Ultralytics YOLO11#
Обзор#
Модель YOLO11 была выпущена компанией Ultralytics 10 сентября 2024 года и обеспечивает превосходную точность, скорость и эффективность. Опираясь на впечатляющие достижения предыдущих версий YOLO, YOLO11 вносит значительные улучшения в архитектуру и методы обучения, делая ее универсальным выбором для широкого круга задач компьютерного зрения. Информацию о новейшей модели Ultralytics со сквозным выводом без NMS и оптимизированным развертыванием на периферийных устройствах см. в разделе YOLO26.
Watch: How to Use Ultralytics YOLO11 for Object Detection and Tracking | How to Benchmark | YOLO11 RELEASED🚀
Изучай и запускай модели YOLO11 прямо на Ultralytics Platform.
Ключевые особенности#
- Улучшенное извлечение признаков: YOLO11 использует усовершенствованную архитектуру бэкбона и шейки, 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.
- Высокая точность при меньшем количестве параметров: Благодаря достижениям в проектировании моделей YOLO11m достигает более высокого значения средней точности (mAP) на датасете COCO, используя при этом на 22% меньше параметров, чем YOLOv8m, что делает ее вычислительно эффективной 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:
| Модель | Имена файлов | Задача | Training | Validation | Inference | Экспорт |
|---|---|---|---|---|---|---|
| YOLO11 | yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt | Детектирование | ✅ | ✅ | ✅ | ✅ |
| 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 | Позы / Ключевые точки | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | Ориентированное детектирование | ✅ | ✅ | ✅ | ✅ |
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#
Смотри документацию по детектированию для примеров использования этих моделей, обученных на COCO, которые включают 80 предобученных классов.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (М) | FLOPs (Б) |
|---|---|---|---|---|---|---|
| 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 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 ± 2.0 | 4.7 ± 0.1 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 ± 1.4 | 6.2 ± 0.1 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 ± 6.7 | 11.3 ± 0.2 | 56.9 | 194.9 |
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 относится к моделям YOLO11 Detect для обнаружения объектов. Информацию о других поддерживаемых задачах см. в документации по Segment, Classify, Pose и OBB.
Предобученные в PyTorch модели *.pt, а также конфигурационные файлы *.yaml можно передавать в класс YOLO() для создания экземпляра модели в Python:
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#
Компания Ultralytics не опубликовала официальную исследовательскую работу по YOLO11 из-за быстро развивающегося характера моделей. Мы сосредоточены на продвижении технологий и упрощении их использования, а не на создании статической документации. Самую актуальную информацию об архитектуре, функциях и использовании YOLO см. в нашем репозитории GitHub и документации.
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}
}Обрати внимание, что DOI находится на рассмотрении и будет добавлен в цитирование, как только станет доступен. Модели YOLO11 предоставляются по лицензиям AGPL-3.0 и Enterprise.
FAQ#
Ultralytics YOLO11 представляет несколько значительных усовершенствований по сравнению с YOLOv8. Ключевые улучшения включают:
- Улучшенное извлечение признаков: YOLO11 использует улучшенную архитектуру бэкбона и шейки, что повышает 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.
- Высокая точность при меньшем количестве параметров: YOLO11m достигает более высокой средней точности (mAP) на датасете COCO при использовании на 22% меньшего количества параметров, чем YOLOv8m, что делает ее вычислительно эффективной 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 различные задачи компьютерного зрения, такие как обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы и ориентированное обнаружение объектов (OBB).
Обучение модели YOLO11 для обнаружения объектов можно выполнить с помощью Python или команд CLI. Ниже приведены примеры для обоих методов:
Примерfrom 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)Более подробные инструкции см. в документации Train.
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: распределение изображений по предопределенным классам.
- Оценка позы: Обнаружение и отслеживание ключевых точек на телах людей.
- Ориентированное обнаружение объектов (OBB): Обнаружение объектов с поворотом для более высокой точности.
Дополнительную информацию о каждой задаче см. в документации по Detection, Instance Segmentation, Classification, Pose Estimation и Oriented Detection.
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.
Да, YOLO11 разработана с учетом возможности адаптации под различные среды, включая периферийные устройства. Оптимизированная архитектура и эффективные возможности обработки делают ее подходящей для развертывания на периферийных устройствах, облачных платформах и системах, поддерживающих GPU NVIDIA. Такая гибкость гарантирует, что YOLO11 можно использовать в самых разных 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 Export.