Ultralytics YOLO11#
Обзор#
YOLO11 выпущена компанией Ultralytics 27 сентября 2024 года и обеспечивает высокие показатели точности, скорости и эффективности. Развивая впечатляющие достижения предыдущих версий YOLO, YOLO11 предлагает значительные улучшения архитектуры и методов обучения, что делает её универсальным решением для широкого спектра задач компьютерного зрения. О последней модели Ultralytics с инференсом без NMS от начала до конца и оптимизацией для развёртывания на периферийных устройствах читай на странице YOLO26.
Смотри: Как использовать Ultralytics YOLO11 для обнаружения и трекинга объектов | Как провести бенчмарк | ВЫШЛА YOLO11 🚀
Изучай модели YOLO11 и запускай их прямо на платформе Ultralytics.
Основные особенности#
- Улучшенное извлечение признаков: в YOLO11 используются усовершенствованные архитектуры основной сети и шеи, которые повышают качество извлечения признаков, обеспечивая более точное обнаружение объектов и решение сложных задач.
- Оптимизация эффективности и скорости: YOLO11 предлагает усовершенствованные архитектурные решения и оптимизированные конвейеры обучения, обеспечивая более высокую скорость обработки и сохраняя оптимальный баланс между точностью и производительностью.
- Более высокая точность при меньшем количестве параметров: благодаря усовершенствованиям архитектуры модели YOLO11m достигает более высокого среднего значения точности (mAP) на наборе данных COCO, используя на 22% меньше параметров, чем YOLOv8m. Это повышает вычислительную эффективность без ущерба для точности.
- Адаптация к различным средам: YOLO11 можно без проблем развернуть в различных средах, включая периферийные устройства, облачные платформы и системы с графическими процессорами NVIDIA, что обеспечивает максимальную гибкость.
- Широкий набор поддерживаемых задач: YOLO11 предназначена для решения самых разных задач компьютерного зрения: обнаружения объектов, сегментации экземпляров, классификации изображений, оценки позы и обнаружения объектов с ориентированными рамками (OBB).
Поддерживаемые задачи и режимы#
YOLO11 развивает линейку универсальных моделей, сформированную предыдущими выпусками Ultralytics YOLO, и расширяет поддержку различных задач компьютерного зрения:
| Модель | Имена файлов | Задача | Обучение | Валидация | Инференс | Экспорт |
|---|---|---|---|---|---|---|
| YOLO11 | yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt | Обнаружение | ✅ | ✅ | ✅ | ✅ |
| YOLO11-seg | yolo11n-seg.pt yolo11s-seg.pt yolo11m-seg.pt yolo11l-seg.pt yolo11x-seg.pt | Сегментация экземпляров | ✅ | ✅ | ✅ | ✅ |
| YOLO11-cls | yolo11n-cls.pt yolo11s-cls.pt yolo11m-cls.pt yolo11l-cls.pt yolo11x-cls.pt | Классификация | ✅ | ✅ | ✅ | ✅ |
| YOLO11-pose | yolo11n-pose.pt yolo11s-pose.pt yolo11m-pose.pt yolo11l-pose.pt yolo11x-pose.pt | Поза/ключевые точки | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | Обнаружение ориентированных объектов | ✅ | ✅ | ✅ | ✅ |
В этой таблице представлен обзор вариантов моделей YOLO11, указаны задачи, для которых они подходят, и совместимость с рабочими режимами, такими как инференс, валидация, обучение и экспорт. Благодаря такой гибкости YOLO11 подходит для широкого спектра задач компьютерного зрения — от обнаружения объектов в реальном времени до сложной сегментации.
Метрики производительности#
Примеры использования этих моделей, обученных на COCO и включающих 80 предобученных классов, см. в документации по обнаружению объектов.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 1.5 ± 0.0 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 ± 1.2 | 2.5 ± 0.0 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 ± 2.0 | 4.7 ± 0.1 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 ± 1.4 | 6.2 ± 0.1 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 ± 6.7 | 11.3 ± 0.2 | 56.9 | 195.3 |
Примеры использования#
В этом разделе приведены простые примеры обучения и инференса YOLO11. Полную документацию по этим и другим режимам см. на страницах Predict, Train, Val и Export.
Обрати внимание: пример ниже предназначен для моделей YOLO11 Detect, выполняющих обнаружение объектов. О других поддерживаемых задачах см. документацию Segment, Classify, Pose и OBB.
Предобученные модели *.pt на базе PyTorch, а также файлы конфигурации *.yaml можно передать классу YOLO(), чтобы создать экземпляр модели в Python:
from ultralytics import YOLO
# Загрузи предварительно обученную на COCO модель YOLO11n
model = YOLO("yolo11n.pt")
# Обучить модель на демонстрационном наборе данных COCO8 в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Запусти инференс с моделью YOLO11n на изображении 'bus.jpg'
results = model("path/to/bus.jpg")Цитирование и благодарности#
Ultralytics не публиковала официальную научную статью о YOLO11 из-за быстрого развития моделей. Мы сосредоточены на совершенствовании технологий и упрощении их использования, а не на создании статичной документации. Актуальную информацию об архитектуре, возможностях и использовании YOLO см. в нашем репозитории GitHub и документации.
Если ты используешь YOLO11 или другое программное обеспечение из этого репозитория в своей работе, процитируй его в следующем формате:
@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}
}Обрати внимание: DOI пока не присвоен; мы добавим его в цитату, как только он появится. Модели YOLO11 предоставляются по лицензиям AGPL-3.0 и Enterprise.
Часто задаваемые вопросы#
В Ultralytics YOLO11 появилось несколько значительных улучшений по сравнению с YOLOv8. Ключевые из них:
- Улучшенное извлечение признаков: в YOLO11 используются усовершенствованные архитектуры основной сети и шеи, повышающие качество извлечения признаков для более точного обнаружения объектов.
- Оптимизация эффективности и скорости: усовершенствованные архитектурные решения и оптимизированные конвейеры обучения обеспечивают более высокую скорость обработки, сохраняя баланс между точностью и производительностью.
- Более высокая точность при меньшем количестве параметров: YOLO11m достигает более высокого среднего значения точности (mAP) на наборе данных COCO, используя на 22% меньше параметров, чем YOLOv8m. Это повышает вычислительную эффективность без ущерба для точности.
- Адаптация к различным средам: YOLO11 можно развернуть в различных средах, включая периферийные устройства, облачные платформы и системы с графическими процессорами NVIDIA.
- Широкий набор поддерживаемых задач: YOLO11 поддерживает различные задачи компьютерного зрения, такие как обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы и обнаружение объектов с ориентированными рамками (OBB).
Модель YOLO11 для обнаружения объектов можно обучить с помощью команд Python или CLI. Ниже приведены примеры обоих способов:
Примерfrom ultralytics import YOLO # Загрузи предварительно обученную на COCO модель YOLO11n model = YOLO("yolo11n.pt") # Обучить модель на демонстрационном наборе данных COCO8 в течение 100 эпох results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Подробные инструкции см. в документации по обучению.
Модели YOLO11 универсальны и поддерживают широкий спектр задач компьютерного зрения, включая:
- Обнаружение объектов: определение объектов на изображении и их местоположения.
- Сегментация экземпляров: обнаружение объектов и определение их границ.
- Классификация изображений: распределение изображений по заранее заданным классам.
- Оценка позы: обнаружение и отслеживание ключевых точек на теле человека.
- Обнаружение объектов с ориентированными рамками (OBB): обнаружение повёрнутых объектов с более высокой точностью.
Подробнее о каждой задаче см. в документации по обнаружению объектов, сегментации экземпляров, классификации, оценке позы и обнаружению объектов с ориентированными рамками.
YOLO11 обеспечивает более высокую точность при меньшем количестве параметров благодаря усовершенствованиям архитектуры модели и методов оптимизации. Улучшенная архитектура позволяет эффективнее извлекать и обрабатывать признаки, повышая среднее значение точности (mAP) на таких наборах данных, как COCO, при этом в модели на 22% меньше параметров, чем в YOLOv8m. Благодаря этому YOLO11 эффективна с вычислительной точки зрения и не уступает в точности, поэтому подходит для развёртывания на устройствах с ограниченными ресурсами.
Да, YOLO11 разработана для работы в различных средах, включая периферийные устройства. Оптимизированная архитектура и эффективная обработка делают её подходящей для развёртывания на периферийных устройствах, облачных платформах и системах с графическими процессорами NVIDIA. Благодаря такой гибкости YOLO11 можно применять в самых разных задачах — от обнаружения объектов в реальном времени на мобильных устройствах до сложной сегментации в облачных средах. Подробнее о вариантах развёртывания см. в документации по экспорту.