在計算機視覺領域，目標檢測、實例分割、圖像分類等任務一直是研究和應用的熱點。Ultralytics YOLO系列以其高效、準確的特點在該領域占據(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和創(chuàng)新，進一步提升了模型在各種計算機視覺任務中的性能。

一、概述

YOLO11是Ultralytics YOLO系列實時目標檢測器的最新版本，它基于之前YOLO版本的顯著進步進行構(gòu)建，在架構(gòu)和訓練方法上引入了重大改進，從而成為了廣泛計算機視覺任務的通用選擇。

二、關(guān)鍵特性

1、增強的特征提取

YOLO11采用了改進的骨干網(wǎng)絡和頸部架構(gòu)，這極大地增強了特征提取能力，從而實現(xiàn)更精確的目標檢測以及復雜任務的執(zhí)行。例如，在處理包含多個小目標的圖像時，能夠更清晰地捕捉到目標的特征，提高檢測的準確率。

2、效率和速度的優(yōu)化

• 其引入了精細的架構(gòu)設計和優(yōu)化的訓練流程，不僅能夠提供更快的處理速度，還在準確性和性能之間保持了最佳平衡。這使得它在實時性要求較高的應用場景中表現(xiàn)出色，如視頻監(jiān)控中的目標實時檢測。
• 通過對比不同模型在不同硬件上的運行速度數(shù)據(jù)可以清晰地看到這種優(yōu)勢。例如，在CPU ONNX環(huán)境下，YOLO11n的檢測速度為56.1 ± 0.8 ms，而在T4 TensorRT10環(huán)境下，速度更是達到了1.5 ± 0.0 ms。

3、更少參數(shù)實現(xiàn)更高精度

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

4、環(huán)境適應性強

YOLO11可以無縫地部署在各種環(huán)境中，包括邊緣設備、云平臺以及支持NVIDIA GPU的系統(tǒng)。這種靈活性確保了它能在不同的應用場景中發(fā)揮作用，從移動設備上的實時檢測到云環(huán)境中的復雜分割任務都能勝任。

5、廣泛的任務支持

無論是目標檢測、實例分割、圖像分類、姿態(tài)估計還是有向目標檢測（OBB），YOLO11都能應對各種計算機視覺挑戰(zhàn)。例如，在姿態(tài)估計任務中，可以準確地檢測和跟蹤人體的關(guān)鍵點。

三、支持的任務和模式

1、目標檢測

YOLO11系列中的YOLO11模型（包括yolo11n.pt、yolo11s.pt、yolo11m.pt、yolo11l.pt、yolo11x.pt等變體）可用于目標檢測任務，在推理、驗證、訓練和導出等操作模式上都具有良好的兼容性。

2、實例分割

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

3、圖像分類

YOLO11 - cls系列模型可對圖像進行分類，將其歸入預定義的類別中。

4、姿態(tài)估計

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

5、有向目標檢測

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

四、性能指標

• 目標檢測（COCO數(shù)據(jù)集）：不同變體的模型在尺寸為640像素時，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，不同硬件環(huán)境下的速度和參數(shù)數(shù)量也各有差異。
• 實例分割（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準確率以及速度、參數(shù)和FLOPs等指標也各不相同。
• 姿態(tài)估計（COCO數(shù)據(jù)集）：同樣在640像素時，各模型在pose50 - 95和pose50的mAP值以及速度、參數(shù)和FLOPs等方面有相應的數(shù)據(jù)。
• 有向目標檢測（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行模型加載、訓練和推理：

from ultralytics import YOLO


# 加載一個COCO預訓練的YOLO11n模型
model = YOLO("yolo11n.pt")


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


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

2、CLI示例

也可以使用命令行直接運行模型：

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


# 加載一個COCO預訓練的YOLO11n模型并在'bus.jpg'圖像上進行推理
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，在計算機視覺領域展現(xiàn)出了巨大的潛力。它的關(guān)鍵特性，如增強的特征提取、效率和速度的優(yōu)化、更少參數(shù)實現(xiàn)更高精度、環(huán)境適應性強以及廣泛的任務支持，使其成為了眾多計算機視覺任務的有力工具。

隨著計算機視覺技術(shù)的不斷發(fā)展，我們期待 YOLO11 能夠在更多的應用場景中發(fā)揮作用，為目標檢測、實例分割、圖像分類、姿態(tài)估計和有向目標檢測等任務提供更高效、更準確的解決方案。它的不斷演進和優(yōu)化，將進一步推動計算機視覺領域的進步，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