Ultralytics YOLO11

概述

YOLO11 是 Ultralytics YOLO 系列实时目标检测器的最新迭代版本，它以前沿的精度、速度和效率重新定义了可能性。YOLO11 在之前 YOLO 版本的显著进步基础上，在架构和训练方法上进行了重大改进，使其成为各种计算机视觉任务的多功能选择。

观看： 如何使用 Ultralytics YOLO11 进行目标检测和跟踪 | 如何进行基准测试 | YOLO11 发布🚀

主要功能

• 增强的特征提取: YOLO11 采用改进的 backbone 和 neck 架构，从而增强了特征提取能力，以实现更精确的目标检测和复杂的任务性能。
• 优化效率和速度： YOLO11 引入了改进的架构设计和优化的训练流程，从而提供更快的处理速度，并在精度和性能之间保持最佳平衡。
• 以更少的参数实现更高的精度： 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 使用的参数减少了 22%，从而在不影响精度的情况下提高了计算效率。
• 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、云平台和支持 NVIDIA GPU 的系统，从而确保最大的灵活性。
• 广泛支持的任务范围： 无论是目标检测、实例分割、图像分类、姿势估计还是旋转框检测 (OBB)，YOLO11 都旨在满足各种计算机视觉挑战。

支持的任务和模式

YOLO11 基于 YOLOv8 中引入的通用模型系列，为各种计算机视觉任务提供增强的支持：

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 适用于计算机视觉中的各种应用，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。有关这些和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 YOLO11 检测 模型的目标检测。有关其他支持的任务，请参阅分割、分类、旋转框检测和姿势估计文档。

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")

# 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

引用与致谢

如果您在工作中使用 YOLO11 或此存储库中的任何其他软件，请使用以下格式引用它：

@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，一旦可用，将添加到引文中。YOLO11 模型在 AGPL-3.0 和 Enterprise 许可下提供。

常见问题

与之前的版本相比，Ultralytics YOLO11 的主要改进是什么？

Ultralytics YOLO11 在其前代产品的基础上进行了多项重大改进。主要改进包括：

• 增强的特征提取： YOLO11 采用了改进的骨干网络和颈部架构，增强了特征提取能力，从而实现更精确的目标检测。
• 优化的效率和速度： 改进的架构设计和优化的训练流程提供了更快的处理速度，同时保持了准确性和性能之间的平衡。
• 以更少的参数实现更高的精度： YOLO11m 在 COCO 数据集上实现了更高的平均精度均值 (mAP)，与 YOLOv8m 相比，参数减少了 22%，从而在不影响准确性的前提下提高了计算效率。
• 跨环境的适应性： YOLO11 可以部署在各种环境中，包括边缘设备、云平台和支持 NVIDIA GPU 的系统。
• 广泛支持的任务范围： YOLO11 支持各种计算机视觉任务，例如目标检测、实例分割、图像分类、姿势估计和旋转框检测 (OBB)。

如何训练 YOLO11 模型进行目标检测？

可以使用 Python 或 CLI 命令训练用于目标检测的 YOLO11 模型。以下是两种方法的示例：

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

有关更详细的说明，请参阅训练文档。

YOLO11 模型可以执行哪些任务？

YOLO11 模型用途广泛，支持各种计算机视觉任务，包括：

• 目标检测： 识别和定位图像中的目标。
• 实例分割： 检测目标并描绘其边界。
• 图像分类： 将图像分类为预定义的类别。
• 姿势估计： 检测和跟踪人体上的关键点。
• 旋转框检测 (OBB)： 检测具有旋转的对象，以获得更高的精度。

有关每个任务的更多信息，请参阅检测、实例分割、分类、姿势估计和旋转框检测文档。

YOLO11 如何以更少的参数实现更高的精度？

通过模型设计和优化技术的进步，YOLO11 以更少的参数实现了更高的准确率。 改进的架构允许高效的特征提取和处理，从而在使用比 YOLOv8m 少 22% 的参数的同时，在 COCO 等数据集上实现更高的平均精度 (mAP)。 这使得 YOLO11 在计算上高效，同时又不影响准确性，使其适合部署在资源受限的设备上。

YOLO11 可以部署在边缘设备上吗？

是的，YOLO11 旨在适应各种环境，包括边缘设备。其优化的架构和高效的处理能力使其适合部署在边缘设备、云平台和支持 NVIDIA GPU 的系统上。这种灵活性确保了 YOLO11 可用于各种应用，从移动设备上的实时检测到云环境中的复杂分割任务。有关部署选项的更多详细信息，请参阅导出文档。

📅 创建于 11 个月前 ✏️ 更新于 1 个月前

评论