Ultralytics YOLO11#

Обзор#

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.

Ключевые 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.

Поддерживаемые 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.

Метрики производительности#

Примеры 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 пример ниже предназначен для моделей YOLO11 Detect для object detection. Дополнительные поддерживаемые задачи ищи в документации 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, 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.

FAQ#

Каковы 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).

Как 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.

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 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.

Как 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.

Можно 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.