Ultralytics YOLO11#

Tổng quan#

YOLO11 được Ultralytics phát hành vào ngày 10 tháng 9 năm 2024, mang lại độ chính xác, tốc độ và hiệu suất tuyệt vời. Dựa trên những tiến bộ ấn tượng của các phiên bản YOLO trước đó, YOLO11 giới thiệu những cải tiến đáng kể về kiến trúc và phương pháp huấn luyện, biến nó thành một lựa chọn linh hoạt cho một loạt các tác vụ computer vision. Để biết thêm về model Ultralytics mới nhất với suy luận không cần NMS từ đầu đến cuối và triển khai biên được tối ưu hóa, hãy xem YOLO26.

Tính năng chính#

• Trích xuất đặc trưng được nâng cao: YOLO11 sử dụng kiến trúc backbone và neck được cải tiến, giúp nâng cao khả năng trích xuất đặc trưng để phát hiện đối tượng chính xác hơn và hiệu suất tác vụ phức tạp tốt hơn.
• Tối ưu hóa cho hiệu suất và tốc độ: YOLO11 giới thiệu các thiết kế kiến trúc tinh chỉnh và các pipeline huấn luyện được tối ưu hóa, mang lại tốc độ xử lý nhanh hơn đồng thời duy trì sự cân bằng tối ưu giữa độ chính xác và hiệu suất.
• Độ chính xác cao hơn với ít tham số hơn: Với những tiến bộ trong thiết kế model, YOLO11m đạt được mean Average Precision (mAP) cao hơn trên tập dữ liệu COCO trong khi sử dụng ít hơn 22% tham số so với YOLOv8m, giúp tối ưu hóa tính toán mà không làm giảm độ chính xác.
• Khả năng thích ứng trên nhiều môi trường: YOLO11 có thể được triển khai liền mạch trên nhiều môi trường khác nhau, bao gồm các thiết bị edge, nền tảng cloud và các hệ thống hỗ trợ NVIDIA GPU, đảm bảo sự linh hoạt tối đa.
• Hỗ trợ đa dạng các tác vụ: Cho dù đó là nhận diện đối tượng, phân đoạn instance, phân loại ảnh, ước tính tư thế (pose estimation), hay nhận diện đối tượng theo hướng (OBB), YOLO11 được thiết kế để đáp ứng các thách thức đa dạng trong computer vision.

Các tác vụ và chế độ được hỗ trợ#

YOLO11 được xây dựng dựa trên hệ sinh thái mô hình linh hoạt đã được thiết lập bởi các phiên bản Ultralytics YOLO trước đó, cung cấp sự hỗ trợ nâng cao cho nhiều tác vụ computer vision:

Bảng này cung cấp tổng quan về các biến thể mô hình YOLO11, giới thiệu khả năng áp dụng của chúng trong các tác vụ cụ thể và tính tương thích với các chế độ vận hành như Inference, Validation, Training và Export. Sự linh hoạt này giúp YOLO11 phù hợp cho nhiều ứng dụng trong computer vision, từ nhận diện thời gian thực đến các tác vụ phân đoạn phức tạp.

Chỉ số hiệu suất#

Ví dụ Sử dụng#

Phần này cung cấp các ví dụ đơn giản về huấn luyện và suy luận với YOLO11. Để có tài liệu đầy đủ về các mode này và các mode khác, hãy xem các trang tài liệu Predict, Train, Val và Export.

Lưu ý rằng ví dụ dưới đây dành cho các model YOLO11 Detect dùng cho object detection. Để biết thêm các tác vụ được hỗ trợ, hãy xem tài liệu Segment, Classify, Pose và OBB.

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")

Trích dẫn và Ghi nhận#

Nếu bạn sử dụng YOLO11 hoặc bất kỳ phần mềm nào khác từ kho lưu trữ này trong công việc của mình, vui lòng trích dẫn nó theo định dạng sau:

@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}
}

Xin lưu ý rằng DOI đang chờ xử lý và sẽ được bổ sung vào phần trích dẫn ngay khi có sẵn. Các model YOLO11 được cung cấp theo giấy phép AGPL-3.0 và Enterprise.

Câu hỏi thường gặp#