Ultralytics YOLO11

Genel Bakış

YOLO11, 10 Eylül 2024'te Ultralytics tarafından yayınlandı ve mükemmel doğruluk, hız ve verimlilik sunuyor. Önceki YOLO sürümlerinin etkileyici ilerlemelerini temel alan YOLO11, mimari ve eğitim yöntemlerinde önemli iyileştirmeler getirerek onu çok çeşitli bilgisayarlı görü görevleri için çok yönlü bir seçenek haline getiriyor. Uçtan uca NMS içermeyen çıkarım ve optimize edilmiş uç dağıtım özellikli en yeni Ultralytics modeli için YOLO26 bölümüne göz at.

Temel Özellikler

• Enhanced Feature Extraction: YOLO11 employs an improved backbone and neck architecture, which enhances feature extraction capabilities for more precise object detection and complex task performance.
• Verimlilik ve Hız İçin Optimize Edildi: YOLO11, daha hızlı işlem hızları sunan ve doğruluk ile performans arasında en uygun dengeyi koruyan rafine mimari tasarımlar ve optimize edilmiş eğitim hatları sunar.
• Daha Az Parametre ile Daha Yüksek Doğruluk: Model tasarımındaki ilerlemeler sayesinde YOLO11m, COCO veri setinde YOLOv8m'e göre %22 daha az parametre kullanarak daha yüksek bir ortalama Hassasiyet (mAP) elde eder, bu da doğruluğundan ödün vermeden onu hesaplama açısından verimli kılar.
• Ortamlar Arası Uyarlanabilirlik: YOLO11, uç cihazlar, bulut platformları ve NVIDIA GPU'larını destekleyen sistemler dahil olmak üzere çeşitli ortamlarda sorunsuz bir şekilde dağıtılabilir ve maksimum esneklik sağlar.
• Geniş Desteklenen Görev Yelpazesi: İster nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini veya yönelimli nesne algılama (OBB) olsun, YOLO11 çok çeşitli bilgisayarlı görü zorluklarına cevap verecek şekilde tasarlanmıştır.

Desteklenen Görevler ve Modlar

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

Bu tablo, YOLO11 model varyantlarına genel bir bakış sunarak, bunların belirli görevlerdeki uygulanabilirliğini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi operasyonel modlarla uyumluluğunu sergiliyor. Bu esneklik, YOLO11'i gerçek zamanlı algılamadan karmaşık segmentasyon görevlerine kadar bilgisayarlı görüdeki çok çeşitli uygulamalar için uygun hale getiriyor.

Performans Metrikleri

Kullanım Örnekleri

Bu bölüm basit YOLO11 eğitim ve çıkarım örnekleri sunar. Bu ve diğer modlar hakkındaki tam dokümantasyon için Predict, Train, Val ve Export doküman sayfalarına bak.

Note that the example below is for YOLO11 Detect models for object detection. For additional supported tasks, see the Segment, Classify, OBB, and Pose docs.

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 çalışmanda 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}
}

Lütfen DOI'nin beklemede olduğunu ve kullanılabilir olduğunda atıfa ekleneceğini unutma. YOLO11 modelleri AGPL-3.0 ve Enterprise lisansları altında sunulmaktadır.

SSS

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

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

• Gelişmiş Özellik Çıkarımı: YOLO11, daha kesin nesne algılama için özellik çıkarımı yeteneklerini geliştiren iyileştirilmiş bir backbone ve neck mimarisi kullanır.
• Optimize Edilmiş Verimlilik ve Hız: İyileştirilmiş mimari tasarımlar ve optimize edilmiş eğitim hatları, doğruluk ve performans arasında dengeyi korurken daha hızlı işlem hızları sağlar.
• Daha Az Parametre ile Daha Yüksek Doğruluk: YOLO11m, COCO veri setinde YOLOv8m'e kıyasla %22 daha az parametre ile daha yüksek ortalama Hassasiyet (Precision) (mAP) elde eder, bu da onu doğruluğu bozmadan hesaplama açısından verimli kılar.
• Ortamlar Arası Uyumluluk: YOLO11, uç cihazlar, bulut platformları ve NVIDIA GPU'larını destekleyen sistemler dahil olmak üzere çeşitli ortamlarda dağıtılabilir.
• Geniş Desteklenen Görev Yelpazesi: YOLO11; nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönelimli nesne algılama (OBB) gibi çeşitli bilgisayarlı görü görevlerini destekler.

Nesne algılama için nasıl YOLO11 modeli eğitirim?

Nesne algılama için bir YOLO11 modeli eğitme işlemi Python veya CLI komutları kullanılarak yapılabilir. Her iki yöntem için de 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 detaylı talimatlar için Train dokümantasyonuna bak.

YOLO11 modelleri hangi görevleri gerçekleştirebilir?

YOLO11 modelleri çok yönlüdür ve aşağıdakiler dahil olmak üzere çok çeşitli bilgisayarlı görü görevlerini destekler:

• Nesne Algılama: Bir görüntü içindeki nesneleri tanımlama ve konumlandırma.
• Örnek Segmentasyonu: Nesneleri algılama ve sınırlarını belirleme.
• Görüntü Sınıflandırma: Görüntüleri önceden tanımlanmış sınıflara ayırma.
• Poz Tahmini: İnsan vücudundaki anahtar noktaları algılama ve izleme.
• Yönelimli Nesne Algılama (OBB): Daha yüksek hassasiyet için döndürülmüş nesneleri algılama.

Her görev hakkında daha fazla bilgi için Detection, Instance Segmentation, Classification, Pose Estimation ve Oriented Detection dokümantasyonuna bak.

YOLO11 daha az parametre ile nasıl daha yüksek doğruluk sağlar?

YOLO11, model tasarımı ve optimizasyon tekniklerindeki ilerlemeler sayesinde daha az parametre ile daha yüksek doğruluk sağlar. İyileştirilmiş mimari, verimli özellik çıkarımı ve işlemeye olanak tanır, bu da COCO gibi veri setlerinde %22 daha az parametre kullanırken daha yüksek ortalama Hassasiyet (mAP) elde edilmesini sağlar. Bu durum, YOLO11'i doğruluğundan ödün vermeden hesaplama açısından verimli kılar ve kısıtlı kaynaklara sahip cihazlarda dağıtıma uygun hale getirir.

YOLO11 uç cihazlara dağıtılabilir mi?

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