Ultralytics YOLO11#
Genel Bakış#
YOLO11, 10 Eylül 2024'te Ultralytics tarafından yayımlandı ve mükemmel doğruluk, hız ve verimlilik sundu. Önceki YOLO sürümlerindeki etkileyici gelişmeler üzerine inşa edilen YOLO11, mimari ve eğitim yöntemlerinde önemli iyileştirmeler sunarak çok çeşitli bilgisayarlı görü görevleri için çok yönlü bir seçenek hâline geliyor. Uçtan uca NMS içermeyen çıkarım ve optimize edilmiş uç dağıtımı sunan en yeni Ultralytics modeli için YOLO26 sayfasına bak.
Watch: How to Use Ultralytics YOLO11 for Object Detection and Tracking | How to Benchmark | YOLO11 RELEASED🚀
YOLO11 modellerini doğrudan Ultralytics Platform üzerinde keşfet ve çalıştır.
Temel Özellikler#
- Geliştirilmiş Özellik Çıkarımı: YOLO11, daha hassas nesne algılama ve karmaşık görev performansı için özellik çıkarma yeteneklerini geliştiren iyileştirilmiş bir omurga ve boyun mimarisi kullanır.
- Verimlilik ve Hız için Optimize Edildi: YOLO11, iyileştirilmiş mimari tasarımlar ve optimize edilmiş eğitim işlem hatları sunarak daha yüksek işlem hızları sağlar ve doğruluk ile performans arasında ideal dengeyi korur.
- Daha Az Parametreyle Daha Yüksek Doğruluk: Model tasarımındaki gelişmeler sayesinde YOLO11m, COCO veri kümesinde daha yüksek ortalama Kesinlik (mAP) elde ederken YOLOv8m'ye kıyasla %22 daha az parametre kullanır; böylece doğruluktan ödün vermeden hesaplama açısından verimli olur.
- Ortamlar Arasında Uyarlanabilirlik: YOLO11; uç cihazlar, bulut platformları ve NVIDIA GPU'larını destekleyen sistemler dâhil olmak üzere çeşitli ortamlara sorunsuzca dağıtılabilir ve maksimum esneklik sağlar.
- Geniş Desteklenen Görev Yelpazesi: İster nesne algılama, örnek bölütleme, görüntü sınıflandırma, poz tahmini ister yönelimli nesne algılama (OBB) olsun, YOLO11 çok çeşitli bilgisayarlı görü zorluklarını karşılamak üzere tasarlanmıştır.
Desteklenen Görevler ve Modlar#
YOLO11, önceki Ultralytics YOLO sürümleriyle oluşturulan çok yönlü model yelpazesini temel alır ve çeşitli bilgisayarlı görü görevleri için geliştirilmiş destek sunar:
| Model | Dosya Adları | Görev | Eğitim | Doğrulama | Çıkarım | Dışa aktarma |
|---|---|---|---|---|---|---|
| YOLO11 | yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt | Algılama | ✅ | ✅ | ✅ | ✅ |
| YOLO11-seg | yolo11n-seg.pt yolo11s-seg.pt yolo11m-seg.pt yolo11l-seg.pt yolo11x-seg.pt | Örnek Segmentasyonu | ✅ | ✅ | ✅ | ✅ |
| YOLO11-cls | yolo11n-cls.pt yolo11s-cls.pt yolo11m-cls.pt yolo11l-cls.pt yolo11x-cls.pt | Sınıflandırma | ✅ | ✅ | ✅ | ✅ |
| YOLO11-pose | yolo11n-pose.pt yolo11s-pose.pt yolo11m-pose.pt yolo11l-pose.pt yolo11x-pose.pt | Poz/Anahtar Noktaları | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | Yönelimli Algılama | ✅ | ✅ | ✅ | ✅ |
Bu tablo, YOLO11 model varyantlarına genel bir bakış sunarak belirli görevlerdeki uygulanabilirliklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çalışma modlarıyla uyumluluklarını gösterir. Bu esneklik, YOLO11'i gerçek zamanlı algılamadan karmaşık bölütleme görevlerine kadar bilgisayarlı görü alanındaki çok çeşitli uygulamalar için uygun hâle getirir.
Performans Metrikleri#
80 önceden eğitilmiş sınıf içeren COCO üzerinde eğitilmiş bu modellerle ilgili kullanım örnekleri için Algılama Belgeleri sayfasına bak.
Kullanım Örnekleri#
Bu bölümde basit YOLO11 eğitim ve çıkarım örnekleri sunulmaktadır. Bu ve diğer modlar hakkında kapsamlı belgeler için Tahmin, Eğitim, Doğrulama ve Dışa Aktarma belge sayfalarına bak.
Aşağıdaki örneğin, nesne algılama için YOLO11 Detect modellerine yönelik olduğunu unutma. Desteklenen diğer görevler için Segment, Classify, Pose ve OBB belgelerine bak.
PyTorch önceden eğitilmiş *.pt modelleri ile yapılandırma *.yaml dosyaları, Python'da bir model örneği oluşturmak için YOLO() sınıfına aktarılabilir:
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")Atıflar ve Teşekkürler#
Modellerin hızla gelişen doğası nedeniyle Ultralytics, YOLO11 için resmî bir araştırma makalesi yayımlamadı. Statik belgeler üretmek yerine teknolojiyi geliştirmeye ve kullanımı kolaylaştırmaya odaklanıyoruz. YOLO mimarisi, özellikleri ve kullanımı hakkında en güncel bilgiler için GitHub depomuza ve belgelerimize başvur.
YOLO11'i veya bu depodaki başka bir yazılımı çalışmanda kullanıyorsan lütfen aşağıdaki biçimi kullanarak kaynak göster:
@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}
}DOI'nin beklemede olduğunu ve kullanılabilir olduğunda kaynağa ekleneceğini unutma. YOLO11 modelleri AGPL-3.0 ve Enterprise lisansları kapsamında sunulur.
SSS#
Ultralytics YOLO11, YOLOv8'e kıyasla birçok önemli gelişme sunar. Temel iyileştirmeler şunlardır:
- Geliştirilmiş Özellik Çıkarımı: YOLO11, daha hassas nesne algılama için özellik çıkarma yeteneklerini geliştiren iyileştirilmiş bir omurga ve boyun mimarisi kullanır.
- Optimize Edilmiş Verimlilik ve Hız: İyileştirilmiş mimari tasarımlar ve optimize edilmiş eğitim işlem hatları, doğruluk ile performans arasındaki dengeyi korurken daha yüksek işlem hızları sağlar.
- Daha Az Parametreyle Daha Yüksek Doğruluk: YOLO11m, COCO veri kümesinde YOLOv8m'ye kıyasla %22 daha az parametreyle daha yüksek Kesinlik (mAP) elde eder; böylece doğruluktan ödün vermeden hesaplama açısından verimli olur.
- Ortamlar Arasında Uyarlanabilirlik: YOLO11; uç cihazlar, bulut platformları ve NVIDIA GPU'larını destekleyen sistemler dâhil olmak üzere çeşitli ortamlara dağıtılabilir.
- Geniş Desteklenen Görev Yelpazesi: YOLO11; nesne algılama, örnek bölütleme, görüntü sınıflandırma, poz tahmini ve yönelimli nesne algılama (OBB) gibi çeşitli bilgisayarlı görü görevlerini destekler.
Nesne algılama için bir YOLO11 modeli Python veya CLI komutları kullanılarak eğitilebilir. Aşağıda her iki yöntem için örnekler verilmiştir:
Örnekfrom 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)Daha ayrıntılı talimatlar için Eğitim belgelerine başvur.
YOLO11 modelleri çok yönlüdür ve aşağıdakiler dâhil olmak üzere çok çeşitli bilgisayarlı görü görevlerini destekler:
- Nesne Algılama: Bir görüntüdeki nesneleri tanımlama ve konumlandırma.
- Örnek Bölütleme: Nesneleri algılama ve sınırlarını belirleme.
- Görüntü Sınıflandırma: Görüntüleri önceden tanımlanmış sınıflara ayırma.
- Poz Tahmini: İnsan bedenlerindeki anahtar noktaları algılama ve izleme.
- Yönelimli Nesne Algılama (OBB): Daha yüksek hassasiyet için döndürülmüş nesneleri algılama.
Her görev hakkında daha fazla bilgi için Algılama, Örnek Bölütleme, Sınıflandırma, Poz Tahmini ve Yönelimli Algılama belgelerine bak.
YOLO11, model tasarımı ve optimizasyon tekniklerindeki gelişmeler sayesinde daha az parametreyle daha yüksek doğruluk elde eder. İyileştirilmiş mimari, verimli özellik çıkarma ve işleme olanağı sağlayarak COCO gibi veri kümelerinde YOLOv8m'ye kıyasla %22 daha az parametreyle daha yüksek Ortalama Kesinlik (mAP) elde edilmesini sağlar. Bu, YOLO11'i doğruluktan ödün vermeden hesaplama açısından verimli kılar ve kaynakları kısıtlı cihazlara dağıtım için uygun hâle getirir.
Evet, YOLO11 uç cihazlar dâhil olmak üzere çeşitli ortamlara uyarlanabilecek şekilde tasarlanmıştır. Optimize edilmiş mimarisi ve verimli işleme yetenekleri, onu uç cihazlara, bulut platformlarına ve NVIDIA GPU'larını destekleyen sistemlere dağıtım için uygun hâle getirir. Bu esneklik, YOLO11'in mobil cihazlarda gerçek zamanlı algılamadan bulut ortamlarında karmaşık bölütleme görevlerine kadar çeşitli uygulamalarda kullanılabilmesini sağlar. Dağıtım seçenekleri hakkında daha fazla bilgi için Dışa Aktarma belgelerine başvur.