在計(jì)算機(jī)視覺領(lǐng)域，目標(biāo)檢測(cè)、實(shí)例分割、圖像分類等任務(wù)一直是研究和應(yīng)用的熱點(diǎn)。Ultralytics YOLO系列以其高效、準(zhǔn)確的特點(diǎn)在該領(lǐng)域占據(jù)重要地位。YOLO11作為該系列的最新迭代版本，帶來了一系列的改進(jìn)和創(chuàng)新，進(jìn)一步提升了模型在各種計(jì)算機(jī)視覺任務(wù)中的性能。

一、概述

YOLO11是Ultralytics YOLO系列實(shí)時(shí)目標(biāo)檢測(cè)器的最新版本，它基于之前YOLO版本的顯著進(jìn)步進(jìn)行構(gòu)建，在架構(gòu)和訓(xùn)練方法上引入了重大改進(jìn)，從而成為了廣泛計(jì)算機(jī)視覺任務(wù)的通用選擇。

二、關(guān)鍵特性

1、增強(qiáng)的特征提取

YOLO11采用了改進(jìn)的骨干網(wǎng)絡(luò)和頸部架構(gòu)，這極大地增強(qiáng)了特征提取能力，從而實(shí)現(xiàn)更精確的目標(biāo)檢測(cè)以及復(fù)雜任務(wù)的執(zhí)行。例如，在處理包含多個(gè)小目標(biāo)的圖像時(shí)，能夠更清晰地捕捉到目標(biāo)的特征，提高檢測(cè)的準(zhǔn)確率。

2、效率和速度的優(yōu)化

• 其引入了精細(xì)的架構(gòu)設(shè)計(jì)和優(yōu)化的訓(xùn)練流程，不僅能夠提供更快的處理速度，還在準(zhǔn)確性和性能之間保持了最佳平衡。這使得它在實(shí)時(shí)性要求較高的應(yīng)用場(chǎng)景中表現(xiàn)出色，如視頻監(jiān)控中的目標(biāo)實(shí)時(shí)檢測(cè)。
• 通過對(duì)比不同模型在不同硬件上的運(yùn)行速度數(shù)據(jù)可以清晰地看到這種優(yōu)勢(shì)。例如，在CPU ONNX環(huán)境下，YOLO11n的檢測(cè)速度為56.1 ± 0.8 ms，而在T4 TensorRT10環(huán)境下，速度更是達(dá)到了1.5 ± 0.0 ms。

3、更少參數(shù)實(shí)現(xiàn)更高精度

隨著模型設(shè)計(jì)的進(jìn)步，YOLO11m在COCO數(shù)據(jù)集上實(shí)現(xiàn)了更高的平均精度（mAP），同時(shí)相比YOLOv8m使用的參數(shù)減少了22%。這不僅提高了計(jì)算效率，而且沒有犧牲準(zhǔn)確性，使得它在資源受限的設(shè)備上也能有出色的表現(xiàn)。

4、環(huán)境適應(yīng)性強(qiáng)

YOLO11可以無縫地部署在各種環(huán)境中，包括邊緣設(shè)備、云平臺(tái)以及支持NVIDIA GPU的系統(tǒng)。這種靈活性確保了它能在不同的應(yīng)用場(chǎng)景中發(fā)揮作用，從移動(dòng)設(shè)備上的實(shí)時(shí)檢測(cè)到云環(huán)境中的復(fù)雜分割任務(wù)都能勝任。

5、廣泛的任務(wù)支持

無論是目標(biāo)檢測(cè)、實(shí)例分割、圖像分類、姿態(tài)估計(jì)還是有向目標(biāo)檢測(cè)（OBB），YOLO11都能應(yīng)對(duì)各種計(jì)算機(jī)視覺挑戰(zhàn)。例如，在姿態(tài)估計(jì)任務(wù)中，可以準(zhǔn)確地檢測(cè)和跟蹤人體的關(guān)鍵點(diǎn)。

三、支持的任務(wù)和模式

1、目標(biāo)檢測(cè)

YOLO11系列中的YOLO11模型（包括yolo11n.pt、yolo11s.pt、yolo11m.pt、yolo11l.pt、yolo11x.pt等變體）可用于目標(biāo)檢測(cè)任務(wù)，在推理、驗(yàn)證、訓(xùn)練和導(dǎo)出等操作模式上都具有良好的兼容性。

2、實(shí)例分割

YOLO11 - seg系列模型用于實(shí)例分割任務(wù)，同樣涵蓋多種變體，能夠準(zhǔn)確地檢測(cè)物體并描繪出它們的邊界。

3、圖像分類

YOLO11 - cls系列模型可對(duì)圖像進(jìn)行分類，將其歸入預(yù)定義的類別中。

4、姿態(tài)估計(jì)

YOLO11 - pose系列模型用于姿態(tài)估計(jì)，能夠檢測(cè)和跟蹤人體的關(guān)鍵點(diǎn)。

5、有向目標(biāo)檢測(cè)

YOLO11 - obb系列模型用于有向目標(biāo)檢測(cè)，可以檢測(cè)帶有旋轉(zhuǎn)角度的物體，以提高檢測(cè)精度。

四、性能指標(biāo)

• 目標(biāo)檢測(cè)（COCO數(shù)據(jù)集）：不同變體的模型在尺寸為640像素時(shí)，mAP ^{val 50 - 95}的值有所不同。例如，YOLO11n為39.5，YOLO11s為47.0，YOLO11m為51.5等。同時(shí)，不同硬件環(huán)境下的速度和參數(shù)數(shù)量也各有差異。
• 實(shí)例分割（COCO數(shù)據(jù)集）：以640像素為例，各模型在box50 - 95和mask50 - 95的mAP值以及速度、參數(shù)和FLOPs等方面都有詳細(xì)的數(shù)據(jù)體現(xiàn)。
• 圖像分類（ImageNet數(shù)據(jù)集）：在224像素尺寸下，不同模型的top1和top5準(zhǔn)確率以及速度、參數(shù)和FLOPs等指標(biāo)也各不相同。
• 姿態(tài)估計(jì)（COCO數(shù)據(jù)集）：同樣在640像素時(shí)，各模型在pose50 - 95和pose50的mAP值以及速度、參數(shù)和FLOPs等方面有相應(yīng)的數(shù)據(jù)。
• 有向目標(biāo)檢測(cè)（DOTAv1數(shù)據(jù)集）：在1024像素尺寸下，各模型的mAP ^{test50}以及速度、參數(shù)和FLOPs等指標(biāo)也有明確的數(shù)據(jù)展示。

五、使用示例

1、Python示例

可以使用如下代碼進(jìn)行模型加載、訓(xùn)練和推理：

from ultralytics import YOLO


# 加載一個(gè)COCO預(yù)訓(xùn)練的YOLO11n模型
model = YOLO("yolo11n.pt")


# 在COCO8示例數(shù)據(jù)集上訓(xùn)練模型100個(gè)epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)


# 使用YOLO11n模型在'bus.jpg'圖像上進(jìn)行推理
results = model("path/to/bus.jpg")

2、CLI示例

也可以使用命令行直接運(yùn)行模型：

# 加載一個(gè)COCO預(yù)訓(xùn)練的YOLO11n模型并在COCO8示例數(shù)據(jù)集上訓(xùn)練100個(gè)epoch
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640


# 加載一個(gè)COCO預(yù)訓(xùn)練的YOLO11n模型并在'bus.jpg'圖像上進(jìn)行推理
yolo predict model=yolo11n.pt source=path/to/bus.jpg

六、結(jié)語

Ultralytics YOLO11 以其卓越的性能和廣泛的適用性，在計(jì)算機(jī)視覺領(lǐng)域展現(xiàn)出了巨大的潛力。它的關(guān)鍵特性，如增強(qiáng)的特征提取、效率和速度的優(yōu)化、更少參數(shù)實(shí)現(xiàn)更高精度、環(huán)境適應(yīng)性強(qiáng)以及廣泛的任務(wù)支持，使其成為了眾多計(jì)算機(jī)視覺任務(wù)的有力工具。

隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，我們期待 YOLO11 能夠在更多的應(yīng)用場(chǎng)景中發(fā)揮作用，為目標(biāo)檢測(cè)、實(shí)例分割、圖像分類、姿態(tài)估計(jì)和有向目標(biāo)檢測(cè)等任務(wù)提供更高效、更準(zhǔn)確的解決方案。它的不斷演進(jìn)和優(yōu)化，將進(jìn)一步推動(dòng)計(jì)算機(jī)視覺領(lǐng)域的進(jìn)步，為我們帶來更多的創(chuàng)新和驚喜。

本文轉(zhuǎn)載自 ??小兵的AI視界??，作者： 小兵