Ultralytics YOLO11#

Visão geral#

O YOLO11 foi lançado pela Ultralytics a 27 de setembro de 2024, oferecendo excelente precisão, velocidade e eficiência. Com base nos avanços impressionantes das versões anteriores do YOLO, o YOLO11 apresenta melhorias significativas na arquitetura e nos métodos de treino, tornando-se uma opção versátil para uma ampla variedade 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 borda, consulta o YOLO26.

Principais funcionalidades#

• Extração aprimorada de características: o YOLO11 utiliza uma arquitetura melhorada de backbone e neck, que aumenta a capacidade 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 apresenta designs de arquitetura refinados e pipelines de treino otimizados, proporcionando processamento mais rápido e mantendo um equilíbrio ideal entre precisão e desempenho.
• Maior precisão com menos parâmetros: graças aos avanços no design do modelo, o YOLO11m alcança uma precisão média (mAP) mais alta no conjunto de dados COCO, usando 22% menos parâmetros do que o YOLOv8m, o que o torna computacionalmente eficiente sem comprometer a precisão.
• Adaptabilidade a vários ambientes: o YOLO11 pode ser implementado facilmente em diversos ambientes, incluindo dispositivos de borda, plataformas na nuvem e sistemas compatíveis com GPUs NVIDIA, garantindo flexibilidade máxima.
• Ampla variedade 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 diversos desafios de visão computacional.

Tarefas e modos compatíveis#

O YOLO11 baseia-se na variedade de modelos estabelecida pelas versões anteriores do Ultralytics YOLO e oferece suporte aprimorado a 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 ampla variedade de aplicações de visão computacional, desde a deteção em tempo real até tarefas complexas de segmentação.

Métricas de desempenho#

Exemplos de uso#

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

Nota que o exemplo abaixo se refere a modelos YOLO11 de deteção para deteção de objetos. Para ver outras tarefas suportadas, consulta a documentação de Segmentação, Classificação, Pose e OBB.

from ultralytics import YOLO

# Carrega um modelo YOLO11n pré-treinado no COCO
model = YOLO("yolo11n.pt")

# Treina o modelo no conjunto de dados de exemplo COCO8 durante 100 épocas
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Executa a inferência com o modelo YOLO11n na imagem 'bus.jpg'
results = model("path/to/bus.jpg")

Citações e agradecimentos#

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

@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 quando estiver disponível. Os modelos YOLO11 são disponibilizados sob as licenças AGPL-3.0 e Enterprise.

Perguntas frequentes#