Ultralytics YOLO11

Обзор

YOLO11 — это последняя итерация в серии Ultralytics YOLO детекторов объектов в реальном времени, переопределяющая возможности благодаря передовой точности, скорости и эффективности. Основываясь на впечатляющих достижениях предыдущих версий YOLO, YOLO11 представляет значительные улучшения в архитектуре и методах 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 ВЫПУЩЕН🚀

Основные характеристики

• Улучшенное извлечение признаков: YOLO11 использует улучшенную backbone и neck-архитектуру, что повышает возможности извлечения признаков для более точного обнаружения объектов и выполнения сложных задач.
• Оптимизировано для эффективности и скорости: YOLO11 представляет усовершенствованные архитектурные решения и оптимизированные конвейеры обучения, обеспечивающие более высокую скорость обработки и поддерживающие оптимальный баланс между точностью и производительностью.
• Более высокая точность с меньшим количеством параметров: Благодаря усовершенствованиям в конструкции модели, YOLO11m достигает более высокого среднего значения Average Precision (mAP) на наборе данных COCO, используя при этом на 22% меньше параметров, чем YOLOv8m, что делает его вычислительно эффективным без ущерба для точности.
• Адаптируемость в различных средах: YOLO11 можно легко развернуть в различных средах, включая периферийные устройства, облачные платформы и системы, поддерживающие NVIDIA GPU, что обеспечивает максимальную гибкость.
• Широкий спектр поддерживаемых задач: Будь то обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы или ориентированное обнаружение объектов (OBB), YOLO11 предназначен для решения разнообразных задач компьютерного зрения.

Поддерживаемые задачи и режимы

YOLO11 основывается на универсальном модельном ряде, представленном в YOLOv8, предлагая расширенную поддержку для различных задач компьютерного зрения:

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

Метрики производительности

Примеры использования

В этом разделе представлены простые примеры обучения и инференса YOLO11. Полную документацию по этим и другим режимам смотрите на страницах документации Predict, Train, Val и Export.

Обратите внимание, что приведенный ниже пример предназначен для моделей YOLO11 Detect для обнаружения объектов. Информацию о других поддерживаемых задачах смотрите в документации 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

Цитирование и благодарности

Если вы используете YOLO11 или любое другое программное обеспечение из этого репозитория в своей работе, пожалуйста, укажите 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, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

Обратите внимание, что DOI находится на рассмотрении и будет добавлен в цитату, как только он станет доступен. Модели YOLO11 предоставляются по лицензиям AGPL-3.0 и Enterprise.

Часто задаваемые вопросы

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

Ultralytics YOLO11 представляет собой несколько значительных улучшений по сравнению с предыдущими версиями. Ключевые улучшения включают в себя:

• Улучшенное извлечение признаков: YOLO11 использует улучшенную архитектуру backbone и neck, расширяя возможности извлечения признаков для более точного обнаружения объектов.
• Оптимизированная эффективность и скорость: Усовершенствованные архитектурные решения и оптимизированные конвейеры обучения обеспечивают более высокую скорость обработки, сохраняя при этом баланс между точностью и производительностью.
• Более высокая точность с меньшим количеством параметров: YOLO11m достигает более высокого среднего значения Average Precision (mAP) на наборе данных COCO с на 22% меньшим количеством параметров, чем YOLOv8m, что делает его вычислительно эффективным без ущерба для точности.
• Адаптируемость в различных средах: YOLO11 может быть развернута в различных средах, включая периферийные устройства, облачные платформы и системы, поддерживающие NVIDIA GPU.
• Широкий спектр поддерживаемых задач: YOLO11 поддерживает различные задачи компьютерного зрения, такие как обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы и обнаружение ориентированных 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)

# 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?

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 определение их границ.
• Классификация изображений: Категоризация изображений по предопределенным классам.
• Оценка позы: Обнаружение и отслеживание ключевых точек на телах людей.
• Обнаружение ориентированных объектов (OBB): Обнаружение объектов с учетом поворота для повышения точности.

Для получения дополнительной информации о каждой задаче см. документацию Detection, Instance Segmentation, Classification, Pose Estimation и Oriented Detection.

Как YOLO11 достигает большей точности с меньшим количеством параметров?

YOLO11 обеспечивает более высокую точность с меньшим количеством параметров благодаря усовершенствованиям в конструкции модели и методах оптимизации. Улучшенная архитектура обеспечивает эффективное извлечение и обработку признаков, что приводит к более высокому среднему значению Average Precision (mAP) на наборах данных, таких как COCO, при использовании на 22% меньшего количества параметров, чем 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 периферийных устройствах?

Да, YOLO11 разработан для адаптации 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 NVIDIA GPU. Эта гибкость гарантирует, что YOLO11 можно использовать в различных приложениях, от обнаружения в реальном времени на мобильных устройствах до сложных задач сегментации в облачных средах. Для получения более подробной информации о вариантах развертывания обратитесь к документации Export.

📅 Создано 11 месяцев назад ✏️ Обновлено 2 месяца назад

Комментарии