Ultralytics YOLO11

Tổng quan

YOLO11 là phiên bản mới nhất của Ultralytics YOLO loạt các máy dò vật thể thời gian thực, định nghĩa lại những gì có thể với độ chính xác , tốc độ và hiệu quả tiên tiến. Xây dựng dựa trên những tiến bộ ấn tượng của trước đây YOLO Phiên bản YOLO11 giới thiệu những cải tiến đáng kể về kiến trúc và phương pháp đào tạo, khiến nó trở thành lựa chọn linh hoạt cho nhiều tác vụ thị giác máy tính .

Xem: Cách sử dụng Ultralytics YOLO11 để phát hiện và theo dõi đối tượng | Cách đánh giá chuẩn | YOLO11 ĐÃ PHÁT HÀNH🚀

Các tính năng chính

• Trích xuất tính năng nâng cao: YOLO11 sử dụng kiến trúc xương sống và cổ được cải tiến, giúp tăng cường khả năng trích xuất tính năng để phát hiện đối tượng chính xác hơn và thực hiện tác vụ phức tạp.
• Được tối ưu hóa để mang lại hiệu quả và tốc độ: YOLO11 giới thiệu các thiết kế kiến trúc tinh tế và quy trình đào tạo được tối ưu hóa, mang lại tốc độ xử lý nhanh hơn và 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 mô hình, YOLO11m đạt được 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 , giúp tính toán hiệu quả mà không ảnh hưởng đến 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 biên, nền tảng đám mây và hệ thống hỗ trợ NVIDIA GPU đảm bảo tính linh hoạt tối đa.
• Phạm vi rộng các tác vụ được hỗ trợ: Cho dù đó là phát hiện đối tượng, phân đoạn thực thể, phân loại hình ảnh, ước tính tư thế hay phát hiện đối tượng theo hướng (OBB), YOLO11 đều được thiết kế để đáp ứng nhiều thách thức khác nhau về thị giác máy tính.

Các tác vụ và chế độ được hỗ trợ

YOLO11 được xây dựng dựa trên phạm vi mô hình đa dạng được giới thiệu trong YOLOv8 , cung cấp hỗ trợ nâng cao cho nhiều tác vụ thị giác máy tính khác nhau:

Bảng này cung cấp tổng quan về các biến thể mô hình YOLO11, thể hiện khả năng ứng dụng của chúng trong các tác vụ cụ thể và khả năng tương thích với các chế độ hoạt động như Suy luận, Xác thực, Đào tạo và Xuất. Tính linh hoạt này làm cho YOLO11 phù hợp với nhiều ứng dụng trong thị giác máy tính, từ phát hiện 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 đào tạo và suy luận YOLO11 đơn giản. Để biết 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 bên dưới dành cho các mô hình YOLO11 Detect để phát hiện đối tượng . Để biết thêm các tác vụ được hỗ trợ, hãy xem tài liệu Segment , Classify , OBB và Pose .

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")

# 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

Trích dẫn và xác 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 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, 0000-0002-7603-6750, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

Xin lưu ý rằng DOI đang chờ xử lý và sẽ được thêm vào trích dẫn khi có sẵn. Các mô hình YOLO11 được cung cấp theo giấy phép AGPL-3.0 và Enterprise .

FAQ

Những cải tiến chính trong Ultralytics So sánh YOLO11 với các phiên bản trước?

Ultralytics YOLO11 giới thiệu một số cải tiến đáng kể so với các phiên bản trước. Những cải tiến chính bao gồm:

• Trích xuất tính năng nâng cao: YOLO11 sử dụng kiến trúc xương sống và cổ được cải tiến, nâng cao khả năng trích xuất tính năng để phát hiện đối tượng chính xác hơn.
• Hiệu quả và tốc độ được tối ưu hóa: Thiết kế kiến trúc tinh tế và quy trình đào tạo được tối ưu hóa mang lại tốc độ xử lý nhanh hơn trong khi vẫn duy trì sự cân bằng giữa độ chính xác và hiệu suất.
• Độ chính xác cao hơn với ít tham số hơn: YOLO11m đạt được Độ chính xác trung bình (mAP) cao hơn trên tập dữ liệu COCO với ít hơn 22% tham số so với YOLOv8m , giúp tính toán hiệu quả mà không ảnh hưởng đến độ chính xác.
• Khả năng thích ứng trên nhiều môi trường: YOLO11 có thể được triển khai trên nhiều môi trường khác nhau, bao gồm các thiết bị biên, nền tảng đám mây và hệ thống hỗ trợ NVIDIA GPU.
• Phạm vi rộng các tác vụ được hỗ trợ: YOLO11 hỗ trợ nhiều tác vụ thị giác máy tính như phát hiện đối tượng, phân đoạn thể hiện , phân loại hình ảnh, ước tính tư thế và phát hiện đối tượng theo hướng (OBB).

Làm thế nào để đào tạo mô hình YOLO11 để phát hiện đối tượng?

Việc đào tạo mô hình YOLO11 để phát hiện đối tượng có thể được thực hiện bằng cách sử dụng Python hoặc CLI lệnh. Dưới đây là ví dụ cho cả hai phương pháp:

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

Để biết hướng dẫn chi tiết hơn, hãy tham khảo tài liệu Train .

Các mô hình YOLO11 có thể thực hiện những nhiệm vụ nào?

Các mô hình 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 hình ảnh.
• Phân đoạn trường hợp: Phát hiện đối tượng và phân định ranh giới của chúng.
• Phân loại hình ảnh : Phân loại hình ảnh thành các lớp được xác định trước.
• Ước tính tư thế: Phát hiện và theo dõi các điểm chính trên cơ thể con người.
• Phát hiện đối tượng định hướng (OBB): Phát hiện đối tượng bằng cách xoay để có độ chính xác cao hơn.

Để biết thêm thông tin về từng nhiệm vụ, hãy xem tài liệu Phát hiện , Phân đoạn trường hợp , Phân loại , Ước tính tư thế và Phát hiện định hướng .

Làm thế nào YOLO11 đạt được độ chính xác cao hơn với ít tham số hơn?

YOLO11 đạt được độ chính xác cao hơn với ít tham số hơn thông qua những tiến bộ trong thiết kế mô hình và các kỹ thuật tối ưu hóa. Kiến trúc được cải tiến cho phép trích xuất và xử lý tính năng hiệu quả, dẫn đến Độ chính xác trung bình (mAP) cao hơn trên các tập dữ liệu như COCO trong khi sử dụng ít hơn 22% tham số so với YOLOv8m . Điều này làm cho YOLO11 có hiệu suất tính toán cao mà không ảnh hưởng đến độ chính xác, do đó phù hợp để triển khai trên các thiết bị có nguồn lực hạn chế.

YOLO11 có thể triển khai trên các thiết bị biên không?

Có, YOLO11 được thiết kế để thích ứng với nhiều môi trường khác nhau, bao gồm cả các thiết bị biên. Kiến trúc được tối ưu hóa và khả năng xử lý hiệu quả của nó làm cho nó phù hợp để triển khai trên các thiết bị biên, nền tảng đám mây và các hệ thống hỗ trợ NVIDIA GPU. Tính linh hoạt này đảm bảo rằng YOLO11 có thể được sử dụng trong nhiều ứng dụng khác nhau, từ phát hiện 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 Xuất .

📅 Được tạo cách đây 1 tháng ✏️ Đã cập nhật cách đây 11 ngày

Ý kiến