO11은 에지 디바이스를 포함한 다양한 환경에 적응할 수 있도록 설계되었습니다. 최적화된 아키텍처와 효율적인 처리 능력 덕분에 에지 디바이스, 클라우드 플랫폼 및 NVIDIA GPU를 지원하는 시스템에 배포하기에 적합합니다. 이러한 유연성 덕분에 YOLO11은 모바일 디바이스에서의 실시간 탐지부터 클라우드 환경의 복잡한 세그먼테이션 작업에 이르기까지 다양한 애플리케이션에 활용될 수 있습니다. 배포 옵션에 대한 자세한 내용은 내보내기(Export) 문서를 참조하십시오.