YOLO 版本发布历史回顾
YOLO (You Only Look Once), a popular object detection and image segmentation model, was developed by Joseph Redmon and Ali Farhadi at the University of Washington. Launched in 2015, YOLO quickly gained popularity for its high speed and accuracy.
- 2016 年发布的YOLOv2 通过纳入批量归一化、锚框和维度集群改进了原始模型。
- 2018 年推出的YOLOv3 使用更高效的骨干网络、多锚和空间金字塔池进一步增强了模型的性能。
- YOLOv4 was released in 2020, introducing innovations like Mosaic data augmentation, a new anchor-free detection head, and a new loss function.
- YOLOv5进一步提高了模型的性能，并增加了超参数优化、集成实验跟踪和自动导出为常用导出格式等新功能。
- YOLOv6于 2022 年由美团开源，目前已用于该公司的许多自主配送机器人。
- YOLOv7增加了额外的任务，如 COCO 关键点数据集的姿势估计。
- YOLOv8 released in 2023 by Ultralytics. YOLOv8 introduced new features and improvements for enhanced performance, flexibility, and efficiency, supporting a full range of vision AI tasks,
- YOLOv9 引入了可编程梯度信息 （PGI） 和广义高效层聚合网络 （GELAN） 等创新方法。
- YOLOv10是由清华大学的研究人员使用该软件包创建的。 UltralyticsPython 软件包创建的。该版本通过引入端到端头（End-to-End head），消除了非最大抑制（NMS）要求，实现了实时目标检测的进步。
- YOLO11 NEW 🚀: Ultralytics' latest YOLO models delivering state-of-the-art (SOTA) performance across multiple tasks, including detection, segmentation, pose estimation, tracking, and classification, leverage capabilities across diverse AI applications and domains.
Yolo11核心功能介绍：
Ultralytics YOLOv11 是备受赞誉的实时目标检测和图像分割模型的最新版本。YOLOv11 基于深度学习和计算机视觉领域的最先进进展，提供了无与伦比的速度和精度性能。其简洁的设计使其适用于各种应用场景，并且可以轻松适应从边缘设备到云端 API 的不同硬件平台。
2024.10
Ultralytics 团队自豪地宣布推出 YOLOv11，这是其备受赞誉的实时目标检测和图像分割模型系列的最新版本。YOLOv11 基于最新的深度学习和计算机视觉技术，提供了前所未有的速度和精度。无论您是机器学习专家还是初学者，YOLOv11 都是一个强大且灵活的工具，适用于各种应用场景。本文将结合 Ultralytics 官方文档 的内容，为您详细介绍 YOLOv11 的主要特性和使用方法。
项目地址：ultralytics/ultralytics: Ultralytics YOLO11 🚀 (github.com)
主要特性
速度与精度
- 无与伦比的速度：YOLOv11 在保持高精度的同时，实现了更快的推理速度，适合需要实时处理的应用场景。
- 卓越的准确性：通过优化网络架构和训练策略，YOLOv11 在多个基准数据集上展示了领先的准确率。
多任务支持
- 目标检测：继承了 YOLO 系列在目标检测方面的优势，能够快速准确地识别图像中的物体。
- 图像分割：新增了强大的图像分割功能，能够在像素级别精确划分物体边界。
- 对象跟踪：支持单目标和多目标跟踪，适用于视频流中的持续追踪任务。
灵活性与易用性
- 跨平台兼容：无论是边缘设备、移动设备还是云端服务器，YOLOv11 都能无缝运行。
- 简洁直观的 API：提供易于使用的接口和详细的文档，帮助开发者快速上手并高效开发。
文档概览
入门指南
安装与配置
首先，确保您的开发环境已经安装了必要的依赖项。您可以使用以下命令安装 YOLOv11：
bash
深色版本
pip install ultralytics快速开始
通过简单的示例代码，您可以快速启动您的第一个 YOLOv11 项目。例如，使用预训练模型进行目标检测：
python
深色版本
from ultralytics import YOLO
# 加载预训练模型
model = YOLO('yolov11.pt')
# 进行推理
results = model.predict(source='path/to/image.jpg', save=True)深入指南
模型架构
YOLOv11 采用了最先进的神经网络架构，包括高效的骨干网络、多尺度特征融合以及无锚点机制。这些改进使得 YOLOv11 能够在不同大小的目标上实现更精确的检测。
训练与微调
YOLOv11 支持使用自定义数据集进行训练和微调。您可以按照官方文档中的指导，准备数据集并进行训练：
python
深色版本
# 准备数据集
!yolo data prepare dataset.yaml
# 开始训练
!yolo train data=dataset.yaml model=yolov11.pt epochs=100推理与部署
YOLOv11 提供了多种推理和部署选项，支持从边缘设备到云端的各种硬件平台。您可以根据具体需求选择合适的部署方式，并利用官方提供的工具和脚本简化部署过程。
高级主题
自定义层与模块
如果您需要扩展或定制 YOLOv11，可以参考文档中的高级主题部分，了解如何添加自定义层和模块，以满足特定应用的需求。
性能优化
为了进一步提升模型性能，您可以采用一系列优化技巧，如量化、剪枝和混合精度训练等。官方文档提供了详细的性能优化指南。
结语
Ultralytics YOLOv11 是一个全面而强大的工具，适用于广泛的计算机视觉应用。无论您是希望提高现有系统的性能，还是构建全新的视觉解决方案，YOLOv11 都将为您提供坚实的基础。立即访问 Ultralytics 官方网站 和 Ultralytics 文档，开始您的 YOLOv11 之旅！
