Ultralytics YOLO11

Обзор

YOLO11 это последняя итерация в 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.

Смотреть: Как использовать Ultralytics YOLO11 для обнаружения и отслеживания объектов | Как провести бенчмаркинг | YOLO11 RELEASED🚀

Основные характеристики

• Улучшенное извлечение признаков: на сайте YOLO11 используется усовершенствованная архитектура "позвоночника" и "шеи", которая расширяет возможности извлечения признаков для более точного обнаружения объектов и выполнения сложных задач.
• Оптимизирован для повышения эффективности и скорости: на сайте YOLO11 представлены усовершенствованные архитектурные решения и оптимизированные конвейеры обучения, обеспечивающие более высокую скорость обработки данных и 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 эффективным с вычислительной точки зрения без ущерба для точности.
• Адаптируемость к различным средам: YOLO11 можно легко 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 разработан 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 модели YOLO11 , демонстрирующий их применимость в конкретных задачах и совместимость с такими режимами работы, как "Вывод", "Проверка", "Обучение" и "Экспорт". 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 можно найти на страницах Predict, Train, Val и Export docs.

Обратите внимание, что в приведенном ниже примере используются модели YOLO11 Detect для обнаружения объектов. Дополнительные поддерживаемые задачи см. 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 вы используете в своей работе YOLO11 или любое другое программное обеспечение из этого репозитория, пожалуйста, приведите ссылку на него 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, 0000-0002-7603-6750, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

Обратите внимание, что DOI находится на рассмотрении и будет добавлено в цитату, как только оно станет доступно. Модели YOLO11 предоставляются под лицензиями AGPL-3.0 и лицензиями Enterprise.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Каковы основные улучшения в Ultralytics YOLO11 по сравнению с предыдущими версиями?

Ultralytics YOLO11 представляет собой несколько значительных усовершенствований по сравнению с предшественниками. К основным улучшениям относятся:

• Улучшенное извлечение признаков: на сайте YOLO11 используется улучшенная архитектура "позвоночника" и "шеи", что расширяет возможности извлечения признаков для более точного обнаружения объектов.
• Оптимизированная эффективность и скорость: Усовершенствованная архитектура и оптимизированные конвейеры обучения обеспечивают более высокую скорость обработки, сохраняя 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.
• Адаптируемость к различным средам: YOLO11 можно развернуть 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 может быть выполнено 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

Для получения более подробных инструкций обратитесь к документации Train.

Какие задачи могут выполнять модели YOLO11 ?

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

• Обнаружение объектов: Идентификация и определение местоположения объектов на изображении.
• Сегментация объектов: Обнаружение объектов и определение их границ.
• Классификация изображений: Классификация изображений по заранее определенным классам.
• Оценка позы: Обнаружение и отслеживание ключевых точек на теле человека.
• Ориентированное обнаружение объектов (OBB): Обнаружение объектов с вращением для повышения точности.

Более подробную информацию о каждой задаче см. в документации по обнаружению, сегментации объектов, классификации, оценке позы и ориентированному обнаружению.

Как на сайте YOLO11 достигается большая точность при меньшем количестве параметров?

YOLO11 достигает большей точности при меньшем количестве параметров за счет усовершенствования конструкции модели и методов оптимизации. Усовершенствованная архитектура позволяет эффективно извлекать и обрабатывать признаки, в результате чего достигается более высокая средняя точность (mAP) на таких наборах данных, как COCO, при использовании на 22 % меньшего количества параметров по сравнению с YOLOv8m. Это делает YOLO11 вычислительно эффективным без ущерба для точности, что делает его пригодным для развертывания на устройствах с ограниченными ресурсами.

Можно ли развернуть YOLO11 на пограничных устройствах?

Да, YOLO11 разработан для адаптации к различным средам, 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 обеспечивает возможность использования YOLO11 в различных приложениях, от обнаружения в реальном времени на мобильных устройствах до сложных задач сегментации в облачных средах. Более подробную информацию о вариантах развертывания см. в документации по экспорту.

📅 Создано 3 месяца назад ✏️ Обновлено 1 месяц назад

Комментарии