İçeriğe geç

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 Karşılaştırma Plotları

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:

# Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO11n model and run inference on the 'bus.jpg' image
yolo predict model=yolo11n.pt source=path/to/bus.jpg

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:

@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, 0000-0002-7603-6750, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

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

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)
# Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640

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.

📅 Created 2 months ago ✏️ Updated 0 days ago

Yorumlar