Ultralytics YOLO11#

概述#

YOLO11 由 Ultralytics 于 2024 年 9 月 10 日发布，具备出色的精度、速度和效率。在继承以往 YOLO 版本令人瞩目的进步的基础上，YOLO11 在架构和训练方法上引入了重大改进，使其成为广泛的计算机视觉任务的多功能选择。有关具备端到端免 NMS 推理和优化边缘部署的最新 Ultralytics 模型，请参见 YOLO26。

主要特性#

• 增强的特征提取： YOLO11 采用了改进的主干网络和颈部架构，增强了特征提取能力，从而实现更精准的目标检测和复杂的任务性能。
• 针对效率和速度进行优化： YOLO11 引入了精简的架构设计和优化的训练管线，在保持准确性和性能之间最佳平衡的同时，提供了更快的处理速度。
• 以更少的参数获得更高的精度： 凭借模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的平均精度均值 (mAP)，同时比 YOLOv8m 减少了 22% 的参数，在不妥协精度的同时提高了计算效率。
• 跨环境的适应性： YOLO11 可以无缝部署在各种环境中，包括边缘设备、云平台以及支持 NVIDIA GPU 的系统，确保了最大的灵活性。
• 广泛的支持任务： 无论是目标检测、实例分割、图像分类、姿态估计，还是旋转目标检测 (OBB)，YOLO11 旨在满足各类计算机视觉挑战。

支持的任务和模式#

YOLO11 在早期 Ultralytics YOLO 版本建立的多功能模型范围基础上进行了扩展，为各种计算机视觉任务提供了增强支持：

此表概述了 YOLO11 模型变体，展示了它们在特定任务中的适用性以及与推理、验证、训练和导出等操作模式的兼容性。这种灵活性使 YOLO11 适用于从实时检测到复杂分割任务的广泛计算机视觉应用。

性能指标#

使用示例#

本节提供简单的 YOLO11 训练和推理示例。有关这些及其他模式的完整文档，请参阅 Predict、Train、Val 和 Export 文档页面。

请注意，以下示例适用于用于目标检测的 YOLO11 Detect 模型。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")

引用与致谢#

如果你在工作中使用 YOLO11 或本存储库中的任何其他软件，请使用以下格式进行引用：

@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 正在申请中，将在可用时添加到引用中。YOLO11 模型根据 AGPL-3.0 和 Enterprise 许可证提供。

常见问题解答#