Ultralytics YOLO11

Обзор

YOLO11 - это последняя итерация в серии Ultralytics YOLO серии детекторов объектов в реальном времени, заново определяющая возможные возможности благодаря передовой точности, скорости и эффективности. Основываясь на впечатляющих достижениях предыдущих версий YOLO , YOLO11 вносит значительные улучшения в архитектуру и методы обучения, что делает его универсальным выбором для широкого спектра задач компьютерного зрения.

Смотри: Как использовать Ultralytics YOLO11 для обнаружения и отслеживания объектов | How to Benchmark | YOLO11 RELEASED🚀

Основные характеристики

• Улучшенное извлечение признаков: В YOLO11 используется улучшенная архитектура позвоночника и шеи, которая расширяет возможности извлечения признаков для более точного обнаружения объектов и выполнения сложных задач.
• Оптимизирован для эффективности и скорости: YOLO11 представляет усовершенствованный архитектурный дизайн и оптимизированные конвейеры обучения, обеспечивая более высокую скорость обработки данных и поддерживая оптимальный баланс между точностью и производительностью.
• Большая точность при меньшем количестве параметров: Благодаря усовершенствованию конструкции модели, YOLO11m достигает более высокой средней 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 можно без проблем развернуть в различных средах, включая пограничные устройства, облачные платформы и системы, поддерживающие графические процессоры NVIDIA , что обеспечивает максимальную гибкость.
• Широкий спектр поддерживаемых задач: Будь то обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы или ориентированное обнаружение объектов (OBB), YOLO11 создан для решения разнообразных задач компьютерного зрения.

Поддерживаемые задачи и режимы

YOLO11 развивает универсальный модельный ряд, представленный на сайте YOLOv8, предлагая расширенную поддержку различных задач компьютерного зрения:

В этой таблице представлен обзор вариантов моделей YOLO11, демонстрирующий их применимость в конкретных задачах и совместимость с такими рабочими режимами, как Inference, Validation, Training и Export. Такая гибкость делает YOLO11 подходящим для широкого спектра приложений в компьютерном зрении, от обнаружения в реальном времени до сложных задач сегментации.

Показатели производительности

Примеры использования

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

Обрати внимание, что в примере ниже используются модели YOLO11 Detect для обнаружения объектов. О дополнительных поддерживаемых задачах читай в документах 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")

# Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO11n model and run inference on the 'bus.jpg' image
yolo predict model=yolo11n.pt source=path/to/bus.jpg

Цитаты и благодарности

Если ты используешь YOLO11 или любое другое программное обеспечение из этого репозитория в своей работе, пожалуйста, цитируй его, 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, 0000-0002-7603-6750, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

Обрати внимание, что DOI находится на стадии подготовки и будет добавлен в цитату, как только станет доступен. Модели YOLO11 предоставляются под AGPL-3.0 и Enterprise лицензиями.

ВОПРОСЫ И ОТВЕТЫ

Какие ключевые улучшения есть в Ultralytics YOLO11 по сравнению с предыдущими версиями?

Ultralytics В YOLO11 реализовано несколько значительных улучшений по сравнению с предшественниками. К основным улучшениям относятся:

• Улучшенное извлечение признаков: В YOLO11 используется улучшенная архитектура позвоночника и шеи, что расширяет возможности извлечения признаков для более точного обнаружения объектов.
• Оптимизированная эффективность и скорость: Усовершенствованные архитектурные решения и оптимизированные конвейеры обучения обеспечивают более высокую скорость обработки данных, сохраняя при этом баланс между точностью и производительностью.
• Большая точность при меньшем количестве параметров: YOLO11m достигает более высокой средней точности (mAP) на наборе данных COCO с 22 % меньшим количеством параметров, чем YOLOv8m, что делает его вычислительно эффективным без ущерба для точности.
• Адаптивность в различных средах: YOLO11 может быть развернут в различных средах, включая пограничные устройства, облачные платформы и системы, поддерживающие графические процессоры NVIDIA .
• Широкий спектр поддерживаемых задач: YOLO11 поддерживает различные задачи компьютерного зрения, такие как обнаружение объектов, сегментация объектов, классификация изображений, оценка позы и ориентированное обнаружение объектов (OBB).

Как обучить модель YOLO11 для обнаружения объектов?

Обучение модели YOLO11 для обнаружения объектов можно провести с помощью команд Python или 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)

# Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640

За более подробными инструкциями обращайся к документации по трейнеру.

Какие 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 объектов: Обнаружение объектов и очерчивание их границ.
• Классификация изображений: Классифицируй изображения по заранее определенным классам.
• Оценка позы: Обнаружение и отслеживание ключевых точек на теле человека.
• Ориентированное обнаружение объектов (OBB): Обнаружение объектов с вращением для большей точности.

Подробнее о каждой задаче читай в документации по обнаружению, сегментации объектов, классификации, оценке позы и ориентированному обнаружению.

Как YOLO11 добивается большей точности при меньшем количестве параметров?

YOLO11 достигает большей точности при меньшем количестве параметров за счет усовершенствования дизайна модели и методов оптимизации. Улучшенная архитектура позволяет эффективно извлекать и обрабатывать признаки, что приводит к более высокой средней точности (mAP) на таких наборах данных, как COCO, при использовании на 22% меньшего количества параметров, чем на YOLOv8m. Это делает YOLO11 вычислительно эффективным без ущерба для точности, что делает его подходящим для развертывания на устройствах с ограниченными ресурсами.

Можно ли развернуть YOLO11 на граничных устройствах?

Да, YOLO11 разработан для адаптации в различных средах, включая пограничные устройства. Оптимизированная архитектура и эффективные вычислительные возможности делают его пригодным для развертывания на пограничных устройствах, облачных платформах и системах, поддерживающих графические процессоры NVIDIA . Такая гибкость гарантирует, что YOLO11 можно использовать в различных приложениях, от обнаружения в реальном времени на мобильных устройствах до сложных задач сегментации в облачных средах. Подробнее о вариантах развертывания читай в документации по экспорту.

📅 Создано 1 месяц назад ✏️ Обновлено 12 дней назад

Комментарии