Ultralytics YOLO11#

概述#

YOLO11 于 2024 年 9 月 10 日由 Ultralytics 发布，在准确率、速度和效率方面表现出色。在此前 YOLO 版本令人瞩目的进步基础上，YOLO11 对架构和训练方法进行了重大改进，使其成为适用于各种计算机视觉任务的多功能选择。有关最新的 Ultralytics 模型（支持端到端的无 NMS 推理和优化的边缘部署），请参阅 YOLO26。

主要特性#

• 增强的特征提取： YOLO11 采用改进的骨干网络和颈部架构，增强了特征提取能力，从而实现更精准的目标检测和更复杂的任务处理。
• 针对效率和速度进行优化： YOLO11 引入了经过改进的架构设计和优化的训练流水线，在保持准确率与性能最佳平衡的同时，提供更快的处理速度。
• 更少的参数带来更高的准确率： 借助模型设计方面的改进，YOLO11m 在 COCO 数据集上实现了更高的平均精度（mAP），同时比 YOLOv8m 少使用 22% 的参数，在不牺牲准确率的情况下提高了计算效率。
• 适用于多种环境： YOLO11 可以无缝部署到各种环境中，包括边缘设备、云平台以及支持 NVIDIA GPU 的系统，确保最大的灵活性。
• 支持广泛的任务： 无论是目标检测、实例分割、图像分类、姿态估计还是定向目标检测（OBB），YOLO11 都旨在应对多样化的计算机视觉挑战。

支持的任务和模式#

YOLO11 在早期 Ultralytics YOLO 版本所建立的多功能模型系列基础上进行了扩展，为各种计算机视觉任务提供了更完善的支持：

此表概述了 YOLO11 的模型变体，展示了它们对特定任务的适用性，以及与推理、验证、训练和导出等运行模式的兼容性。这种灵活性使 YOLO11 适用于广泛的计算机视觉应用，从实时检测到复杂的分割任务。

性能指标#

使用示例#

本节提供简单的 YOLO11 训练和推理示例。有关这些模式和其他模式的完整文档，请参阅预测、训练、验证和导出文档页面。

请注意，下面的示例适用于 YOLO11 Detect 模型，用于目标检测。有关其他支持的任务，请参阅 Segment、Classify、Pose 和 OBB 文档。

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")

引用和致谢#

如果你在工作中使用 YOLO11 或此仓库中的任何其他软件，请使用以下格式引用：

@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}
}

请注意，DOI 尚未确定，待其可用后会添加到引用中。YOLO11 模型依据 AGPL-3.0 和 Enterprise 许可发布。

常见问题#