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

Am Montag, den 30. September, hat Ultralytics offiziell Ultralytics YOLO11 eingeführt, den neuesten Fortschritt im Bereich Computer Vision, im Anschluss an das Debüt auf der YOLO Vision 2024 (YV24), dem jährlichen hybriden Event von Ultralytics. Die KI-Community ist begeistert und beeilt sich, die Fähigkeiten des Modells zu erkunden. Mit schnellerer Verarbeitung, höherer Genauigkeit und Modellen, die sowohl für Edge-Geräte als auch für Cloud-Deployments optimiert sind, definiert YOLO11 neu, was möglich ist in Echtzeit-Anwendungen für Computer Vision.

In einem Interview teilte der Gründer und CEO von Ultralytics, Glenn Jocher, mit: „Die Welt bewegt sich in Richtung sauberer Energie, aber nicht schnell genug. Wir möchten, dass unsere Modelle in weniger Epochen, mit weniger Augmentierungen und weniger Daten trainierbar sind, daher arbeiten wir hart daran. Das kleinste Objekterkennungsmodell, YOLO11n, hat nur 2,6 Millionen Parameter – etwa die Größe eines JPEG, was wirklich verrückt ist. Das größte Objekterkennungsmodell, YOLO11x, hat etwa 56 Millionen Parameter, und selbst das ist im Vergleich zu anderen Modellen unglaublich klein. Du kannst sie auf einer günstigen GPU trainieren, wie einer fünf Jahre alten NVIDIA GPU, nur mit etwas Begeisterung und ein wenig Kaffee.“

In diesem Artikel werfen wir einen genaueren Blick auf YOLO11 und untersuchen dessen Funktionen, Verbesserungen, Leistungs-Benchmarks und reale Anwendungen, damit du verstehst, was dieses Modell leisten kann. Lass uns anfangen!

Link to this sectionYOLO11 verstehen: Verbesserungen gegenüber früheren Versionen#

YOLO11 ist der neueste Fortschritt in der YOLO (You Only Look Once) Serie von Computer-Vision-Modellen und bietet signifikante Verbesserungen gegenüber früheren Versionen wie YOLOv5 und YOLOv8. Das Team bei Ultralytics hat das Feedback der Community und modernste Forschung einbezogen, um YOLO11 schneller, genauer und effizienter zu machen. YOLO11 unterstützt außerdem dieselben Computer-Vision-Aufgaben wie YOLOv8, einschließlich Objekterkennung, Instanzsegmentierung und Bildklassifizierung. Tatsächlich können Benutzer problemlos auf YOLO11 umsteigen, ohne ihre bestehenden Arbeitsabläufe ändern zu müssen.

Eines der wichtigsten Highlights von YOLO11 ist die überragende Leistung in Bezug auf Genauigkeit und Geschwindigkeit im Vergleich zu seinen Vorgängern. Mit 22 % weniger Parametern als YOLOv8m erreicht YOLO11m eine höhere mittlere durchschnittliche Präzision (mAP) auf dem COCO-Datensatz, was bedeutet, dass es Objekte präziser und effizienter erkennen kann. In Bezug auf die Verarbeitungsgeschwindigkeit übertrifft YOLO11 frühere Modelle und ist damit ideal für Echtzeitanwendungen, bei denen schnelle Erkennung und Reaktion entscheidend sind und jede Millisekunde zählt.

Das untenstehende Benchmark-Diagramm veranschaulicht, wie 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 unter Verwendung von TensorRT10 FP16 auf einer NVIDIA T4 GPU, was angibt, wie schnell das Modell Daten verarbeitet.

Abb. 1. YOLO11 bietet hochmoderne Echtzeit-Objekterkennungsfunktionen.

Link to this sectionYOLO11 Modell-Launch: Open-Source- und Enterprise-Optionen#

Mit dem Start von Ultralytics YOLO11 erweitert Ultralytics die YOLO-Serie durch das Angebot von sowohl Open-Source als auch Enterprise Modellen, um der wachsenden Nachfrage in verschiedenen Branchen gerecht zu werden.

Abb. 2. Mit diesem Start bietet Ultralytics 30 neue Modelle an.

YOLO11 bietet fünf verschiedene Modellgrößen – Nano, Small, Medium, Large und X. Benutzer können das beste Modell je nach den spezifischen Anforderungen ihrer Computer-Vision-Anwendung wählen. Die fünf Größen bieten Flexibilität bei Aufgaben wie Bildklassifizierung, Objekterkennung, Instanzsegmentierung, Tracking, Pose-Schätzung und orientierte Bounding-Box (OBB) Objekterkennung. Für jede Größe gibt es ein Modell für jede Aufgabe, was zu insgesamt 25 Open-Source Modellen führt, die den Kern des Angebots von Ultralytics bilden. Diese Modelle sind ideal für eine breite Palette von Anwendungen, von leichten Aufgaben auf Edge-Geräten, bei denen das YOLO11n-Modell beeindruckende Effizienz bietet, bis hin zu größeren Anwendungen, die die Modelle YOLO11l und YOLO11x erfordern.

Zum ersten Mal stellt Ultralytics Enterprise Modelle vor, was einen wichtigen Meilenstein in unserem Produktangebot darstellt, und wir freuen uns darauf, diese neuen Innovationen mit unseren Nutzern zu teilen. YOLO11 führt fünf proprietäre Modelle ein, die speziell für kommerzielle Anwendungsfälle entwickelt wurden. Diese Enterprise-Modelle, die nächsten Monat verfügbar sein werden, wurden auf dem neuen proprietären Datensatz von Ultralytics trainiert, der aus über 1 Million Bildern besteht, und bieten robustere vortrainierte Modelle. Sie sind für anspruchsvolle, reale Anwendungen konzipiert, wie etwa die Analyse medizinischer Bilder und die Verarbeitung von Satellitenbildern, bei denen eine präzise Objekterkennung entscheidend ist.

Link to this sectionErkundung der YOLO11-Funktionen der nächsten Generation#

Nachdem wir besprochen haben, was YOLO11 bietet, lass uns einen Blick darauf werfen, 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 kleiner, schneller und genauer zu machen. Wie Glenn Jocher, Gründer und CEO von Ultralytics, erklärte: „Die Arbeit an der YOLO-Forschung und -Entwicklung ist wirklich herausfordernd, weil man in drei verschiedene Richtungen gehen möchte: man will die Modelle kleiner machen, man will, dass sie genauer werden, aber man möchte auch, dass sie auf verschiedenen Plattformen wie CPU und GPU schneller sind. All dies sind konkurrierende Interessen, also muss man Kompromisse eingehen und entscheiden, wo man Änderungen vornimmt.“ Trotz dieser Herausforderungen erreicht YOLO11 ein beeindruckendes Gleichgewicht und liefert sowohl Geschwindigkeits- als auch Genauigkeitsverbesserungen gegenüber früheren Versionen wie YOLOv8.

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

YOLO11 bringt wesentliche Verbesserungen wie eine optimierte Merkmalsextraktion mit einer neu gestalteten Backbone- und Neck-Architektur, die zu einer präziseren Objekterkennung führt. Das Modell ist auch auf Geschwindigkeit und Effizienz optimiert und bietet schnellere Verarbeitungszeiten bei gleichbleibend hoher Genauigkeit. Neben diesen Vorteilen ist YOLO11 in verschiedenen Umgebungen hochgradig anpassungsfähig und arbeitet nahtlos auf Edge-Geräten, Cloud-Plattformen und Systemen mit NVIDIA GPUs. Diese Anpassungsfähigkeit macht es zur idealen Wahl für Benutzer, die flexible Deployment-Optionen für verschiedene Hardware-Setups benötigen, von Mobilgeräten bis hin zu großen Servern.

Link to this sectionEchtzeit-Anwendungen von YOLO11#

Die Vielseitigkeit von YOLO11 macht es zu einem zuverlässigen Werkzeug in vielen Branchen, insbesondere wenn es um komplexe Anwendungsfälle geht. Zum Beispiel funktioniert es nahtlos auf Edge-Geräten und kann für Anwendungen eingesetzt werden, die eine Echtzeitanalyse in Umgebungen mit begrenzter Rechenleistung erfordern. Ein hervorragendes Beispiel hierfür ist das autonome Fahren, bei dem Fahrzeuge in Sekundenbruchteilen Entscheidungen treffen müssen, um die Sicherheit aller zu gewährleisten. YOLO11 hilft dabei, Objekte auf der Straße zu erkennen und zu analysieren, wie Fußgänger oder andere Autos, selbst unter schwierigen Bedingungen wie schlechtem Licht oder bei teilweiser Verdeckung. Eine schnelle und genaue Erkennung hilft, Unfälle zu vermeiden und stellt sicher, dass selbstfahrende Fahrzeuge sicher navigieren können.

Abb. 4. Glenn Jocher auf der Bühne der YV24, während er über YOLO11-Anwendungen spricht.

Ein weiteres interessantes Beispiel für die Reichweite von YOLO11 ist seine Fähigkeit, orientierte Bounding-Boxes (OBB) zu verarbeiten. Dies ist unerlässlich für die Erkennung von Objekten, die nicht perfekt ausgerichtet sind. OBB-Objekterkennung ist eine Funktion, die besonders nützlich in Branchen wie Landwirtschaft, Kartierung und Überwachung ist, wo Bilder oft gedrehte Objekte wie Pflanzen oder Gebäude in Luft- oder Satellitenaufnahmen enthalten. Im Gegensatz zu herkömmlichen Modellen kann YOLO11 Objekte in jedem Winkel identifizieren und liefert deutlich genauere Ergebnisse für Aufgaben, die Präzision erfordern.

Link to this sectionYOLO11 für KI-Entwickler: Probiere es selbst aus#

Der Einstieg in YOLO11 ist einfach und zugänglich, egal ob du lieber programmierst oder eine No-Code-Option bevorzugst. Um mit YOLO11 über Code zu arbeiten, kannst du das Ultralytics Python-Paket nutzen, um Modelle einfach zu trainieren und bereitzustellen. Wenn du einen No-Code-Ansatz bevorzugst, lässt dich die Ultralytics Plattform YOLO11 mit nur wenigen Klicks ausprobieren.

Link to this sectionYOLO11 Code-Exkurs#

Um YOLO11 mit Python zu verwenden, musst du zuerst das Ultralytics-Paket installieren. Je nach deinen Vorlieben kannst du dies mit pip, conda oder Docker tun. Für detaillierte Anleitungen und Best Practices bezüglich des Installationsprozesses lies unbedingt unseren Ultralytics Installationsleitfaden. Falls du während der Installation der erforderlichen Pakete für YOLO11 auf Schwierigkeiten stößt, schau in unseren Leitfaden für allgemeine Probleme für Lösungen und Tipps.

Sobald du das Ultralytics-Paket installiert hast, ist die Verwendung von YOLO11 unkompliziert. Das folgende Code-Snippet führt dich durch den Prozess des Ladens eines Modells, Trainierens, Testens der Leistung und des Exportierens in das ONNX-Format. Für tiefergehende Beispiele und fortgeschrittene Nutzung, verweise unbedingt auf die offizielle Ultralytics-Dokumentation, in der du detaillierte Anleitungen und Best Practices findest, um das Beste aus YOLO11 herauszuholen.

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

Für Benutzer, die einen No-Code-Ansatz bevorzugen, bietet die Ultralytics Plattform eine einfache Möglichkeit, YOLO11-Modelle mit nur wenigen Klicks zu trainieren und bereitzustellen. Um mit der Ultralytics Plattform zu starten, erstelle einfach ein Konto auf der Ultralytics Plattform, und du kannst über eine intuitive Benutzeroberfläche mit dem Training und der Verwaltung deiner Modelle beginnen.

Link to this sectionYOLO11: Die Zukunft von Vision-KI gestalten#

Die KI-Community bringt den Bereich Computer Vision stetig voran, indem sie danach strebt, schnellere und genauere Modelle für reale Anwendungen zu entwickeln. Ultralytics YOLO11 ist ein wichtiger Meilenstein in diesem Bestreben und bringt verbesserte Geschwindigkeit, Genauigkeit und Flexibilität. Es wurde für Echtzeit- und Edge-Anwendungen entwickelt und ist damit ideal für Branchen wie das Gesundheitswesen und das autonome Fahren. Egal, ob du das Ultralytics Python-Paket oder die No-Code-Ultralytics-Plattform verwendest, YOLO11 vereinfacht komplexe Vision-KI-Aufgaben. Es liefert leistungsstarke Computer-Vision-Fähigkeiten und macht es zu einer großartigen Wahl für Entwickler und Unternehmen.

Schau dir unser GitHub-Repository an und tritt unserer aktiven Community bei, um mehr über KI zu erfahren. Entdecke, wie Vision-KI Innovationen in Sektoren wie Gesundheitswesen und Landwirtschaft vorantreibt.