Ultralytics YOLO11#

Visão geral#

O YOLO11 foi lançado pela Ultralytics em 10 de setembro de 2024, oferecendo excelente precisão, velocidade e eficiência. Com base nos avanços impressionantes das versões anteriores do YOLO, o YOLO11 introduz melhorias significativas na arquitetura e nos métodos de treino, tornando-o uma opção versátil para uma vasta gama de tarefas de visão computacional. Para conhecer o modelo mais recente da Ultralytics, com inferência ponta a ponta sem NMS e implementação otimizada em dispositivos de edge, consulta o YOLO26.

Principais funcionalidades#

• Extração de características melhorada: o YOLO11 utiliza uma arquitetura de backbone e neck melhorada, o que aumenta as capacidades de extração de características para uma deteção de objetos mais precisa e um melhor desempenho em tarefas complexas.
• Otimizado para eficiência e velocidade: o YOLO11 introduz designs arquitetónicos refinados e pipelines de treino otimizados, proporcionando velocidades de processamento mais elevadas e mantendo um equilíbrio ideal entre precisão e desempenho.
• Maior precisão com menos parâmetros: com os avanços no design do modelo, o YOLO11m alcança uma precisão média (mAP) superior no conjunto de dados COCO, utilizando 22% menos parâmetros do que o YOLOv8m, o que o torna computacionalmente eficiente sem comprometer a precisão.
• Adaptabilidade entre ambientes: o YOLO11 pode ser implementado de forma integrada em vários ambientes, incluindo dispositivos de edge, plataformas na cloud e sistemas compatíveis com GPUs NVIDIA, garantindo a máxima flexibilidade.
• Vasta gama de tarefas suportadas: quer se trate de deteção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose ou deteção de objetos orientados (OBB), o YOLO11 foi concebido para responder a um conjunto diversificado de desafios de visão computacional.

Tarefas e modos suportados#

O YOLO11 baseia-se na gama versátil de modelos estabelecida pelas versões anteriores do Ultralytics YOLO, oferecendo suporte melhorado para várias tarefas de visão computacional:

Esta tabela apresenta uma visão geral das variantes do modelo YOLO11, destacando a sua aplicabilidade a tarefas específicas e a compatibilidade com modos operacionais como Inferência, Validação, Treino e Exportação. Esta flexibilidade torna o YOLO11 adequado para uma vasta gama de aplicações de visão computacional, desde a deteção em tempo real até tarefas complexas de segmentação.

Métricas de desempenho#

Exemplos de utilização#

Esta secção apresenta exemplos simples de treino e inferência com o YOLO11. Para consultar a documentação completa sobre estes e outros modos, vê as páginas de documentação de Previsão, Treino, Validação e Exportação.

Nota que o exemplo abaixo é destinado aos modelos YOLO11 de deteção para deteção de objetos. Para consultar outras tarefas suportadas, vê a documentação de Segmentação, Classificação, Pose e OBB.

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")

Citações e agradecimentos#

Se utilizares o YOLO11 ou qualquer outro software deste repositório no teu trabalho, cita-o utilizando o seguinte formato:

@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}
}

Nota que o DOI está pendente e será adicionado à citação assim que estiver disponível. Os modelos YOLO11 são disponibilizados ao abrigo das licenças AGPL-3.0 e Enterprise.

Perguntas frequentes#