Ultralytics YOLO11#
Genel Bakış#
YOLO11, 27 Eylül 2024'te Ultralytics tarafından yayımlandı ve üstün doğruluk, hız ve verimlilik sundu. Önceki YOLO sürümlerinin etkileyici ilerlemelerini temel alan 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.
İzle: Nesne Algılama ve Takip İçin Ultralytics YOLO11 Nasıl Kullanılır | Benchmark Nasıl Yapılır | YOLO11 YAYINLANDI🚀
YOLO11 modellerini doğrudan Ultralytics Platformunda keşfet ve çalıştır.
Temel Özellikler#
- Gelişmiş Özellik Çıkarımı: YOLO11, nesne algılamada daha yüksek hassasiyet ve karmaşık görevlerde daha iyi performans için özellik çıkarımı 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 hızlarına ulaşır ve doğruluk ile performans arasında en uygun dengeyi korur.
- Daha Az Parametreyle Daha Yüksek Doğruluk: Model tasarımındaki ilerlemeler sayesinde YOLO11m, COCO veri kümesinde daha yüksek ortalama hassasiyet (mAP) sunarken YOLOv8m'den %22 daha az parametre kullanır; böylece doğruluktan ödün vermeden hesaplama verimliliği sağlar.
- Farklı Ortamlara Uyarlanabilirlik: YOLO11; uç cihazlar, bulut platformları ve NVIDIA GPU'ları destekleyen sistemler dâhil olmak üzere çeşitli ortamlara sorunsuz biçimde dağıtılabilir ve böylece en yüksek esnekliği sağlar.
- Geniş Görev Desteği: Nesne algılama, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini veya yönlendirilmiş nesne algılama (OBB) olsun, YOLO11 çok çeşitli bilgisayarlı görü zorluklarını ele almak üzere tasarlanmıştır.
Desteklenen Görevler ve Modlar#
YOLO11, önceki Ultralytics YOLO sürümlerinin sunduğu çok yönlü model yelpazesini temel alır ve çeşitli bilgisayarlı görü görevleri için gelişmiş destek sunar:
| Model | Dosya adları | Görev | Eğitim | Doğrulama | Çıkarım | Dışa aktar |
|---|---|---|---|---|---|---|
| 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 Noktalar | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | Yönelimli Algılama | ✅ | ✅ | ✅ | ✅ |
Bu tabloda YOLO11 model çeşitlerine genel bir bakış sunuluyor; modellerin belirli görevlere uygunluğu ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çalışma modlarıyla uyumluluğu gösteriliyor. Bu esneklik, YOLO11'i gerçek zamanlı algılamadan karmaşık segmentasyon görevlerine kadar geniş bir bilgisayarlı görü uygulama yelpazesi için uygun hâle getirir.
Performans Metrikleri#
80 önceden eğitilmiş sınıf içeren ve COCO üzerinde eğitilmiş bu modellerin kullanım örnekleri için Algılama Belgeleri sayfasına bak.
Kullanım Örnekleri#
Bu bölümde YOLO11 ile eğitim ve çıkarım için basit örnekler sunuluyor. Bu ve diğer modlara ilişkin belgelerin tamamı için Tahmin, Eğitim, Doğrulama ve Dışa Aktarma belgelerine bak.
Aşağıdaki örneğin, nesne algılama için YOLO11 Algılama modellerine yönelik olduğunu unutma. Desteklenen diğer görevler için Segment, Sınıflandır, Poz ve OBB belgelerine bak.
PyTorch önceden eğitilmiş *.pt modelleri ve yapılandırma *.yaml dosyaları, Python'da bir model örneği oluşturmak için YOLO() sınıfına aktarılabilir:
from ultralytics import YOLO
# COCO ile önceden eğitilmiş bir YOLO11n modelini yükle
model = YOLO("yolo11n.pt")
# Modeli COCO8 örnek veri kümesinde 100 dönem boyunca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 'bus.jpg' görüntüsünde YOLO11n modeliyle çıkarım yap
results = model("path/to/bus.jpg")Atıflar ve Teşekkürler#
Modellerin hızla gelişen yapısı nedeniyle Ultralytics, YOLO11 için resmî bir araştırma makalesi yayımlamadı. Sabit belgeler üretmek yerine teknolojiyi geliştirmeye ve kullanımı kolaylaştırmaya odaklanıyoruz. YOLO mimarisi, özellikleri ve kullanımıyla ilgili en güncel bilgiler için GitHub depomuza ve belgelerimize başvur.
Çalışmanda YOLO11'i veya bu depodaki başka bir yazılımı kullanıyorsan lütfen aşağıdaki biçimde 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 henüz belirlenmediğini ve kullanılabilir olduğunda atıf bilgilerine ekleneceğini unutma. YOLO11 modelleri AGPL-3.0 ve Kurumsal lisanslarıyla sunulur.
Sık Sorulan Sorular#
Ultralytics YOLO11, YOLOv8'e kıyasla birçok önemli gelişme sunar. Başlıca iyileştirmeler şunlardır:
- Gelişmiş Özellik Çıkarımı: YOLO11, nesne algılamada daha yüksek hassasiyet için özellik çıkarımı 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 sunar.
- Daha Az Parametreyle Daha Yüksek Doğruluk: YOLO11m, COCO veri kümesinde YOLOv8m'den %22 daha az parametre kullanarak daha yüksek ortalama Kesinlik (mAP) sağlar; böylece doğruluktan ödün vermeden hesaplama verimliliği sunar.
- Farklı Ortamlara Uyarlanabilirlik: YOLO11; uç cihazlar, bulut platformları ve NVIDIA GPU'larını destekleyen sistemler dâhil olmak üzere çeşitli ortamlara dağıtılabilir.
- Geniş Görev Desteği: YOLO11; nesne algılama, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş nesne algılama (OBB) gibi çeşitli bilgisayarlı görü görevlerini destekler.
Nesne algılama için YOLO11 modelini Python veya CLI komutlarıyla eğitebilirsin. Aşağıda her iki yönteme ilişkin örnekler yer alıyor:
Örnekfrom ultralytics import YOLO # COCO ile önceden eğitilmiş bir YOLO11n modelini yükle model = YOLO("yolo11n.pt") # Modeli COCO8 örnek veri kümesinde 100 dönem boyunca eğit results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Daha ayrıntılı yönergeler 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 konumlarını belirleme.
- Örnek Segmentasyonu: Nesneleri algılama ve sınırlarını belirleme.
- Görüntü Sınıflandırması: Görüntüleri önceden tanımlanmış sınıflara ayırma.
- Poz Tahmini: İnsan vücudundaki anahtar noktaları algılama ve izleme.
- Yönlendirilmiş Nesne Algılama (OBB): Daha yüksek hassasiyet için döndürülmüş nesneleri algılama.
Her görev hakkında daha fazla bilgi için Algılama, Örnek Segmentasyonu, Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Algılama belgelerine bak.
YOLO11, model tasarımı ve optimizasyon tekniklerindeki ilerlemeler sayesinde daha az parametreyle daha yüksek doğruluk sağlar. İyileştirilmiş mimari, özelliklerin verimli biçimde çıkarılmasına ve işlenmesine olanak tanır. Böylece YOLO11, YOLOv8m'den %22 daha az parametre kullanırken COCO gibi veri kümelerinde daha yüksek ortalama Hassasiyet (mAP) elde eder. Bu sayede YOLO11, doğruluktan ödün vermeden hesaplama verimliliği sunar ve kaynakları kısıtlı cihazlara dağıtım için uygun hâle gelir.
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 segmentasyon görevlerine kadar farklı uygulamalarda kullanılmasını sağlar. Dağıtım seçenekleri hakkında daha fazla bilgi için Dışa Aktarma belgelerine başvur.