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

Am Montag, dem 30. September, veröffentlichte Ultralytics offiziell Ultralytics YOLO11, damals die neueste Weiterentwicklung im Bereich Computer Vision, nachdem das Modell erstmals bei YOLO Vision 2024 (YV24), Ultralytics’ jährlichem hybriden Event, vorgestellt worden war. Die KI-Community begann schnell, die Fähigkeiten des Modells zu erkunden. 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 bei Echtzeitanwendungen im Bereich Computer Vision möglich ist.

In einem Interview sagte Glenn Jocher, Gründer und CEO von Ultralytics: „Die Welt bewegt sich in Richtung sauberer Energie, aber nicht schnell genug. Wir wollen, dass sich unsere Modelle mit weniger Epochen, weniger Augmentierungen und weniger Daten trainieren lassen, und arbeiten deshalb intensiv daran. Das kleinste Modell zur Objekterkennung, YOLO11n, hat gerade einmal 2,6 Millionen Parameter – ungefähr so viel wie eine JPEG-Datei, was wirklich verrückt ist. Das größte Modell zur Objekterkennung, YOLO11x, hat etwa 56 Millionen Parameter und ist selbst damit im Vergleich zu anderen Modellen unglaublich klein. Man kann die Modelle auf einer günstigen GPU trainieren, etwa einer fünf Jahre alten Nvidia-GPU – man braucht nur etwas Begeisterung und ein wenig Kaffee.“

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

Ultralytics YOLO11 verstehen: Verbesserungen gegenüber früheren Versionen#

Bei seiner Veröffentlichung war YOLO11 die neueste Weiterentwicklung der YOLO-Reihe (Du siehst nur einmal) von Computer-Vision-Modellen (inzwischen wurde es durch Ultralytics YOLO26 abgelöst). Das Modell bietet deutliche Verbesserungen gegenüber früheren Versionen wie YOLOv5 und YOLOv8. Das Team von Ultralytics hat Rückmeldungen aus der Community und aktuelle Forschungsergebnisse berücksichtigt, um YOLO11 schneller, genauer und effizienter zu machen. YOLO11 unterstützt außerdem dieselben Computer-Vision-Aufgaben wie YOLOv8, darunter Objekterkennung, Instanzsegmentierung und Bildklassifizierung. Nutzer können problemlos zu YOLO11 wechseln, ohne bestehende Arbeitsabläufe ändern zu müssen.

Zu den wichtigsten Stärken von YOLO11 zählt seine überlegene Genauigkeit und Geschwindigkeit im Vergleich zu seinen Vorgängern. Mit 22 % weniger Parametern als YOLOv8m erzielt YOLO11m auf dem COCO-Datensatz einen höheren Wert für die mittlere Average Precision (mAP). Das bedeutet, dass das Modell Objekte genauer und effizienter erkennen kann. Auch bei der Verarbeitungsgeschwindigkeit übertrifft YOLO11 frühere Modelle. Damit eignet es sich ideal für Echtzeitanwendungen, bei denen schnelle Erkennung und Reaktion entscheidend sind und jede Millisekunde zählt.

Das folgende Benchmark-Diagramm veranschaulicht, wodurch sich YOLO11 von früheren Modellen abhebt. Auf der horizontalen Achse ist die COCO Box Average Precision (AP) dargestellt, die die Genauigkeit der Objekterkennung misst. Die vertikale Achse zeigt die Latenz bei Verwendung von TensorRT 10 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 von Ultralytics YOLO11: Open-Source- und Unternehmensoptionen#

Mit der Einführung von Ultralytics YOLO11 erweitert Ultralytics die YOLO-Reihe um quelloffene und Unternehmensmodelle, um der wachsenden Nachfrage in verschiedenen Branchen gerecht zu werden.

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

YOLO11 gibt es in fünf Modellgrößen: Nano, Small, Medium, Large und X. Nutzer können das passende Modell entsprechend den spezifischen Anforderungen ihrer Computer-Vision-Anwendung auswählen. Die fünf Größen bieten Flexibilität für Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung, die Erkennung orientierter Begrenzungsrahmen (OBB) und Objektverfolgung. Für jede Größe gibt es ein Modell für jede Aufgabe. Insgesamt umfasst das Kernangebot von Ultralytics somit 25 quelloffene Modelle. Diese Modelle eignen sich für zahlreiche Anwendungen – von einfachen Aufgaben auf Edge-Geräten, bei denen YOLO11n eine beeindruckende Effizienz bietet, bis hin zu größeren Anwendungen, die YOLO11l und YOLO11x erfordern.

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

Die Funktionen der nächsten Generation von Ultralytics YOLO11 entdecken#

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

Eine der zentralen Herausforderungen bei der Entwicklung von YOLO11 bestand darin, die richtige Balance 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 rund um YOLO ist wirklich anspruchsvoll, weil man drei unterschiedliche Ziele verfolgt: Man möchte kleinere Modelle, höhere Genauigkeit und zugleich eine schnellere Ausführung auf verschiedenen Plattformen wie CPU und GPU. Diese Ziele stehen miteinander in Konflikt. Deshalb muss man Kompromisse eingehen und entscheiden, wo man Änderungen vornimmt.“ Trotz dieser Herausforderungen bietet YOLO11 eine beeindruckende Balance und verbessert sowohl die Geschwindigkeit als auch die Genauigkeit gegenüber früheren Versionen wie YOLOv8.

Abb. 3. Beispiel für den Einsatz von Ultralytics YOLO11 zur Objekterkennung.

Ultralytics YOLO11 bietet umfassende Verbesserungen, etwa eine optimierte Merkmalsextraktion dank einer neu gestalteten Backbone- und Neck-Architektur, die zu einer präziseren Objekterkennung führt. Das Modell ist außerdem auf Geschwindigkeit und Effizienz optimiert und verarbeitet Daten schneller, ohne dabei Abstriche bei der Genauigkeit zu machen. Darüber hinaus lässt sich YOLO11 flexibel in verschiedenen Umgebungen einsetzen: auf Edge-Geräten, Cloud-Plattformen und Systemen mit NVIDIA-GPUs. Dank dieser Anpassungsfähigkeit ist das Modell ideal für Nutzer, die flexible Bereitstellungsoptionen für unterschiedliche Hardware benötigen – von Mobilgeräten bis hin zu großen Servern.

Echtzeitanwendungen mit Ultralytics YOLO11#

Die Vielseitigkeit von Ultralytics YOLO11 macht das Modell in vielen Branchen zu einem zuverlässigen Werkzeug, insbesondere bei komplexen Anwendungsfällen. So läuft es effizient auf Edge-Geräten und eignet sich für Anwendungen, die Echtzeitanalysen in Umgebungen mit begrenzter Rechenleistung erfordern. Ein hervorragendes Beispiel dafür ist das autonome Fahren, bei dem Fahrzeuge innerhalb von Sekundenbruchteilen Entscheidungen treffen müssen, um alle Beteiligten zu schützen. YOLO11 hilft, indem es Objekte auf der Straße erkennt und analysiert, etwa Fußgänger oder andere Autos – auch unter schwierigen Bedingungen wie schwachem Licht oder teilweiser Verdeckung. Schnelle und präzise Erkennung hilft, Unfälle zu verhindern und gewährleistet, dass selbstfahrende Fahrzeuge sicher navigieren können.

Abb. 4. Glenn Jocher auf der Bühne der YV24 spricht 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 wichtig, um Objekte zu erkennen, die nicht genau ausgerichtet sind. Die Erkennung von Objekten mit OBB ist besonders in Branchen wie der Landwirtschaft, Kartografie und Überwachung nützlich, da Bilder dort häufig gedrehte Objekte wie Nutzpflanzen oder Gebäude in Luft- und Satellitenaufnahmen enthalten. Anders als herkömmliche Modelle kann YOLO11 Objekte in 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 unkompliziert, ganz gleich, ob du lieber programmierst oder eine No-Code-Lösung verwendest. Wenn du YOLO11 mit Code einsetzen möchtest, kannst du mit dem Ultralytics-Python-Paket ganz einfach Modelle trainieren und bereitstellen. Wenn du lieber ohne Code arbeitest, kannst du YOLO11 mit der Ultralytics Platform mit wenigen Klicks ausprobieren.

Schritt-für-Schritt-Anleitung zum Ultralytics-YOLO11-Code#

Um YOLO11 mit Python zu verwenden, musst du zunächst das Ultralytics-Paket installieren. Je nach Vorliebe kannst du dafür pip, conda oder Docker verwenden. Ausführliche Anweisungen und bewährte Vorgehensweisen zur Installation findest du in unserer Ultralytics-Installationsanleitung. Falls bei der Installation der für YOLO11 erforderlichen Pakete Probleme auftreten, findest du Lösungen und Tipps in unserer Anleitung zur Fehlerbehebung.

Sobald du das Ultralytics-Paket installiert hast, kannst du YOLO11 ganz einfach verwenden. Das folgende Codebeispiel führt dich durch den Prozess: ein Modell laden, es trainieren, seine Leistung testen und es in das ONNX-Format exportieren. Ausführlichere Beispiele und fortgeschrittene Anwendungsmöglichkeiten findest du in der offiziellen Ultralytics-Dokumentation. Dort gibt es detaillierte Anleitungen und bewährte Vorgehensweisen, mit denen du YOLO11 optimal nutzen kannst.

Abb. 5. YOLO11 mit dem Ultralytics-Paket verwenden.

Für Nutzer, die einen Ansatz ohne Code bevorzugen, bietet die Ultralytics Platform eine einfache Möglichkeit, YOLO11-Modelle mit nur wenigen Klicks zu trainieren und bereitzustellen. Um mit der Ultralytics Platform loszulegen, erstelle einfach ein Konto auf der Ultralytics Platform. Anschließend kannst du deine Modelle über eine intuitive Benutzeroberfläche trainieren und verwalten.

Ultralytics YOLO11: Die Zukunft der visuellen KI gestalten#

Die KI-Community bringt Computer Vision kontinuierlich voran und entwickelt schnellere, genauere Modelle für Anwendungen in der Praxis. Ultralytics YOLO11 ist ein wichtiger Meilenstein auf diesem Weg und bietet mehr Geschwindigkeit, Genauigkeit und Flexibilität. Das Modell wurde für Echtzeit- und Edge-Anwendungen entwickelt und eignet sich daher ideal für Branchen wie das Gesundheitswesen und das autonome Fahren. Ganz gleich, ob du das Ultralytics-Python-Paket oder die No-Code-Lösung Ultralytics Platform verwendest – YOLO11 vereinfacht komplexe Aufgaben im Bereich visuelle KI. Das Modell bietet leistungsstarke Computer-Vision-Funktionen und ist damit eine gute 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-KI Innovationen in Bereichen wie dem Gesundheitswesen und der Landwirtschaft vorantreibt.