Ultralytics YOLO11

概述

YOLO11 是 UltralyticsYOLO 是实时物体检测器系列中的最新产品，以最先进的精度、速度和效率重新定义了可能实现的目标。在之前YOLO 版本令人印象深刻的进步基础上，YOLO11 在架构和训练方法上进行了重大改进，使其成为广泛的计算机视觉任务的多功能选择。

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 已发布🚀

主要功能

• 增强型特征提取： YOLO11 采用改进的骨干和颈部架构，增强了特征提取能力，从而实现更精确的目标检测和复杂任务性能。
• 优化效率和速度： YOLO11 引入了完善的架构设计和优化的训练管道，提供更快的处理速度，并在准确性和性能之间保持最佳平衡。
• 参数更少，精度更高：随着模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的平均精度(mAP)，同时使用的参数比YOLOv8m 减少了 22%，从而在不影响精度的情况下提高了计算效率。
• 跨环境适应性： YOLO11 可在各种环境中无缝部署，包括边缘设备、云平台和支持NVIDIA GPU 的系统，确保最大的灵活性。
• 支持的任务范围广泛：无论是对象检测、实例分割、图像分类、姿态估计，还是面向对象检测 (OBB)，YOLO11 都能应对各种计算机视觉挑战。

支持的任务和模式

YOLO11 YOLOv8 中推出的多功能型号系列的基础上，为各种计算机视觉任务提供更强的支持：

本表概述了YOLO11 模型的各种变体，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 适用于计算机视觉领域的各种应用，从实时检测到复杂的分割任务。

性能指标

使用示例

本节提供了简单的YOLO11 训练和推理示例。有关这些模式和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，下面的示例是YOLO11 Detect模型用于对象检测。有关其他支持的任务，请参阅 "分割"、"分类"、"OBB"和 "姿势"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

引用和致谢

如果您在工作中使用YOLO11 或本资源库中的任何其他软件，请使用以下格式引用：

@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, 0000-0002-7603-6750, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

请注意，DOI 尚未公布，一旦公布，将添加到引文中。YOLO11 模型是根据 AGPL-3.0和企业许可证提供。

常见问题

Ultralytics YOLO11 与以前的版本相比有哪些主要改进？

Ultralytics YOLO11 与前代产品相比，该版本有多项重大改进。主要改进包括

• 增强型特征提取： YOLO11 采用改进的骨干和颈部结构，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：经过改进的架构设计和优化的训练管道可提供更快的处理速度，同时保持准确性和性能之间的平衡。
• 参数更少，精度更高：与YOLOv8m 相比，YOLO11m 在 COCO 数据集上实现了更高的平均精确度(mAP)，而参数数量却减少了 22%，这使其在不影响精确度的前提下提高了计算效率。
• 跨环境适应性： YOLO11 可在各种环境中部署，包括边缘设备、云平台和支持NVIDIA GPU 的系统。
• 支持的任务范围广泛： YOLO11 支持多种计算机视觉任务，如物体检测、实例分割、图像分类、姿态估计和定向物体检测 (OBB)。

如何训练用于物体检测的YOLO11 模型？

使用Python 或CLI 命令可以训练YOLO11 模型进行物体检测。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Train文档。

YOLO11 模型可以执行哪些任务？

YOLO11 模型用途广泛，可支持多种计算机视觉任务，包括

• 物体检测：识别和定位图像中的物体。
• 实例分割：检测对象并划定其边界。
• 图像分类：将图像分为预定义的类别。
• 姿势估计：检测和跟踪人体关键点
• 定向物体检测 (OBB)：通过旋转来检测物体，精度更高。

有关各项任务的更多信息，请参阅检测、实例分割、分类、姿势估计和定向检测文档。

YOLO11 如何用更少的参数实现更高的精度？

YOLO11 通过对模型设计和优化技术的改进，该系统以更少的参数实现了更高的精度。改进后的架构可实现高效的特征提取和处理，从而在 COCO 等数据集上实现更高的平均精度（mAP），同时使用的参数比YOLOv8m 少 22%。这使得YOLO11 在不影响精度的情况下实现了计算效率，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 设计用于适应各种环境，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情，请参阅导出文档。

📅 Created 2 months ago ✏️ Updated 0 days ago

评论