Ultralytics YOLO11#

Genel Bakış#

YOLO11, Ultralytics tarafından 10 Eylül 2024'te yayınlandı ve mükemmel bir accuracy, hız ve verimlilik sunuyor. Önceki YOLO sürümlerinin etkileyici gelişmelerini temel alan YOLO11, mimari ve eğitim yöntemlerinde önemli iyileştirmeler sunarak geniş bir computer vision görevi yelpazesi için çok yönlü bir seçenek haline getiriyor. Uçtan uca NMS içermeyen çıkarım ve optimize edilmiş uç dağıtıma sahip en son Ultralytics modeli için bkz. YOLO26.

Temel Özellikler#

• Geliştirilmiş Özellik Çıkarımı: YOLO11, daha hassas nesne tespiti ve karmaşık görev performansı için özellik çıkarma yeteneklerini geliştiren iyileştirilmiş bir omurga ve boyun mimarisi kullanır.
• Verimlilik ve Hız İçin Optimize Edildi: YOLO11, daha hızlı işlem hızları sunan ve doğruluk ile performans arasında en uygun dengeyi koruyan iyileştirilmiş mimari tasarımlar ve optimize edilmiş eğitim hatları sunar.
• Daha Az Parametre ile Daha Yüksek Doğruluk: Model tasarımındaki gelişmelerle birlikte YOLO11m, COCO veri kümesinde YOLOv8m'e göre %22 daha az parametre kullanırken daha yüksek bir mean Average Precision (mAP) elde eder; bu da doğruluktan ödün vermeden hesaplama verimliliği sağlar.
• Ortamlar Arası Adaptasyon: YOLO11, uç cihazlar, bulut platformları ve NVIDIA GPU destekleyen sistemler dahil olmak üzere çeşitli ortamlarda sorunsuz bir şekilde dağıtılabilir, bu da maksimum esneklik sağlar.
• Geniş Desteklenen Görev Yelpazesi: Nesne tespiti, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini veya yönelimli nesne tespiti (OBB) olsun, YOLO11 çok çeşitli bilgisayarlı görü zorluklarına hitap edecek şekilde tasarlanmıştır.

Desteklenen Görevler ve Modlar#

YOLO11, önceki Ultralytics YOLO sürümleri tarafından oluşturulan çok yönlü model aralığını temel alarak çeşitli bilgisayarlı görü görevlerinde gelişmiş destek sunar:

Bu tablo, YOLO11 model varyantlarına genel bir bakış sunarak, belirli görevlerdeki uygulanabilirliklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi operasyonel modlarla uyumluluklarını sergiler. Bu esneklik, YOLO11'i gerçek zamanlı tespitten karmaşık segmentasyon görevlerine kadar bilgisayarlı görüdeki çok çeşitli uygulamalar için uygun hale getirir.

Performans Metrikleri#

Kullanım Örnekleri#

Bu bölüm, basit YOLO11 eğitimi ve çıkarımı örnekleri sağlar. Bunlar ve diğer modes hakkındaki tam belgelendirme için Predict, Train, Val ve Export belgelendirme sayfalarına göz at.

Aşağıdaki örneğin nesne tespiti için YOLO11 Detect modellerine ait olduğunu unutma. Desteklenen diğer görevler için Segment, Classify, Pose ve OBB belgelerine göz at.

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")

Alıntılar ve Teşekkür#

Eğer çalışmalarında YOLO11 veya bu depodan başka bir yazılım kullanıyorsan, lütfen şu formatı kullanarak atıfta bulun:

@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 duruma geldiğinde alıntıya ekleneceğini lütfen unutma. YOLO11 modelleri AGPL-3.0 ve Enterprise lisansları altında sağlanır.

SSS#

Ultralytics YOLO11'in YOLOv8'e kıyasla temel iyileştirmeleri nelerdir?#

Ultralytics YOLO11, YOLOv8'e göre birkaç önemli gelişme sunar. Temel iyileştirmeler şunlardır:

• Gelişmiş Öznitelik Çıkarımı: YOLO11; daha hassas nesne tespiti için feature extraction yeteneklerini geliştiren, iyileştirilmiş bir ana omurga ve boyun mimarisi kullanır.
• Optimize Edilmiş Verimlilik ve Hız: İyileştirilmiş mimari tasarımlar ve optimize edilmiş eğitim süreçleri, doğruluk ve performans arasında bir denge korurken daha hızlı işleme hızları sağlar.
• Daha Az Parametre ile Daha Yüksek Doğruluk: YOLO11m, YOLOv8m'e kıyasla %22 daha az parametre ile COCO veri kümesinde daha yüksek ortalama Precision (mAP) elde ederek doğruluktan ödün vermeden hesaplama verimliliği sağlar.
• Ortamlar Arası Uyarlanabilirlik: YOLO11, uç cihazlar, bulut platformları ve NVIDIA GPU'larını destekleyen sistemler dahil olmak üzere çeşitli ortamlarda çalıştırılabilir.
• Geniş Desteklenen Görev Yelpazesi: YOLO11; nesne tespiti, instance segmentation, görüntü sınıflandırma, poz kestirimi ve yönelimli nesne tespiti (OBB) gibi çeşitli bilgisayarlı görü görevlerini destekler.

Nesne tespiti için nasıl YOLO11 modeli eğitebilirim?#

Nesne tespiti için YOLO11 modeli eğitimi, Python veya CLI komutları kullanılarak yapılabilir. Her iki yöntem için örnekler aşağıdadır:

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)

Daha ayrıntılı talimatlar için Train belgelendirmesine başvur.

YOLO11 modelleri hangi görevleri gerçekleştirebilir?#

YOLO11 modelleri çok yönlüdür ve aşağıdakiler dahil olmak üzere geniş bir bilgisayarlı görü görevi yelpazesini destekler:

• Nesne Tespiti: Bir görüntü içindeki nesneleri tanımlama ve konumlandırma.
• Örnek Segmentasyonu: Nesneleri tespit etme ve sınırlarını belirleme.
• Image Classification: Görüntüleri önceden tanımlanmış sınıflara ayırma.
• Poz Tahmini: İnsan vücudundaki anahtar noktaları tespit etme ve izleme.
• Yönlendirilmiş Nesne Tespiti (OBB): Daha yüksek hassasiyet için nesneleri rotasyon ile tespit etme.

Her bir görev hakkında daha fazla bilgi için Detection, Instance Segmentation, Classification, Pose Estimation ve Oriented Detection belgelerine göz at.

YOLO11 nasıl daha az parametre ile daha fazla doğruluk elde ediyor?#

YOLO11, model tasarımı ve optimizasyon tekniklerindeki ilerlemeler sayesinde daha az parametre ile daha yüksek doğruluk elde eder. İyileştirilmiş mimari, verimli özellik çıkarımı ve işleme olanağı tanıyarak, COCO gibi veri kümelerinde YOLOv8m'e kıyasla %22 daha az parametre kullanarak daha yüksek ortalama Hassasiyet (mAP) sağlar. Bu, YOLO11'i doğruluğundan ödün vermeden hesaplama açısından verimli kılar ve kısıtlı kaynaklara sahip cihazlarda kullanıma uygun hale getirir.

YOLO11 uç cihazlarda çalıştırılabilir mi?#

Evet, YOLO11 uç cihazlar dahil olmak üzere çeşitli ortamlarda uyarlanabilirlik için tasarlanmıştır. Optimize edilmiş mimarisi ve verimli işleme yetenekleri, onu uç cihazlarda, bulut platformlarında ve NVIDIA GPU'ları destekleyen sistemlerde dağıtıma uygun hale getirir. Bu esneklik; mobil cihazlarda gerçek zamanlı tespitten bulut ortamlarında karmaşık segmentasyon görevlerine kadar YOLO11'in çeşitli uygulamalarda kullanılabilmesini sağlar. Dağıtım seçenekleri hakkında daha fazla ayrıntı için Export belgelendirmesine başvur.