Ultralytics YOLO11#

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

• 향상된 특징 추출: YOLO11은 개선된 백본 및 넥 아키텍처를 사용하여 특징 추출 기능을 강화하고 더욱 정밀한 객체 검출을 지원합니다.
• 최적화된 효율성과 속도: 개선된 아키텍처 설계와 최적화된 학습 파이프라인을 통해 정확도와 성능 간의 균형을 유지하면서 더 빠른 처리 속도를 제공합니다.
• 더 적은 파라미터로 향상된 정확도: YOLO11m은 YOLOv8m보다 파라미터를 22% 적게 사용하면서 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성하므로, 정확도를 저하하지 않고도 계산 효율성이 뛰어납니다.
• 다양한 환경에 대한 적응성: YOLO11은 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU를 지원하는 시스템 등 다양한 환경에 배포할 수 있습니다.
• 폭넓은 지원 작업: YOLO11은 객체 검출, 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정 및 방향성 객체 검출(OBB)과 같은 다양한 컴퓨터 비전 작업을 지원합니다.

객체 검출을 위한 YOLO11 모델은 Python 또는 CLI 명령을 사용하여 학습할 수 있습니다. 두 방법의 예제는 다음과 같습니다.

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)

자세한 지침은 Train 문서를 참조하십시오.

YOLO11 모델은 다목적 모델로, 다음을 포함한 다양한 컴퓨터 비전 작업을 지원합니다.

• 객체 탐지: 이미지 내 객체를 식별하고 위치를 파악합니다.
• 인스턴스 세그멘테이션: 객체를 탐지하고 경계를 구분합니다.
• 이미지 분류: 이미지를 사전 정의된 클래스에 따라 분류합니다.
• 포즈 추정: 사람의 신체에서 키포인트를 탐지하고 추적합니다.
• 방향성 객체 탐지(OBB): 더 높은 정밀도를 위해 회전된 객체를 탐지합니다.

각 작업에 대한 자세한 내용은 탐지, 인스턴스 세그멘테이션, 분류, 포즈 추정 및 방향성 탐지 문서를 참조하십시오.

YOLO11은 모델 설계와 최적화 기법의 발전을 통해 더 적은 파라미터로 더 높은 정확도를 달성합니다. 개선된 아키텍처는 효율적인 특징 추출과 처리를 가능하게 하여, YOLOv8m보다 22% 적은 파라미터를 사용하면서 COCO와 같은 데이터셋에서 더 높은 평균 정밀도(mAP)를 제공합니다. 따라서 YOLO11은 정확도를 저하시키지 않으면서 계산 효율성이 높아지며, 리소스가 제한된 디바이스에 배포하기에 적합합니다.

예, YOLO11은 엣지 디바이스를 포함한 다양한 환경에 맞게 설계되었습니다. 최적화된 아키텍처와 효율적인 처리 기능을 통해 엣지 디바이스, 클라우드 플랫폼 및 NVIDIA GPU를 지원하는 시스템에 배포하기에 적합합니다. 이러한 유연성 덕분에 YOLO11은 모바일 디바이스에서의 실시간 탐지부터 클라우드 환경의 복잡한 세그멘테이션 작업까지 다양한 애플리케이션에 사용할 수 있습니다. 배포 옵션에 대한 자세한 내용은 내보내기 문서를 참조하십시오.