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 xuất sắc. Dựa trên những cải tiến ấn tượng của các phiên bản YOLO trước, YOLO11 giới thiệu những cải tiến đáng kể về kiến trúc và phương pháp huấn luyện, trở thành lựa chọn linh hoạt cho nhiều tác vụ thị giác máy tính. Để sử dụng model Ultralytics mới nhất với suy luận không cần NMS đầu-cuối và khả năng triển khai edge được tối ưu hóa, hãy xem YOLO26.
Watch: How to Use Ultralytics YOLO11 for Object Detection and Tracking | How to Benchmark | YOLO11 RELEASED🚀
Khám phá và chạy trực tiếp các model YOLO11 trên Ultralytics Platform.
Tính năng chính#
- Trích xuất đặc trưng nâng cao: YOLO11 sử dụng kiến trúc backbone và neck được cải tiến, nâng cao khả năng trích xuất đặc trưng để phát hiện đối tượng chính xác hơn và thực hiện các tác vụ phức tạp hiệu quả hơn.
- Tối ưu hóa hiệu suất và tốc độ: YOLO11 giới thiệu các thiết kế kiến trúc được tinh chỉnh và 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 năng.
- Độ chính xác cao hơn với ít tham số hơn: Nhờ những cải tiến trong thiết kế model, YOLO11m đạt độ chính xác trung bình (mAP) cao hơn trên tập dữ liệu COCO trong khi sử dụng ít hơn 22% tham số so với YOLOv8m, nhờ đó đạt hiệu quả tính toán cao 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, bao gồm thiết bị edge, nền tảng đám mây và các hệ thống hỗ trợ GPU NVIDIA, đảm bảo tính linh hoạt tối đa.
- Phạm vi tác vụ được hỗ trợ rộng: Dù là phát hiện đối tượng, phân đoạn instance, phân loại ảnh, ước tính tư thế hay phát hiện đối tượng định hướng (OBB), YOLO11 được thiết kế để đáp ứng nhiều bài toán thị giác máy tính đa dạng.
Các task và mode được hỗ trợ#
YOLO11 kế thừa dòng model linh hoạt được thiết lập từ các bản phát hành Ultralytics YOLO trước đây, đồng thời cung cấp khả năng hỗ trợ nâng cao cho nhiều tác vụ thị giác máy tính khác nhau:
| Model | Tên tệp | Task | Training | Validation | Inference | Export |
|---|---|---|---|---|---|---|
| YOLO11 | yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt | Detection | ✅ | ✅ | ✅ | ✅ |
| YOLO11-seg | yolo11n-seg.pt yolo11s-seg.pt yolo11m-seg.pt yolo11l-seg.pt yolo11x-seg.pt | Phân đoạn instance | ✅ | ✅ | ✅ | ✅ |
| YOLO11-cls | yolo11n-cls.pt yolo11s-cls.pt yolo11m-cls.pt yolo11l-cls.pt yolo11x-cls.pt | Classification | ✅ | ✅ | ✅ | ✅ |
| YOLO11-pose | yolo11n-pose.pt yolo11s-pose.pt yolo11m-pose.pt yolo11l-pose.pt yolo11x-pose.pt | Tư thế/Keypoint | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | Phát hiện định hướng | ✅ | ✅ | ✅ | ✅ |
Bảng này cung cấp tổng quan về các biến thể model YOLO11, thể hiện khả năng áp dụng cho từng tác vụ cụ thể và khả năng tương thích với các chế độ vận hành như Suy luận, Xác thực, Huấn luyện và Export. Tính linh hoạt này khiến YOLO11 phù hợp với nhiều ứng dụng thị giác máy tính, từ phát hiện theo thời gian thực đến các tác vụ phân đoạn phức tạp.
Metrics hiệu năng#
Xem Tài liệu Phát hiện để biết các ví dụ sử dụng những model được huấn luyện trên COCO, bao gồm 80 class được huấn luyện trước.
Ví dụ sử dụng#
Phần này cung cấp các ví dụ đơn giản về huấn luyện và suy luận YOLO11. Để xem tài liệu đầy đủ về các chế độ này và các chế độ 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 phát hiện đối tượng. Để xem các tác vụ được hỗ trợ khác, hãy tham khảo tài liệu Segment, Classify, Pose và OBB.
Các model *.pt được huấn luyện trước bằng PyTorch, cũng như các tệp cấu hình *.yaml, có thể được truyền vào class YOLO() để tạo một instance model trong 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")Trích dẫn và ghi nhận đóng góp#
Ultralytics chưa công bố bài báo nghiên cứu chính thức cho YOLO11 do các model phát triển nhanh chóng. Chúng tôi tập trung vào việc thúc đẩy công nghệ và giúp công nghệ dễ sử dụng hơn, thay vì tạo ra tài liệu tĩnh. Để cập nhật thông tin mới nhất về kiến trúc YOLO, các tính năng và cách sử dụng, vui lòng tham khảo repository GitHub và tài liệu của chúng tôi.
Nếu sử dụng YOLO11 hoặc bất kỳ phần mềm nào khác từ repository này trong công việc, vui lòng trích dẫn bằng 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 cấp và sẽ được thêm vào trích dẫn ngay khi có. Các model YOLO11 được cung cấp theo giấy phép AGPL-3.0 và Enterprise.
FAQ#
Ultralytics YOLO11 mang đến một số cải tiến đáng kể so với YOLOv8. Các cải tiến chính bao gồm:
- Trích xuất đặc trưng nâng cao: YOLO11 sử dụng kiến trúc backbone và neck được cải tiến, nâng cao khả năng trích xuất đặc trưng để phát hiện đối tượng chính xác hơn.
- Tối ưu hóa hiệu suất và tốc độ: Các thiết kế kiến trúc được tinh chỉnh và pipeline huấn luyện được tối ưu hóa giúp tăng tốc độ xử lý trong khi vẫn duy trì sự cân bằng giữa độ chính xác và hiệu năng.
- Độ chính xác cao hơn với ít tham số hơn: YOLO11m đạt độ chính xác trung bình (mAP) cao hơn trên tập dữ liệu COCO với ít hơn 22% tham số so với YOLOv8m, nhờ đó đạt hiệu quả tính toán cao mà không làm giảm độ chính xác.
- Khả năng thích ứng trên nhiều môi trường: YOLO11 có thể được triển khai trên nhiều môi trường, bao gồm thiết bị edge, nền tảng đám mây và các hệ thống hỗ trợ GPU NVIDIA.
- Phạm vi tác vụ được hỗ trợ rộng: YOLO11 hỗ trợ nhiều tác vụ thị giác máy tính đa dạng như phát hiện đối tượng, phân đoạn instance, phân loại ảnh, ước tính tư thế và phát hiện đối tượng định hướng (OBB).
Có thể huấn luyện model YOLO11 cho tác vụ phát hiện đối tượng bằng Python hoặc các lệnh CLI. Dưới đây là ví dụ cho cả hai phương pháp:
Ví dụfrom 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)Để biết hướng dẫn chi tiết hơn, hãy tham khảo tài liệu Train.
Các model YOLO11 rất linh hoạt và hỗ trợ nhiều tác vụ thị giác máy tính, bao gồm:
- Phát hiện đối tượng: Xác định và định vị các đối tượng trong một ảnh.
- Phân đoạn đối tượng: Phát hiện các đối tượng và xác định đường biên của chúng.
- Phân loại ảnh: Phân loại hình ảnh vào các lớp được xác định trước.
- Ước tính tư thế: Phát hiện và theo dõi các keypoint trên cơ thể người.
- Phát hiện đối tượng định hướng (OBB): Phát hiện các đối tượng có góc xoay để đạt độ chính xác cao hơn.
Để biết thêm thông tin về từng tác vụ, hãy xem tài liệu về Phát hiện, Phân đoạn đối tượng, Phân loại, Ước tính tư thế và Phát hiện đối tượng định hướng.
YOLO11 đạt được độ chính xác cao hơn với ít tham số hơn nhờ những cải tiến trong thiết kế model và các kỹ thuật tối ưu hóa. Kiến trúc được cải tiến cho phép trích xuất và xử lý đặc trưng hiệu quả, mang lại độ chính xác trung bình (mAP) cao hơn trên các tập dữ liệu như COCO, đồng thời sử dụng ít hơn 22% tham số so với YOLOv8m. Nhờ đó, YOLO11 có hiệu quả tính toán cao mà không ảnh hưởng đến độ chính xác, phù hợp để triển khai trên các thiết bị có tài nguyên hạn chế.
Có, YOLO11 được thiết kế để thích ứng với nhiều môi trường khác nhau, bao gồm các thiết bị biên. Kiến trúc được tối ưu hóa và khả năng xử lý hiệu quả khiến YOLO11 phù hợp để triển khai trên các thiết bị biên, nền tảng đám mây và các hệ thống hỗ trợ GPU NVIDIA. Tính linh hoạt này đảm bảo YOLO11 có thể được sử dụng trong nhiều ứng dụng, từ phát hiện theo thời gian thực trên thiết bị di động đến các tác vụ phân đoạn phức tạp trong môi trường đám mây. Để biết thêm chi tiết về các tùy chọn triển khai, hãy tham khảo tài liệu Export.