Link to this sectionUltralytics YOLO11#

Link to this section개요#

YOLO11은 2024년 9월 10일 Ultralytics에 의해 출시되었으며, 뛰어난 정확도, 속도 및 효율성을 제공합니다. 이전 YOLO 버전들의 인상적인 발전을 바탕으로, YOLO11은 아키텍처와 학습 방식에서 획기적인 개선을 도입하여 다양한 컴퓨터 비전 작업에 다재다능한 선택지가 되었습니다. 엔드투엔드 NMS-free 추론과 최적화된 엣지 배포를 지원하는 최신 Ultralytics 모델은 YOLO26을 참조하십시오.

Link to this section주요 특징#

• 향상된 특징 추출: YOLO11은 개선된 백본과 넥 아키텍처를 채택하여, 더 정밀한 객체 탐지와 복잡한 작업 수행을 위한 특징 추출 능력을 강화합니다.
• 효율성 및 속도 최적화: YOLO11은 정교해진 아키텍처 설계와 최적화된 학습 파이프라인을 도입하여, 처리 속도를 높이면서도 정확도와 성능 간의 최적의 균형을 유지합니다.
• 더 적은 파라미터로 더 높은 정확도: 모델 설계의 발전으로, YOLO11m은 YOLOv8m보다 파라미터를 22% 적게 사용하면서도 COCO 데이터셋에서 더 높은 mAP를 달성하여 정확도를 저하시키지 않으면서도 계산 효율성을 극대화했습니다.
• 환경에 따른 적응성: YOLO11은 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU 지원 시스템 등 다양한 환경에서 원활하게 배포될 수 있어 최고의 유연성을 보장합니다.
• 광범위한 지원 작업: 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정 또는 지향성 객체 탐지(OBB) 등, YOLO11은 다양한 컴퓨터 비전 과제를 해결하도록 설계되었습니다.

Link to this section지원되는 작업 및 모드#

YOLO11은 초기 Ultralytics YOLO 출시 버전들이 확립한 범용 모델 제품군을 바탕으로 하여, 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.

Link to this section성능 지표#

Link to this section사용 예제#

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

Note that the example below is for YOLO11 Detect models for object detection. For additional supported tasks, see the Segment, Classify, OBB, and Pose docs.

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")

Link to this section인용 및 감사의 글#

귀하의 작업에서 YOLO11 또는 이 저장소의 다른 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 보류 중이며 사용 가능해지는 대로 인용에 추가될 예정입니다. YOLO11 모델은 AGPL-3.0 및 Enterprise 라이선스에 따라 제공됩니다.

Link to this sectionFAQ#

Link to this sectionYOLOv8과 비교하여 Ultralytics YOLO11의 주요 개선 사항은 무엇입니까?#

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

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

Link to this section객체 탐지를 위해 YOLO11 모델을 어떻게 학습합니까?#

객체 탐지를 위한 YOLO11 모델 학습은 Python 또는 CLI 명령을 사용하여 수행할 수 있습니다. 아래는 두 방법 모두에 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 Train 문서를 참조하십시오.

Link to this sectionYOLO11 모델은 어떤 작업을 수행할 수 있습니까?#

YOLO11 모델은 다재다능하며 다음과 같은 다양한 컴퓨터 비전 작업을 지원합니다:

• 객체 탐지: 이미지 내의 객체를 식별하고 위치를 파악합니다.
• 인스턴스 분할: 객체를 탐지하고 그 경계를 획정합니다.
• 이미지 분류: 이미지를 사전 정의된 클래스로 분류합니다.
• 포즈 추정: 인체의 키포인트를 탐지하고 추적합니다.
• 회전된 객체 탐지(OBB): 더 높은 정밀도를 위해 회전된 상태의 객체를 탐지합니다.

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

Link to this sectionYOLO11은 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 파라미터를 22% 적게 사용하면서도 COCO와 같은 데이터셋에서 더 높은 평균 정밀도(mAP)를 제공합니다. 이는 YOLO11이 정확도를 저하시키지 않으면서 계산 효율성을 유지하게 하여 리소스가 제한된 디바이스에 배포하기에 적합하도록 만듭니다.

Link to this sectionYOLO11을 엣지 디바이스에 배포할 수 있습니까?#

네, YOLO11은 엣지 디바이스를 포함한 다양한 환경에 적응할 수 있도록 설계되었습니다. 최적화된 아키텍처와 효율적인 처리 능력은 엣지 디바이스, 클라우드 플랫폼 및 NVIDIA GPU를 지원하는 시스템에 배포하기에 적합합니다. 이러한 유연성 덕분에 YOLO11은 모바일 디바이스에서의 실시간 탐지부터 클라우드 환경의 복잡한 분할 작업에 이르기까지 다양한 애플리케이션에서 사용될 수 있습니다. 배포 옵션에 대한 자세한 내용은 Export 문서를 참조하십시오.