Yolov11发布文档

代码链接

了解Ultralytics YOLO11的所有突破性功能，这是我们最新的人工智能模型，具有无与伦比的准确性和效率。

我们很高兴向大家介绍Ultralytics型号的下一次进化：YOLO11！YOLO11建立在以前YOLO模型版本令人印象深刻的进步的基础上，带来了一系列强大的功能和优化，使其更快、更准确和令人难以置信的多功能性。Ultralytics家族的这一最新成员在YOLO Vision 2024(YV24)活动上宣布，这是Ultralytics人工智能专家、创新者和开发人员的年度混合聚会，旨在重新定义计算机视觉的可能性。

凭借其创新的架构，YOLO11可用于各种计算机视觉任务，从实时目标检测检测到分类，使其成为开发人员和研究人员的游戏规则改变者。主要改进包括增强的特征提取以实现更精确的细节捕捉、以更少的参数实现更高的准确性以及更快的处理速度，从而显著提高实时性能。在本文中，我们将仔细看看YOLO11脱颖而出的特性，以及它如何改变您的计算机视觉应用。让我们开始吧！

了解YOLO11

YOLO11标志着YOLO家族的新篇章，是一款功能更强大、功能更丰富的机型，将计算机视觉提升到了新的高度。凭借其重新构建的架构和增强的功能，该模型支持计算机视觉任务，如姿态估计和实例分割，视觉AI社区已经爱上了Ultralytics YOLOv8，但具有更高的性能和精度。Ultralytics创始人兼首席执行官Glenn Jocher分享道：“通过YOLO11，我们开始开发一种既强大又实用的模型，适用于现实世界的应用。它提高的效率和准确性使其成为一个强大的工具，可以适应各种行业面临的独特挑战。我迫不及待地想看看视觉人工智能社区如何使用YOLO11来创建创新的解决方案，并将计算机视觉提升到一个新的水平。”

以下是YOLO11支持的计算机视觉任务的一瞥：
目标检测：识别和定位图像或视频帧中的目标检测，在它们周围绘制边界框，用于监控、自动驾驶和零售分析等应用。
实例分割：它包括识别和分离图像中的单个目标检测，直到像素级别。它对于医学成像和制造业中的缺陷检测等应用非常有用。
图像分类：将整个图像分类到预先定义的类别中，使其成为电子商务或野生动物监测中的产品分类等应用的理想选择。
姿势估计：检测图像或视频帧内的特定关键点以跟踪运动或姿势，有利于身体跟踪、运动分析和医疗保健应用。
定向目标检测（OBB）：检测具有定向角度的目标，允许对旋转目标进行更精确的定位，这对于航空成像、机器人和仓库自动化任务尤其有价值。
目标跟踪：监控和跟踪目标在连续视频帧中的移动，这使得它对于许多实时应用程序至关重要。

是什么让YOLO11与众不同？

YOLO11建立在今年早些时候YOLOv9和YOLOv10中引入的进步之上，结合了改进的架构设计、增强的特征提取技术和优化的训练方法。真正让YOLO11脱颖而出的是其令人印象深刻的速度、准确性和效率的结合，使其成为Ultralytics迄今为止创造的最强大的型号之一。通过改进的设计，YOLO11可以更好地提取特征，这是从图像中识别重要模式和细节的过程，即使在具有挑战性的场景中，也可以更准确地捕捉复杂的方面。

值得注意的是，YOLO11m在COCO数据集上获得了更高的平均精度（mAP）分数，同时使用的参数比YOLOv8m少22%，使其在不牺牲性能的情况下计算更轻。这意味着它可以提供更准确的结果，同时运行效率更高。最重要的是，YOLO11带来了更快的处理速度，推理时间比YOLOv10快2%左右，非常适合实时应用。

它旨在处理复杂的任务，同时更容易使用资源，并旨在提高大规模模型的性能，使其成为要求苛刻的人工智能项目的绝佳选择。增强管道的增强也改善了训练过程，使YOLO11更容易适应不同的任务，无论您是在处理小型项目还是大型应用程序。

事实上，YOLO11在处理能力方面非常高效，非常适合在云和边缘设备上部署，确保跨不同环境的灵活性。简而言之，YOLO11不仅仅是一次升级；这是一个明显更准确、更高效、更灵活的模型，能够更好地应对任何计算机视觉挑战。无论是自动驾驶、监控、医疗成像、智能零售还是工业用例，YOLO11的多功能性足以满足几乎任何计算机视觉应用。

YOLO11已为您的系统和平台做好准备

YOLO11旨在与您已经使用的系统和平台无缝集成。基于YOLOv8提供的支持，YOLO11与各种培训、测试和部署环境兼容。无论您是使用NVIDIA GPU、边缘设备，还是部署在云平台上，YOLO11都经过优化，可以无缝融入您的工作。

这些集成是很好的附加功能，使YOLO11能够适应不同的行业，帮助企业在现有流程中轻松实现该模型。例如，假设您想将YOLO11用于农业，特别是用于作物监测。您可能需要在无人机上部署该模型以实时识别植物健康问题跨越广阔田野。然而，如果您在安全方面，您可能更喜欢将YOLO11与基于云的系统一起使用来监控多个摄像头的目标检测。

用YOLO11赋能AI社区

随着YOLO11的推出，视觉人工智能社区可以期待令人兴奋的进步。由于其增强的准确性和效率，这种新模型有可能转变现有的应用程序并创建新的应用程序。这一进展的一个主要因素是Ultralytics HUB。Ultralytics HUB是一个用户友好的平台，可简化YOLO模型（包括YOLO11）的训练和部署。

Ultralytics HUB允许用户在一个地方上传数据集、访问一系列预训练模型和管理他们的项目，从而简化了开发流程。该中心还支持协作，让团队可以轻松地在人工智能项目上合作。以下是Ultralytics HUB的一些其他关键功能：

云训练：Ultralytics HUB提供无缝的基于云的模型训练，以提高可扩展性和效率。
预训练模型：该平台提供对各种预训练的YOLOv5、YOLOv8和YOLO11模型的访问。
模型导出：训练好的模型可以导出为各种格式进行部署。
集成：Ultralytics HUB与Robo ow、Google Colab和Weights&Biases等平台无缝集成。
详细文档：Ultralytics HUB o ers用户支持综合指南和常见问题解答。
社区支持：一个活跃的Discord社区可供提问和讨论。

凭借该中心直观的设计，经验丰富的开发人员和新手都可以快速上手。随着越来越多的开发人员通过该中心使用YOLO11，我们可以期待高性能应用的激增，这些应用将推动计算机视觉的边界并塑造人工智能技术的未来。

亲身体验YOLO11

就像YOLOv8一样，YOLO11很快就可以通过Ultralytics HUB和Ultralytics Python包进行试用。您可以登录中心或查看我们的快速入门指南，了解如何安装该软件包的分步说明。一旦发布，您将能够探索它的功能，尝试不同的数据集，并查看YOLO11在各种场景中的表现。我们迫不及待地想看到人工智能社区与YOLO11合作，为其开发做出贡献，提供反馈，或在此基础上再接再厉。

无论您是希望优化现有项目的开发人员，还是对创建新应用程序感兴趣的人，您的参与都有助于推动创新。加入讨论，分享您的经验，并与他人合作，释放YOLO11的全部潜力。我们很高兴看到您如何使用YOLO11应对现实世界的挑战，并将您的创意变为现实！

YOLO11开启新篇章

YOLO11是计算机视觉的下一步，结合了令人印象深刻的准确性、速度和效率。在YV24上宣布，其先进的功能使其可用于各种实时应用，从自动驾驶汽车到智能零售解决方案。随着人工智能社区开始探索和使用这种模型，我们很高兴看到YOLO11将推动创新并为生活带来新可能性的创造性方式。如果你想探索人工智能的最新进展，试试YOLO11，看看它如何提升你的计算机视觉项目！

要了解有关人工智能的更多信息，请访问我们的GitHub存储库并加入我们活跃的社区。了解人工智能如何在医疗保健和农业等领域取得长足进步。