Alles, was du über Ultralytics YOLO11 und seine Anwendungen wissen musst

Am Montag, dem 30. September, hat Ultralytics offiziell Ultralytics YOLO11 vorgestellt, die neueste Weiterentwicklung im Bereich der Computer Vision, nachdem das Modell erstmals bei YOLO Vision 2024 (YV24), der jährlichen hybriden Veranstaltung von Ultralytics, präsentiert wurde. Die KI-Community ist begeistert und erkundet eifrig die Möglichkeiten des Modells. Mit schnellerer Verarbeitung, höherer Genauigkeit und Modellen, die sowohl für Edge-Geräte als auch für die Bereitstellung in der Cloud optimiert sind, definiert YOLO11 neu, was in Echtzeitanwendungen der Computer Vision möglich ist.

In einem Interview erklärte der Gründer und CEO von Ultralytics, Glenn Jocher: „Die Welt bewegt sich in Richtung sauberer Energie, aber nicht schnell genug. Wir möchten, dass unsere Modelle mit weniger Epochen, weniger Datenaugmentationen und weniger Daten trainiert werden können, und daran arbeiten wir intensiv. Das kleinste Modell zur Objekterkennung, YOLO11n, hat gerade einmal 2,6 Millionen Parameter – ungefähr so viel wie eine JPEG-Datei. Das ist wirklich verrückt. Das größte Modell zur Objekterkennung, YOLO11x, hat rund 56 Millionen Parameter, und selbst das ist im Vergleich zu anderen Modellen unglaublich klein. Du kannst sie mit etwas Begeisterung und einer Tasse Kaffee auf einer günstigen GPU trainieren, zum Beispiel auf einer fünf Jahre alten GPU von Nvidia.“

In diesem Artikel werfen wir einen genaueren Blick auf Ultralytics YOLO11 und untersuchen seine Funktionen, Verbesserungen, Leistungsbenchmarks und praktischen Anwendungen, damit du verstehst, was dieses Modell leisten kann. Legen wir los!

Ultralytics YOLO11 verstehen: Verbesserungen gegenüber früheren Versionen#

YOLO11 ist die neueste Weiterentwicklung der YOLO-Reihe (You Only Look Once) von Computer-Vision-Modellen und bietet deutliche Verbesserungen gegenüber früheren Versionen wie YOLOv5 und YOLOv8. Das Team von Ultralytics hat Feedback aus der Community und aktuelle Forschungsergebnisse integriert, um YOLO11 schneller, genauer und effizienter zu machen. YOLO11 unterstützt außerdem dieselben Computer-Vision-Aufgaben wie YOLOv8, darunter Objekterkennung, Instanzsegmentierung und Bildklassifizierung. Tatsächlich können Nutzer problemlos zu YOLO11 wechseln, ohne bestehende Arbeitsabläufe ändern zu müssen.

Einer der wichtigsten Vorteile von YOLO11 ist seine überlegene Leistung sowohl bei Genauigkeit als auch bei Geschwindigkeit im Vergleich zu seinen Vorgängern. Mit 22 % weniger Parametern als YOLOv8m erreicht YOLO11m eine höhere mittlere durchschnittliche Präzision (mAP) auf dem COCO-Datensatz. Das bedeutet, dass Objekte präziser und effizienter erkannt werden können. Auch bei der Verarbeitungsgeschwindigkeit übertrifft YOLO11 frühere Modelle und eignet sich damit ideal für Echtzeitanwendungen, bei denen eine schnelle Erkennung und Reaktion entscheidend sind und jede Millisekunde zählt.

Das folgende Benchmark-Diagramm zeigt, wie sich YOLO11 von früheren Modellen abhebt. Auf der horizontalen Achse ist die durchschnittliche Präzision für COCO-Bounding-Boxen (AP) dargestellt, die die Genauigkeit der Objekterkennung misst. Die vertikale Achse zeigt die Latenz mit TensorRT10 FP16 auf einer NVIDIA T4 GPU und gibt an, wie schnell das Modell Daten verarbeitet.

Abb. 1. Ultralytics YOLO11 bietet hochmoderne Funktionen zur Objekterkennung in Echtzeit.

Einführung des Ultralytics-YOLO11-Modells: Open-Source- und Unternehmensoptionen#

Mit der Einführung von Ultralytics YOLO11 erweitert Ultralytics die YOLO-Reihe und bietet sowohl Open-Source-Modelle als auch Unternehmensmodelle, um die wachsende Nachfrage in verschiedenen Branchen zu bedienen.

Abb. 2. Mit dieser Einführung bietet Ultralytics 30 neue Modelle an.

YOLO11 umfasst fünf verschiedene Modellgrößen: Nano, Small, Medium, Large und X. Nutzer können je nach den spezifischen Anforderungen ihrer Computer-Vision-Anwendung das passende Modell auswählen. Die fünf Größen bieten Flexibilität für Aufgaben wie Bildklassifizierung, Objekterkennung, Instanzsegmentierung, Tracking, Posenschätzung und Objekterkennung mit orientierten Begrenzungsrahmen (OBB). Für jede Größe ist ein Modell für jede Aufgabe verfügbar. Insgesamt ergeben sich 25 Open-Source-Modelle, die den Kern des Angebots von Ultralytics bilden. Diese Modelle eignen sich für eine große Bandbreite an Anwendungen, von ressourcenarmen Aufgaben auf Edge-Geräten, bei denen das Modell YOLO11n eine beeindruckende Effizienz bietet, bis hin zu Anwendungen im großen Maßstab, die die Modelle YOLO11l und YOLO11x erfordern.

Zum ersten Mal führt Ultralytics Unternehmensmodelle ein. Dies ist ein wichtiger Meilenstein für unser Produktangebot, und wir freuen uns, diese neuen Entwicklungen mit unseren Nutzern zu teilen. YOLO11 führt fünf proprietäre Modelle ein, die speziell für kommerzielle Anwendungsfälle entwickelt wurden. Diese Unternehmensmodelle, die im nächsten Monat verfügbar sein werden, werden mit dem neuen proprietären Datensatz von Ultralytics trainiert, der aus mehr als 1 Million Bildern besteht und robustere vortrainierte Modelle ermöglicht. Sie wurden für anspruchsvolle Anwendungen in der Praxis entwickelt, etwa für die Analyse medizinischer Bilder und die Verarbeitung von Satellitenbildern, bei denen eine präzise Objekterkennung entscheidend ist.

Die Funktionen der nächsten Generation von Ultralytics YOLO11 erkunden#

Nachdem wir besprochen haben, was Ultralytics YOLO11 bietet, sehen wir uns nun an, was YOLO11 so besonders macht.

Eine der größten Herausforderungen bei der Entwicklung von YOLO11 bestand darin, das richtige Gleichgewicht zwischen konkurrierenden Prioritäten zu finden: Die Modelle sollten kleiner, schneller und genauer werden. Glenn Jocher, Gründer und CEO von Ultralytics, erklärte: „Die Forschung und Entwicklung an YOLO ist wirklich anspruchsvoll, weil du dich in drei verschiedene Richtungen bewegen möchtest: Du willst die Modelle kleiner machen, ihre Genauigkeit erhöhen und sie gleichzeitig auf verschiedenen Plattformen wie CPU und GPU schneller machen. All diese Ziele stehen miteinander in Konflikt, daher musst du Kompromisse eingehen und entscheiden, an welchen Stellen du Änderungen vornimmst.“ Trotz dieser Herausforderungen erreicht YOLO11 ein beeindruckendes Gleichgewicht und bietet gegenüber früheren Versionen wie YOLOv8 Verbesserungen bei Geschwindigkeit und Genauigkeit.

Abb. 3. Beispiel für die Verwendung von Ultralytics YOLO11 zur Objekterkennung.

Ultralytics YOLO11 bietet umfassende Verbesserungen, darunter eine optimierte Merkmalsextraktion durch eine neu gestaltete Backbone- und Neck-Architektur, die zu einer präziseren Objekterkennung führt. Das Modell ist außerdem auf Geschwindigkeit und Effizienz optimiert und ermöglicht kürzere Verarbeitungszeiten bei gleichzeitig hoher Genauigkeit. Darüber hinaus ist YOLO11 äußerst anpassungsfähig und funktioniert nahtlos in unterschiedlichen Umgebungen, etwa auf Edge-Geräten, Cloud-Plattformen und Systemen mit NVIDIA GPUs. Diese Anpassungsfähigkeit macht YOLO11 zur idealen Wahl für Nutzer, die flexible Bereitstellungsoptionen auf unterschiedlichen Hardware-Konfigurationen benötigen – von Mobilgeräten bis hin zu Servern im großen Maßstab.

Echtzeitanwendungen von Ultralytics YOLO11#

Die Vielseitigkeit von Ultralytics YOLO11 macht es zu einem zuverlässigen Werkzeug für zahlreiche Branchen, insbesondere bei komplexen Anwendungsfällen. So funktioniert es nahtlos auf Edge-Geräten und kann für Anwendungen eingesetzt werden, die Echtzeitanalysen in Umgebungen mit begrenzter Rechenleistung erfordern. Ein hervorragendes Beispiel ist das autonome Fahren, bei dem Fahrzeuge in Sekundenbruchteilen Entscheidungen treffen müssen, um alle Beteiligten zu schützen. YOLO11 unterstützt dies, indem es Objekte auf der Straße erkennt und analysiert, etwa Fußgänger oder andere Fahrzeuge, selbst unter schwierigen Bedingungen wie schwachem Licht oder teilweiser Verdeckung. Eine schnelle und präzise Erkennung hilft, Unfälle zu verhindern, und sorgt dafür, dass sich selbstfahrende Fahrzeuge sicher fortbewegen können.

Abb. 4. Glenn Jocher auf der Bühne bei YV24 im Gespräch über Anwendungen von Ultralytics YOLO11.

Ein weiteres interessantes Beispiel für die Vielseitigkeit von Ultralytics YOLO11 ist die Fähigkeit, orientierte Begrenzungsrahmen (OBB) zu verarbeiten. Das ist entscheidend für die Erkennung von Objekten, die nicht perfekt ausgerichtet sind. Die Objekterkennung mit OBB ist besonders in Branchen wie Landwirtschaft, Kartierung und Überwachung nützlich, in denen Bilder häufig gedrehte Objekte enthalten, etwa Nutzpflanzen oder Gebäude in Luft- und Satellitenaufnahmen. Anders als herkömmliche Modelle kann YOLO11 Objekte aus jedem Winkel erkennen und bei Aufgaben, die Präzision erfordern, deutlich genauere Ergebnisse liefern.

Ultralytics YOLO11 für KI-Entwickler: Probiere es selbst aus#

Der Einstieg in YOLO11 ist einfach und zugänglich, unabhängig davon, ob du lieber programmierst oder eine No-Code-Option verwendest. Für die Arbeit mit YOLO11 im Code kannst du das Ultralytics-Python-Paket verwenden, um Modelle einfach zu trainieren und bereitzustellen. Wenn du einen No-Code-Ansatz bevorzugst, kannst du mit der Ultralytics Platform YOLO11 mit nur wenigen Klicks ausprobieren.

Code-Durchgang für Ultralytics YOLO11#

Um YOLO11 mit Python zu verwenden, musst du zunächst das Ultralytics-Paket installieren. Je nach deinen Vorlieben kannst du dafür pip, conda oder Docker verwenden. Ausführliche Anweisungen und bewährte Vorgehensweisen zur Installation findest du in unserem Ultralytics-Installationsleitfaden. Falls bei der Installation der für YOLO11 erforderlichen Pakete Schwierigkeiten auftreten, findest du in unserem Leitfaden zu häufigen Problemen Lösungen und Tipps.

Sobald du das Ultralytics-Paket installiert hast, ist die Verwendung von YOLO11 unkompliziert. Das folgende Codebeispiel führt dich durch das Laden eines Modells, Trainieren des Modells, Testen seiner Leistung und Exportieren in das ONNX-Format. Ausführlichere Beispiele und fortgeschrittene Anwendungsszenarien findest du in der offiziellen Dokumentation von Ultralytics mit detaillierten Anleitungen und bewährten Vorgehensweisen, um YOLO11 optimal zu nutzen.

Abb. 5. Verwendung von YOLO11 über das Ultralytics-Paket.

Für Nutzer, die einen No-Code-Ansatz bevorzugen, bietet die Ultralytics Platform eine einfache Möglichkeit, YOLO11-Modelle mit nur wenigen Klicks zu trainieren und bereitzustellen. Um mit der Ultralytics Platform zu beginnen, erstellst du einfach ein Konto auf der Ultralytics Platform. Anschließend kannst du deine Modelle über eine intuitive Benutzeroberfläche trainieren und verwalten.

Ultralytics YOLO11: Die Zukunft der Vision-KI gestalten#

Die KI-Community entwickelt das Gebiet der Computer Vision kontinuierlich weiter und arbeitet daran, schnellere und genauere Modelle für Anwendungen in der Praxis zu entwickeln. Ultralytics YOLO11 ist ein wichtiger Meilenstein in diesem Bestreben und bietet Verbesserungen bei Geschwindigkeit, Genauigkeit und Flexibilität. Das Modell wurde für Echtzeit- und Edge-Anwendungen entwickelt und eignet sich damit ideal für Branchen wie das Gesundheitswesen und das autonome Fahren. Unabhängig davon, ob du das Ultralytics-Python-Paket oder die No-Code-Lösung Ultralytics Platform verwendest: YOLO11 vereinfacht komplexe Aufgaben im Bereich der Vision-KI. Es bietet leistungsstarke Computer-Vision-Funktionen und ist damit eine hervorragende Wahl für Entwickler und Unternehmen.

Sieh dir unser GitHub-Repository an und werde Teil unserer aktiven Community, um mehr über KI zu erfahren. Entdecke, wie Vision AI Innovationen in Bereichen wie Gesundheitswesen und Landwirtschaft vorantreibt.