Ultralytics YOLO11#

概述#

YOLO11 于 2024 年 9 月 27 日由 Ultralytics 发布，在精度、速度和效率方面表现出色。YOLO11 在以往 YOLO 版本的卓越进展基础上，显著改进了架构和训练方法，使其成为适用于多种计算机视觉任务的灵活选择。如需了解最新的 Ultralytics 模型——支持端到端无 NMS 推理并针对边缘部署进行了优化，请参阅 YOLO26。

主要功能#

• 增强特征提取能力：YOLO11 采用改进的主干网络和颈部网络架构，增强了特征提取能力，从而实现更精确的目标检测，并提升复杂任务的表现。
• 针对效率和速度进行优化：YOLO11 引入了改进的架构设计和优化后的训练流程，提升处理速度，同时保持精度与性能之间的最佳平衡。
• 参数更少，精度更高：得益于模型设计方面的改进，YOLO11m 在 COCO 数据集上取得了更高的平均精度均值（mAP），同时参数量比 YOLOv8m 少 22%，在不牺牲精度的情况下提升了计算效率。
• 适应多种环境：YOLO11 可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，确保高度灵活性。
• 支持多种任务：无论是目标检测、实例分割、图像分类、姿态估计还是旋转框目标检测（OBB），YOLO11 都能应对各种计算机视觉挑战。

支持的任务和模式#

YOLO11 在早期 Ultralytics YOLO 版本确立的多用途模型系列基础上，进一步增强了对各种计算机视觉任务的支持：

此表概述了 YOLO11 的不同模型变体，展示了它们适用的特定任务，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 适用于计算机视觉领域的多种应用，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。如需查看这些模式及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，下面的示例针对 YOLO11检测模型，用于目标检测。如需了解其他受支持的任务，请参阅分割、分类、姿态和 OBB文档。

from ultralytics import YOLO

# 加载使用 COCO 预训练的 YOLO11n 模型
model = YOLO("yolo11n.pt")

# 使用 COCO8 示例数据集训练模型 100 个 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 使用 YOLO11n 模型对“bus.jpg”图像运行推理
results = model("path/to/bus.jpg")

引用与致谢#

如果你在工作中使用 YOLO11 或此代码仓库中的其他软件，请按照以下格式引用：

@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 尚待确定，将在可用后添加到引用中。YOLO11 模型采用 AGPL-3.0 和企业版许可证提供。

常见问题#