Ultralytics YOLO11#
概述#
Ultralytics 于 2024 年 9 月 27 日发布了 YOLO11，在准确率、速度和效率方面较之前的版本有所提升。在早期 YOLO 版本的基础上，YOLO11 改进了架构和训练方法，使其成为适用于各种计算机视觉任务的多用途选择。最新的 Ultralytics 模型 YOLO26 增加了端到端、无需 NMS 的推理和优化后的边缘部署能力。
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
在 Ultralytics Platform 上直接探索并运行 YOLO11 模型。
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 采用改进的架构设计和优化的训练流程，在兼顾精度与性能的同时，实现更快的处理速度。
- 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。
- 适应各种环境：YOLO11 可部署在多种环境中，包括边缘设备、云平台和支持 NVIDIA GPU 的系统。
- 支持广泛的任务：YOLO11 支持目标检测、实例分割、图像分类、姿态估计和有向目标检测（OBB）。
支持的任务和模式#
YOLO11 在早期 Ultralytics YOLO 系列模型的基础上，支持以下计算机视觉任务：
| 模型 | 文件名 | 任务 | 训练 | 验证 | 推理 | 导出 |
|---|---|---|---|---|---|---|
| YOLO11 | yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt | 检测 | ✅ | ✅ | ✅ | ✅ |
| YOLO11-seg | yolo11n-seg.pt yolo11s-seg.pt yolo11m-seg.pt yolo11l-seg.pt yolo11x-seg.pt | 实例分割 | ✅ | ✅ | ✅ | ✅ |
| YOLO11-cls | yolo11n-cls.pt yolo11s-cls.pt yolo11m-cls.pt yolo11l-cls.pt yolo11x-cls.pt | 分类 | ✅ | ✅ | ✅ | ✅ |
| YOLO11-pose | yolo11n-pose.pt yolo11s-pose.pt yolo11m-pose.pt yolo11l-pose.pt yolo11x-pose.pt | 姿态/关键点 | ✅ | ✅ | ✅ | ✅ |
| YOLO11-obb | yolo11n-obb.pt yolo11s-obb.pt yolo11m-obb.pt yolo11l-obb.pt yolo11x-obb.pt | 定向检测 | ✅ | ✅ | ✅ | ✅ |
本表概述了 YOLO11 的模型变体、对应任务，以及与训练、验证、推理和导出模式的兼容性。
性能指标#
使用示例#
下面的示例在 COCO8 示例数据集上训练 YOLO11 检测模型，以执行目标检测。
PyTorch 预训练的 *.pt 模型以及配置 *.yaml 文件都可以传递给 YOLO() 类，从而在 Python 中创建模型实例：
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#
Ultralytics YOLO11 相较于 YOLOv8 带来了多项改进。主要改进包括：
- 增强特征提取能力：YOLO11 采用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。
- 优化效率和速度：改进的架构设计和优化后的训练流程提升了处理速度，同时保持精度与性能之间的平衡。
- 参数更少，精度更高：YOLO11m 在 COCO 数据集上的平均精度均值（mAP）更高，参数量却比 YOLOv8m 少 22%，因此计算效率更高，且不影响精度。
- 适应多种环境：YOLO11 可部署在各种环境中，包括边缘设备、云平台以及支持 NVIDIA GPU 的系统。
- 支持多种任务：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、姿态估计和旋转框目标检测（OBB）。
你可以使用 Python 或 CLI 命令训练用于目标检测的 YOLO11 模型。以下是这两种方法的示例：
示例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)如需更详细的说明，请参阅训练文档。
YOLO11 通过改进模型设计和优化技术，在减少参数量的同时提高了精度。改进后的架构能够高效地提取和处理特征，因此在 COCO 等数据集上取得了更高的平均精度均值（mAP），参数量却比 YOLOv8m 少 22%。这使 YOLO11 在不牺牲精度的情况下具备较高的计算效率，适合部署在资源受限的设备上。
可以。YOLO11 的高效架构适合部署到边缘设备、云平台以及支持 NVIDIA GPU 的系统，因此可用于各种应用，从移动设备上的实时检测到云环境中的复杂分割任务。