Link to this sectionUltralytics YOLO11#

Link to this sectionОбзор#

YOLO11 был выпущен компанией Ultralytics 10 сентября 2024 года, обеспечивая превосходную точность, скорость и эффективность. Основываясь на впечатляющих достижениях предыдущих версий YOLO, YOLO11 привносит значительные улучшения в архитектуру и методы обучения, что делает его универсальным выбором для широкого спектра задач компьютерного зрения. Информацию о новейшей модели Ultralytics с инференсом без NMS и оптимизированным развертыванием на граничных устройствах см. в YOLO26.

Link to this sectionКлючевые особенности#

• Улучшенное извлечение признаков: YOLO11 использует улучшенную архитектуру бэкбона и шеи (neck), что повышает возможности извлечения признаков для более точного обнаружения объектов и выполнения сложных задач.
• Оптимизация для эффективности и скорости: YOLO11 внедряет усовершенствованные архитектурные решения и оптимизированные конвейеры обучения, обеспечивая более высокую скорость обработки при сохранении оптимального баланса между точностью и производительностью.
• Более высокая точность при меньшем количестве параметров: Благодаря достижениям в проектировании моделей, YOLO11m достигает более высокого среднего значения точности (mAP) на наборе данных COCO, используя при этом на 22% меньше параметров, чем YOLOv8m, что делает его вычислительно эффективным без ущерба для точности.
• Адаптивность в различных средах: YOLO11 может быть легко развернут в различных средах, включая граничные устройства, облачные платформы и системы с поддержкой GPU NVIDIA, обеспечивая максимальную гибкость.
• Широкий спектр поддерживаемых задач: Независимо от того, идет ли речь об обнаружении объектов, сегментации экземпляров, классификации изображений, оценке позы или ориентированном обнаружении объектов (OBB), YOLO11 разработан для решения разнообразных задач компьютерного зрения.

Link to this sectionПоддерживаемые задачи и режимы#

YOLO11 развивает универсальный модельный ряд, заложенный предыдущими релизами Ultralytics YOLO, предлагая расширенную поддержку различных задач компьютерного зрения:

Эта таблица дает обзор вариантов модели YOLO11, демонстрируя их применимость в конкретных задачах и совместимость с операционными режимами, такими как инференс, валидация, обучение и экспорт. Эта гибкость делает YOLO11 подходящим для широкого спектра приложений компьютерного зрения, от обнаружения в реальном времени до сложных задач сегментации.

Link to this sectionМетрики производительности#

Link to this sectionПримеры использования#

В этом разделе приведены простые примеры обучения и вывода YOLO11. Полную документацию по этим и другим режимам см. на страницах документации Predict, Train, Val и Export.

Обрати внимание, что приведенный ниже пример предназначен для моделей YOLO11 Detect для обнаружения объектов. Дополнительные поддерживаемые задачи см. в документации Segment, Classify, OBB и Pose.

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 sectionЦитирование и благодарности#

Если ты используешь YOLO11 или любое другое программное обеспечение из этого репозитория в своей работе, пожалуйста, сошлися на него, используя следующий формат:

@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}
}

Пожалуйста, обрати внимание, что DOI находится в процессе получения и будет добавлен в цитирование, как только станет доступен. Модели YOLO11 предоставляются по лицензиям AGPL-3.0 и Enterprise.

Link to this sectionFAQ#

Link to this sectionКаковы ключевые улучшения в Ultralytics YOLO11 по сравнению с YOLOv8?#

Ultralytics YOLO11 представляет несколько значительных усовершенствований по сравнению с YOLOv8. Ключевые улучшения включают:

• Улучшенное извлечение признаков: YOLO11 использует улучшенную архитектуру бэкбона и шеи, повышая возможности извлечения признаков для более точного обнаружения объектов.
• Оптимизированная эффективность и скорость: Улучшенные архитектурные проекты и оптимизированные конвейеры обучения обеспечивают более высокую скорость обработки при сохранении баланса между точностью и производительностью.
• Более высокая точность при меньшем количестве параметров: YOLO11m достигает более высокого среднего среднего значения Precision (mAP) на наборе данных COCO с 22% меньшим количеством параметров, чем YOLOv8m, что делает его вычислительно эффективным без ущерба для точности.
• Адаптивность к различным средам: YOLO11 можно развертывать в различных средах, включая периферийные устройства, облачные платформы и системы, поддерживающие графические процессоры NVIDIA.
• Широкий спектр поддерживаемых задач: YOLO11 поддерживает разнообразные задачи компьютерного зрения, такие как обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы и ориентированное обнаружение объектов (OBB).

Link to this sectionКак обучить модель YOLO11 для обнаружения объектов?#

Обучение модели YOLO11 для обнаружения объектов можно выполнить с помощью Python или команд CLI. Ниже приведены примеры для обоих методов:

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)

Для получения более подробных инструкций обратись к документации Train.

Link to this sectionКакие задачи могут выполнять модели YOLO11?#

Модели YOLO11 универсальны и поддерживают широкий спектр задач компьютерного зрения, включая:

• Обнаружение объектов: Идентификация и определение местоположения объектов на изображении.
• Сегментация экземпляров: Обнаружение объектов и очерчивание их границ.
• Классификация изображений: Категоризация изображений по заранее определенным классам.
• Оценка позы: Обнаружение и отслеживание ключевых точек на телах людей.
• Ориентированное обнаружение объектов (OBB): Обнаружение объектов с поворотом для более высокой точности.

Для получения дополнительной информации по каждой задаче см. документацию Detection, Instance Segmentation, Classification, Pose Estimation и Oriented Detection.

Link to this sectionКак YOLO11 достигает большей точности при меньшем количестве параметров?#

YOLO11 достигает большей точности при меньшем количестве параметров благодаря достижениям в дизайне моделей и методах оптимизации. Улучшенная архитектура позволяет эффективно извлекать и обрабатывать признаки, что приводит к более высокому среднему значению Precision (mAP) на таких наборах данных, как COCO, при использовании на 22% меньшего количества параметров, чем в YOLOv8m. Это делает YOLO11 вычислительно эффективным без ущерба для точности, что делает его подходящим для развертывания на устройствах с ограниченными ресурсами.

Link to this sectionМожно ли развернуть YOLO11 на периферийных устройствах?#

Да, YOLO11 разработан для адаптивности к различным средам, включая периферийные устройства. Его оптимизированная архитектура и эффективные возможности обработки делают его подходящим для развертывания на периферийных устройствах, облачных платформах и системах, поддерживающих графические процессоры NVIDIA. Эта гибкость гарантирует, что YOLO11 можно использовать в разнообразных приложениях, от обнаружения в реальном времени на мобильных устройствах до сложных задач сегментации в облачных средах. Для получения более подробной информации о вариантах развертывания обратись к документации Export.