Ultralytics YOLO11#

Обзор#

YOLO11 выпущена компанией Ultralytics 10 сентября 2024 года и обеспечивает отличные точность, скорость и эффективность. 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. Информацию о последней модели Ultralytics с выводом без NMS и оптимизированным развёртыванием на периферийных устройствах см. в разделе YOLO26.

Ключевые особенности#

• Улучшенное извлечение признаков: YOLO11 использует улучшенную архитектуру бэкбона и шеи, повышая возможности извлечения признаков для более точного обнаружения объектов и выполнения сложных задач.
• Оптимизация эффективности и скорости: YOLO11 использует усовершенствованную архитектуру и оптимизированные конвейеры обучения, обеспечивая более высокую скорость обработки и сохраняя оптимальный баланс между точностью и производительностью.
• Более высокая точность при меньшем числе параметров: Благодаря улучшениям в проектировании модели YOLO11m достигает более высокого значения средней точности (mAP) на наборе данных COCO, используя на 22% меньше параметров, чем YOLOv8m, что обеспечивает вычислительную эффективность без снижения точности.
• Адаптивность в различных средах: YOLO11 можно легко развёртывать в различных средах, включая периферийные устройства, облачные платформы и системы с GPU NVIDIA, обеспечивая максимальную гибкость.
• Широкий спектр поддерживаемых задач: YOLO11 предназначена для различных задач компьютерного зрения, включая обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных объектов (OBB).

Поддерживаемые задачи и режимы#

YOLO11 развивает универсальный ряд моделей, представленный в предыдущих релизах Ultralytics YOLO, и предлагает расширенную поддержку различных задач компьютерного зрения:

В этой таблице представлен обзор вариантов моделей YOLO11, их применимости для определённых задач и совместимости с такими рабочими режимами, как вывод, валидация, обучение и экспорт. Благодаря этой гибкости YOLO11 подходит для широкого спектра приложений компьютерного зрения — от обнаружения объектов в реальном времени до сложных задач сегментации.

Метрики производительности#

Примеры использования#

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

Обрати внимание, что приведённый ниже пример предназначен для моделей YOLO11 Detect для обнаружения объектов. Дополнительные поддерживаемые задачи описаны в документации по Segment, Classify, Pose и 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")

Цитирование и благодарности#

Если ты используешь YOLO11 или любое другое программное обеспечение из этого репозитория в своей работе, укажи его в источниках, 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}
}

Обрати внимание, что DOI пока отсутствует и будет добавлен в цитату, когда станет доступен. Модели YOLO11 распространяются по лицензиям AGPL-3.0 и Enterprise.

Часто задаваемые вопросы#