Ultralytics YOLO11#

Visão geral#

O YOLO11 foi lançado pela Ultralytics em 10 de setembro de 2024, oferecendo excelente precisão, velocidade e eficiência. Baseando-se nos avanços impressionantes das versões anteriores do YOLO, o YOLO11 introduz melhorias significativas na arquitetura e nos métodos de treinamento, tornando-se uma escolha versátil para uma ampla gama de tarefas de visão computacional. Para o modelo mais recente da Ultralytics com inferência sem NMS de ponta a ponta e implantação otimizada na borda, consulte o YOLO26.

Principais recursos#

• Extração de Características Aprimorada: O YOLO11 emprega uma arquitetura de backbone e neck melhorada, que aprimora as capacidades de extração de características para uma detecção de objetos mais precisa e desempenho em tarefas complexas.
• Otimizado para Eficiência e Velocidade: O YOLO11 introduz designs arquitetônicos refinados e pipelines de treinamento otimizados, proporcionando velocidades de processamento mais rápidas e mantendo um equilíbrio ideal entre precisão e desempenho.
• Maior Precisão com Menos Parâmetros: Com avanços no design de modelos, o YOLO11m alcança uma precisão média superior (mAP) no conjunto de dados COCO usando 22% menos parâmetros do que o YOLOv8m, tornando-o computacionalmente eficiente sem comprometer a precisão.
• Adaptabilidade entre Ambientes: O YOLO11 pode ser implantado perfeitamente em vários ambientes, incluindo dispositivos de borda, plataformas de nuvem e sistemas que suportam GPUs NVIDIA, garantindo flexibilidade máxima.
• Ampla Gama de Tarefas Suportadas: Seja detecção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose ou detecção de objetos orientados (OBB), o YOLO11 foi projetado para atender a um conjunto diversificado de desafios de visão computacional.

Tarefas e modos suportados#

O YOLO11 baseia-se na gama versátil de modelos estabelecida pelos lançamentos anteriores do Ultralytics YOLO, oferecendo suporte aprimorado em várias tarefas de visão computacional:

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

Métricas de desempenho#

Exemplos de uso#

Esta seção fornece exemplos simples de treinamento e inferência com o YOLO11. Para a documentação completa sobre estes e outros modos, consulte as páginas de documentação do Predict, Train, Val e Export.

Note que o exemplo abaixo é para modelos YOLO11 Detect voltados para detecção de objetos. Para tarefas adicionais suportadas, consulte a documentação de Segment, Classify, 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 você usar o YOLO11 ou qualquer outro software deste repositório em seu trabalho, por favor, cite-o usando 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}
}

Observe que o DOI está pendente e será adicionado à citação assim que estiver disponível. Os modelos YOLO11 são fornecidos sob as licenças AGPL-3.0 e Enterprise.

FAQ#