Link to this sectionUltralytics YOLO11#

Link to this section概述#

YOLO11 由 Ultralytics 于 2024 年 9 月 10 日发布，提供了出色的 准确率、速度和效率。YOLO11 在此前各版本 YOLO 的显著进步基础上，在架构和训练方法上进行了重大改进，使其成为处理多种 计算机视觉 任务的通用选择。有关具有端到端无 NMS 推理及优化边缘部署功能的最新 Ultralytics 模型，请参阅 YOLO26。

Link to this section主要特性#

• 增强的特征提取： YOLO11 采用了改进的 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和更复杂的任务表现。
• 针对效率和速度进行优化： YOLO11 引入了精简的架构设计和优化的训练管线，在保持准确性和性能之间最佳平衡的同时，提供了更快的处理速度。
• 以更少参数获得更高准确率： 得益于模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的 平均精度均值 (mAP)，同时比 YOLOv8m 减少了 22% 的参数，在不牺牲准确性的前提下实现了计算高效。
• 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、云平台以及支持 NVIDIA GPU 的系统，确保了最大的灵活性。
• 广泛的支持任务： 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 旨在满足各类计算机视觉挑战。

Link to this section支持的任务和模式#

YOLO11 在早期 Ultralytics YOLO 版本建立的多功能模型范围基础上进行了扩展，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 YOLO11 适用于从实时检测到复杂分割任务的广泛计算机视觉应用。

Link to this section性能指标#

Link to this section使用示例#

本节提供简单的 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 预测、训练、验证 和 导出 文档页面。

请注意，以下示例适用于 YOLO11 检测 模型，用于 目标检测。有关其他受支持的任务，请参阅 分割、分类、OBB 和 姿态估计 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")

Link to this section引用与致谢#

如果你在工作中使用 YOLO11 或本存储库中的任何其他软件，请使用以下格式进行引用：

@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。

Link to this section常见问题解答#

Link to this section与 YOLOv8 相比，Ultralytics YOLO11 有哪些关键改进？#

相比 YOLOv8，Ultralytics YOLO11 引入了多项重大改进。关键改进包括：

• 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，从而实现更精确的目标检测。
• 优化了效率和速度： 精细的架构设计和优化的训练流程提供了更快的处理速度，同时保持了精度和性能之间的平衡。
• 在更少参数下实现更高精度： 与 YOLOv8m 相比，YOLO11m 在 COCO 数据集上实现了更高的平均 精度 (mAP)，且参数减少了 22%，使其在不牺牲精度的情况下更具计算效率。
• 跨环境的适应性： 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。
• 广泛的支持任务： 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)。

Link to this section如何训练用于目标检测的 YOLO11 模型？#

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：

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 训练 文档。

Link to this sectionYOLO11 模型可以执行哪些任务？#

YOLO11 模型功能多样，支持广泛的计算机视觉任务，包括：

• 目标检测： 在图像中识别和定位对象。
• 实例分割： 检测对象并描绘其边界。
• 图像分类： 将图像分类为预定义的类别。
• 姿态估计： 检测和跟踪人体上的关键点。
• 旋转目标检测 (OBB)： 通过旋转检测对象以获得更高的精度。

有关每项任务的更多信息，请参阅 检测、实例分割、分类、姿态估计 和 旋转检测 文档。

Link to this sectionYOLO11 如何在参数更少的情况下实现更高的精度？#

YOLO11 通过模型设计和优化技术的进步，在参数更少的情况下实现了更高的精度。改进的架构实现了高效的特征提取和处理，使其在类似 COCO 的数据集上实现了更高的平均精度 (mAP)，同时比 YOLOv8m 减少了 22% 的参数。这使得 YOLO11 在不牺牲精度的情况下提高了计算效率，从而适用于资源受限的设备部署。

Link to this sectionYOLO11 可以部署在边缘设备上吗？#

是的，YOLO11 专为各种环境下的适应性而设计，包括边缘设备。其优化的架构和高效的处理能力使其适用于边缘设备、云平台以及支持 NVIDIA GPU 的系统。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 导出 文档。