Ultralytics YOLO11
Genel Bakış
YOLO11 en son yinelemedir. Ultralytics YOLO serisi gerçek zamanlı nesne dedektörleri, son teknoloji doğruluk, hız ve verimlilikle neyin mümkün olduğunu yeniden tanımlıyor. Önceki YOLO sürümlerinin etkileyici ilerlemelerini temel alan YOLO11 , mimari ve eğitim yöntemlerinde önemli iyileştirmeler sunarak çok çeşitli bilgisayarla görme görevleri için çok yönlü bir seçim haline getiriyor.
Ultralytics YOLO11 🚀 Podcast generated by NotebookLM
İzle: Nesne Algılama ve İzleme için Ultralytics YOLO11 Nasıl Kullanılır | Nasıl Kıyaslama Yapılır | YOLO11 YAYINLANDI🚀
Temel Özellikler
- Geliştirilmiş Özellik Çıkarma: YOLO11 , daha hassas nesne algılama ve karmaşık görev performansı için özellik çıkarma yeteneklerini geliştiren geliştirilmiş bir omurga ve boyun mimarisi kullanır.
- Verimlilik ve Hız için Optimize Edildi: YOLO11 , daha yüksek işlem hızları sunarak ve doğruluk ile performans arasında optimum dengeyi koruyarak rafine mimari tasarımlar ve optimize edilmiş eğitim boru hatları sunar.
- Daha Az Parametre ile Daha Yüksek Doğruluk: Model tasarımındaki gelişmelerle YOLO11m, COCO veri kümesinde daha yüksek bir Ortalama Hassasiyet (mAP) elde ederken, YOLOv8m adresinden %22 daha az parametre kullanarak doğruluktan ödün vermeden hesaplama açısından verimli hale getirir.
- Ortamlar Arasında Uyarlanabilirlik: YOLO11 , uç cihazlar, bulut platformları ve NVIDIA GPU'ları destekleyen sistemler dahil olmak üzere çeşitli ortamlarda sorunsuz bir şekilde dağıtılabilir ve maksimum esneklik sağlar.
- Çok Çeşitli Desteklenen Görevler: Nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini veya yönlendirilmiş nesne algılama (OBB) olsun, YOLO11 çeşitli bilgisayarla görme zorluklarını karşılamak için tasarlanmıştır.
Desteklenen Görevler ve Modlar
YOLO11 YOLOv8 adresinde tanıtılan çok yönlü model yelpazesini temel alarak çeşitli bilgisayarla görme görevlerinde gelişmiş destek sunuyor:
Model | Dosya adları | Görev | Çıkarım | Doğrulama | Eğitim | İhracat |
---|---|---|---|---|---|---|
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-pose | yolo11n-pose.pt yolo11s-pose.pt yolo11m-pose.pt yolo11l-pose.pt yolo11x-pose.pt |
Poz/Kilit Noktaları | ✅ | ✅ | ✅ | ✅ |
YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt |
Yönlendirilmiş Algılama | ✅ | ✅ | ✅ | ✅ |
YOLO11-cls | yolo11n-cls.pt yolo11s-cls.pt yolo11m-cls.pt yolo11l-cls.pt yolo11x-cls.pt |
Sınıflandırma | ✅ | ✅ | ✅ | ✅ |
Bu tablo, YOLO11 model varyantlarına genel bir bakış sunmakta, belirli görevlerde uygulanabilirliklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi operasyonel modlarla uyumluluklarını göstermektedir. Bu esneklik, YOLO11 adresini gerçek zamanlı algılamadan karmaşık segmentasyon görevlerine kadar bilgisayarla görme alanında çok çeşitli uygulamalar için uygun hale getirmektedir.
Performans Ölçütleri
Performans
Önceden eğitilmiş 80 sınıf içeren COCO üzerinde eğitilen bu modellerle kullanım örnekleri için Algılama Dokümanları 'na bakın.
Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (M) |
FLOP'lar (B) |
---|---|---|---|---|---|---|
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 |
Önceden eğitilmiş 80 sınıf içeren COCO üzerinde eğitilen bu modellerle kullanım örnekleri için Segmentasyon Dokümanları 'na bakın.
Model | boyut (piksel) |
mAPbox 50-95 |
mAPmask 50-95 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (M) |
FLOP'lar (B) |
---|---|---|---|---|---|---|---|
YOLO11n-seg | 640 | 38.9 | 32.0 | 65.9 ± 1.1 | 1.8 ± 0.0 | 2.9 | 10.4 |
YOLO11s-seg | 640 | 46.6 | 37.8 | 117.6 ± 4.9 | 2.9 ± 0.0 | 10.1 | 35.5 |
YOLO11m-seg | 640 | 51.5 | 41.5 | 281.6 ± 1.2 | 6.3 ± 0.1 | 22.4 | 123.3 |
YOLO11l-seg | 640 | 53.4 | 42.9 | 344.2 ± 3.2 | 7.8 ± 0.2 | 27.6 | 142.2 |
YOLO11x-seg | 640 | 54.7 | 43.8 | 664.5 ± 3.2 | 15.8 ± 0.7 | 62.1 | 319.0 |
Önceden eğitilmiş 1000 sınıf içeren ImageNet üzerinde eğitilen bu modellerle kullanım örnekleri için Classification Docs bölümüne bakın.
Model | boyut (piksel) |
acc top1 |
acc top5 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (M) |
FLOPs (B) 640'da |
---|---|---|---|---|---|---|---|
YOLO11n-cls | 224 | 70.0 | 89.4 | 5.0 ± 0.3 | 1.1 ± 0.0 | 1.6 | 3.3 |
YOLO11s-cls | 224 | 75.4 | 92.7 | 7.9 ± 0.2 | 1.3 ± 0.0 | 5.5 | 12.1 |
YOLO11m-cls | 224 | 77.3 | 93.9 | 17.2 ± 0.4 | 2.0 ± 0.0 | 10.4 | 39.3 |
YOLO11l-cls | 224 | 78.3 | 94.3 | 23.2 ± 0.3 | 2.8 ± 0.0 | 12.9 | 49.4 |
YOLO11x-cls | 224 | 79.5 | 94.9 | 41.4 ± 0.9 | 3.8 ± 0.0 | 28.4 | 110.4 |
Önceden eğitilmiş 1 sınıf olan 'kişi' içeren COCO üzerinde eğitilen bu modellerle kullanım örnekleri için Poz Tahmini Dokümanlarına bakın.
Model | boyut (piksel) |
mAPpose 50-95 |
mAPpose 50 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (M) |
FLOP'lar (B) |
---|---|---|---|---|---|---|---|
YOLO11n-pozu | 640 | 50.0 | 81.0 | 52.4 ± 0.5 | 1.7 ± 0.0 | 2.9 | 7.6 |
YOLO11s-pose | 640 | 58.9 | 86.3 | 90.5 ± 0.6 | 2.6 ± 0.0 | 9.9 | 23.2 |
YOLO11m-pose | 640 | 64.9 | 89.4 | 187.3 ± 0.8 | 4.9 ± 0.1 | 20.9 | 71.7 |
YOLO11l-poz | 640 | 66.1 | 89.9 | 247.7 ± 1.1 | 6.4 ± 0.1 | 26.2 | 90.7 |
YOLO11x-pose | 640 | 69.5 | 91.1 | 488.0 ± 13.9 | 12.1 ± 0.2 | 58.8 | 203.3 |
Önceden eğitilmiş 15 sınıf içeren DOTAv1 üzerinde eğitilen bu modellerle kullanım örnekleri için Yönlendirilmiş Algılama Dokümanları 'na bakın.
Model | boyut (piksel) |
mAPtest 50 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (M) |
FLOP'lar (B) |
---|---|---|---|---|---|---|
YOLO11n-obb | 1024 | 78.4 | 117.6 ± 0.8 | 4.4 ± 0.0 | 2.7 | 17.2 |
YOLO11s-obb | 1024 | 79.5 | 219.4 ± 4.0 | 5.1 ± 0.0 | 9.7 | 57.5 |
YOLO11m-obb | 1024 | 80.9 | 562.8 ± 2.9 | 10.1 ± 0.4 | 20.9 | 183.5 |
YOLO11l-obb | 1024 | 81.0 | 712.5 ± 5.0 | 13.5 ± 0.6 | 26.2 | 232.0 |
YOLO11x-obb | 1024 | 81.3 | 1408.6 ± 7.7 | 28.6 ± 1.0 | 58.8 | 520.2 |
Kullanım Örnekleri
Bu bölümde basit YOLO11 eğitim ve çıkarım örnekleri verilmektedir. Bu ve diğer modlarla ilgili tam belgeler için Predict, Train, Val ve Export docs sayfalarına bakın.
Aşağıdaki örneğin nesne algılama için YOLO11 Detect modelleri için olduğunu unutmayın. Desteklenen diğer görevler için Segment, Classify, OBB ve Pose dokümanlarına bakın.
Örnek
PyTorch ön eğitimli *.pt
modellerin yanı sıra yapılandırma *.yaml
dosyalar şu dosyalara aktarılabilir YOLO()
sınıfında bir model örneği oluşturmak için 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")
CLI komutları modelleri doğrudan çalıştırmak için kullanılabilir:
Atıflar ve Teşekkür
Ultralytics YOLO11 Yayın
Ultralytics modellerin hızla gelişen doğası nedeniyle YOLO11 için resmi bir araştırma makalesi yayınlamamıştır. Statik dokümantasyon üretmek yerine teknolojiyi geliştirmeye ve kullanımını kolaylaştırmaya odaklanıyoruz. YOLO mimarisi, özellikleri ve kullanımı hakkında en güncel bilgiler için lütfen GitHub depomuza ve belgelerimize bakın.
Çalışmanızda YOLO11 veya bu depodaki başka bir yazılımı kullanırsanız, lütfen aşağıdaki formatı kullanarak alıntı yapın:
Lütfen DOI'nin beklemede olduğunu ve mevcut olduğunda alıntıya ekleneceğini unutmayın. YOLO11 modelleri şu adreste verilmiştir AGPL-3.0 ve Kurumsal lisanslar.
SSS
Önceki sürümlere kıyasla Ultralytics YOLO11 adresindeki önemli gelişmeler nelerdir?
Ultralytics YOLO11 öncekilere kıyasla birçok önemli gelişme sunuyor. Temel iyileştirmeler şunlardır:
- Geliştirilmiş Özellik Çıkarma: YOLO11 , daha hassas nesne tespiti için özellik çıkarma yeteneklerini geliştiren geliştirilmiş bir omurga ve boyun mimarisi kullanır.
- Optimize Edilmiş Verimlilik ve Hız: Rafine mimari tasarımlar ve optimize edilmiş eğitim işlem hatları, doğruluk ve performans arasındaki dengeyi korurken daha yüksek işlem hızları sunar.
- Daha Az Parametre ile Daha Yüksek Doğruluk: YOLO11m, COCO veri setinde YOLOv8m'a göre %22 daha az parametre ile daha yüksek Ortalama Hassasiyet (mAP) elde ederek doğruluktan ödün vermeden hesaplama açısından verimli olmasını sağlar.
- Ortamlar Arasında Uyarlanabilirlik: YOLO11 uç cihazlar, bulut platformları ve NVIDIA GPU'ları destekleyen sistemler dahil olmak üzere çeşitli ortamlara dağıtılabilir.
- Desteklenen Görevlerin Geniş Yelpazesi: YOLO11 nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş nesne algılama (OBB) gibi çeşitli bilgisayarla görme görevlerini destekler.
Nesne algılama için bir YOLO11 modelini nasıl eğitebilirim?
Nesne tespiti için bir YOLO11 modelinin eğitimi Python veya CLI komutları kullanılarak yapılabilir. Aşağıda her iki yöntem için örnekler verilmiştir:
Örnek
Daha ayrıntılı talimatlar için Train belgelerine bakın.
YOLO11 modelleri hangi görevleri yerine getirebilir?
YOLO11 modeller çok yönlüdür ve aşağıdakiler de dahil olmak üzere çok çeşitli bilgisayarla görme görevlerini destekler:
- Nesne Algılama: Bir görüntü içindeki nesnelerin tanımlanması ve konumlandırılması.
- Örnek Segmentasyonu: Nesneleri tespit etme ve sınırlarını belirleme.
- Görüntü Sınıflandırma: Görüntüleri önceden tanımlanmış sınıflara ayırma.
- Poz Tahmini: İnsan vücudundaki kilit noktaların tespit edilmesi ve izlenmesi.
- Yönlendirilmiş Nesne Algılama (OBB): Daha yüksek hassasiyet için nesneleri döndürerek algılama.
Her bir görev hakkında daha fazla bilgi için Algılama, Örnek Segmentasyonu, Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Algılama belgelerine bakın.
YOLO11 daha az parametre ile daha fazla doğruluğa nasıl ulaşıyor?
YOLO11 model tasarımı ve optimizasyon tekniklerindeki ilerlemeler sayesinde daha az parametre ile daha yüksek doğruluk elde etmektedir. Geliştirilmiş mimari, verimli özellik çıkarma ve işlemeye olanak tanıyarak COCO gibi veri kümelerinde daha yüksek Ortalama Hassasiyet (mAP) sağlarken YOLOv8m'a göre %22 daha az parametre kullanmaktadır. Bu, YOLO11 'u doğruluktan ödün vermeden hesaplama açısından verimli hale getirerek kaynak kısıtlı cihazlarda dağıtım için uygun hale getirir.
YOLO11 uç cihazlara dağıtılabilir mi?
Evet, YOLO11 uç cihazlar da dahil olmak üzere çeşitli ortamlara uyarlanabilirlik için tasarlanmıştır. Optimize edilmiş mimarisi ve verimli işleme özellikleri sayesinde uç cihazlarda, bulut platformlarında ve NVIDIA GPU'ları destekleyen sistemlerde kullanıma uygundur. Bu esneklik, YOLO11 'un mobil cihazlarda gerçek zamanlı algılamadan bulut ortamlarındaki karmaşık segmentasyon görevlerine kadar çeşitli uygulamalarda kullanılabilmesini sağlar. Dağıtım seçenekleri hakkında daha fazla ayrıntı için Dışa Aktarma belgelerine bakın.