Ultralytics YOLO11 任务
YOLO11 是一个支持多种计算机视觉 任务的人工智能框架。该框架可用于执行检测、分割、obb、分类和姿态估计。每种任务都有不同的目标和用例。
观看： 探索Ultralytics YOLO 任务： 物体检测分段、OBB、跟踪和姿态估计。
检测
检测是YOLO11 支持的主要任务。它包括检测图像或视频帧中的物体，并在其周围绘制边界框。YOLO11 可在单幅图像或视频帧中高精度、高速度地检测多个物体。
细分
分割是一项根据图像内容将图像分割成不同区域的任务。每个区域根据其内容分配一个标签。这项任务在图像分割和医学成像等应用中非常有用。YOLO11 使用 U-Net 架构的一个变体来执行分割。
分类
YOLO11 可用于根据图像内容对图像进行分类。它使用 EfficientNet 架构的一种变体来执行分类。
姿势
姿势/关键点检测是一项涉及检测图像或视频帧中特定点的任务。这些点被称为关键点，用于跟踪运动或姿势估计。YOLO11 可以高精度、高速度地检测图像或视频帧中的关键点。
OBB
YOLO11 可以高精度、高速度地检测图像或视频帧中的旋转物体。
结论
YOLO11 支持多种任务，包括检测、分割、分类、面向对象检测和关键点检测。每种任务都有不同的目标和用例。通过了解这些任务之间的差异，您可以为计算机视觉应用选择合适的任务。
常见问题
Ultralytics YOLO11 可以执行哪些任务？
Ultralytics YOLO11 是一个通用的人工智能框架，能够高精度、高速度地执行各种计算机视觉任务。这些任务包括
- 检测通过绘制图像或视频帧周围的边界框来识别和定位图像或视频帧中的物体。
- 分割：根据图像内容将图像分割成不同区域，适用于医学成像等应用。
- 分类：利用 EfficientNet 架构的变体，根据图像内容对整个图像进行分类。
- 姿势估计：检测图像或视频帧中的特定关键点，以跟踪运动或姿势。
- 方向物体检测 (OBB)：检测旋转物体时增加一个方向角，以提高准确性。
如何使用Ultralytics YOLO11 进行物体检测？
要使用Ultralytics YOLO11 进行物体检测，请按照以下步骤操作：
- 以适当的格式准备数据集。
- 使用检测任务训练YOLO11 模型。
- 通过输入新图像或视频帧，利用模型进行预测。
示例
from ultralytics import YOLO
# Load a pre-trained YOLO model (adjust model type as needed)
model = YOLO("yolo11n.pt") # n, s, m, l, x versions available
# Perform object detection on an image
results = model.predict(source="image.jpg") # Can also use video, directory, URL, etc.
# Display the results
results[0].show() # Show the first image results
有关更详细的说明，请查看我们的检测示例。
使用YOLO11 进行细分任务有什么好处？
使用YOLO11 进行分割任务有几个优势：
- 高精确度：分割任务利用 U-Net 架构的变体实现精确分割。
- 速度： YOLO11 针对实时应用进行了优化，即使是高分辨率图像也能快速处理。
- 多种应用：它是医疗成像、自动驾驶和其他需要详细图像分割的应用的理想选择。
在 "细分 "部分了解更多YOLO11 在细分方面的优势和用例。
Ultralytics YOLO11 能否处理姿势估计和关键点检测？
是的，Ultralytics YOLO11 可以高精度、高速度地有效执行姿势估计和关键点检测。YOLO11 可检测图像或视频帧中的关键点，从而进行精确的姿势估计。
有关详细信息和实施技巧，请访问我们的姿势估计示例。
为什么要选择Ultralytics YOLO11 进行面向对象检测 (OBB)？
带有YOLO11 的定向物体检测 (OBB) 通过检测带有附加角度参数的物体来提高精度。该功能适用于需要对旋转物体进行精确定位的应用，如航空图像分析和仓库自动化。
- 提高精确度：角度组件可减少旋转物体的误报。
- 应用广泛：适用于地理空间分析、机器人等任务。
请查看定向对象检测部分，了解更多详情和示例。
