Ultralytics YOLO11

概述

YOLO11 由 Ultralytics 于 2024 年 9 月 10 日发布，提供了卓越的 accuracy、速度和效率。YOLO11 基于以往 YOLO 版本取得的显著进步，在架构和训练方法上进行了重大改进，使其成为应对广泛 computer vision 任务的多功能选择。有关具备端到端无 NMS 推理和优化边缘部署功能的最新 Ultralytics 模型，请参阅 YOLO26。

主要特性

• 增强的特征提取： YOLO11 采用了改进的 backbone 和 neck 架构，增强了 feature extraction 能力，从而实现更精准的目标检测和复杂的任务表现。
• 针对效率和速度的优化： YOLO11 引入了精炼的架构设计和优化的训练管线，在提供更快处理速度的同时，保持了准确性和性能之间的最佳平衡。
• 在更少参数下实现更高的准确性： 凭借模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的 mean Average Precision (mAP)，同时比 YOLOv8m 少使用 22% 的参数，使其在不牺牲准确性的前提下具备了计算效率。
• 跨环境的适应性： 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，确保了最大的灵活性。
• 广泛的受支持任务： 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 旨在满足多种多样的计算机视觉挑战。

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。这种灵活性使得 YOLO11 非常适合从实时检测到复杂分割任务等广泛的计算机视觉应用。

性能指标

使用示例

本节提供了简单的 YOLO11 训练和推理示例。有关这些模式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 YOLO11 Detect 模型，用于目标检测。有关其他支持的任务，请参阅 Segment、Classify、OBB 和 Pose 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")

引文与致谢

如果你在工作中使用 YOLO11 或本存储库中的任何其他软件，请按以下格式引用它：

@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 尚在申请中，一旦可用，将添加到引用中。YOLO11 模型在 AGPL-3.0 和 企业版 许可下提供。

常见问题 (FAQ)

与 YOLOv8 相比，Ultralytics YOLO11 的主要改进是什么？

与 YOLOv8 相比，Ultralytics YOLO11 带来了多项重大改进。主要提升包括：

• 增强的特征提取： YOLO11 采用了改进的主干和颈部架构，增强了特征提取能力，从而实现更精准的目标检测。
• 优化了效率和速度： 经过优化的架构设计和训练流程，在保持准确率和性能平衡的同时，提供了更快的处理速度。
• 更少的参数，更高的准确率： YOLO11m 在 COCO 数据集上的平均精度 (mAP) 高于 YOLOv8m，且参数减少了 22%，在不牺牲准确率的情况下实现了计算高效。
• 跨环境的适应性： YOLO11 可以部署在各种环境中，包括边缘设备、云平台以及支持 NVIDIA GPU 的系统。
• 广泛支持的任务： YOLO11 支持多种计算机视觉任务，例如目标检测、实例分割、图像分类、姿态估计和旋转目标检测 (OBB)。

我该如何训练用于目标检测的 YOLO11 模型？

你可以使用 Python 或 CLI 命令来训练 YOLO11 目标检测模型。以下是这两种方法的示例：

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)

有关更详细的说明，请参阅 Train 文档。

YOLO11 模型可以执行哪些任务？

YOLO11 模型用途广泛，支持多种计算机视觉任务，包括：

• 目标检测： 识别并定位图像中的对象。
• 实例分割： 检测对象并描绘其边界。
• 图像分类： 将图像归类为预定义的类别。
• 姿态估计： 检测并跟踪人体上的关键点。
• 旋转目标检测 (OBB)： 检测带有旋转角度的对象，以获得更高的精度。

有关每项任务的详细信息，请参阅 Detection、Instance Segmentation、Classification、Pose Estimation 和 Oriented Detection 文档。

YOLO11 如何在减少参数的同时实现更高的准确率？

YOLO11 通过模型设计和优化技术的进步，在减少参数的同时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，使其在类似 COCO 的数据集上获得更高的平均精度 (mAP)，同时参数比 YOLOv8m 少 22%。这使得 YOLO11 在不牺牲准确率的情况下实现了计算高效，非常适合在资源受限的设备上部署。

YOLO11 可以部署在边缘设备上吗？

是的，YOLO11 专为跨各种环境（包括边缘设备）的适应性而设计。其优化的架构和高效的处理能力使其适合在边缘设备、云平台以及支持 NVIDIA GPU 的系统上部署。这种灵活性确保了 YOLO11 可以应用于多种场景，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 Export 文档。