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

Am Montag, dem 30. September, hat Ultralytics offiziell Ultralytics YOLO11 vorgestellt, den neuesten Fortschritt im Bereich computer vision, im Anschluss an sein Debüt auf der YOLO Vision 2024 (YV24), der jährlichen Hybridveranstaltung von Ultralytics. Die KI-Community ist voller Begeisterung und stürzt sich darauf, die Fähigkeiten des Modells zu erkunden. Mit schnellerer Verarbeitung, höherer Genauigkeit und Modellen, die sowohl für Edge-Geräte als auch für Cloud-Bereitstellungen optimiert sind, redefiniert YOLO11 das Mögliche in Echtzeit-Computer-Vision-Anwendungen.

In einem Interview teilte Ultralytics-Gründer und CEO Glenn Jocher mit: „Die Welt bewegt sich hin zu clean energy, aber nicht schnell genug. Wir möchten, dass unsere Modelle in weniger Epochen, mit weniger Augmentierungen und weniger Daten trainierbar sind, und deshalb arbeiten wir hart daran. Das kleinste Objekterkennungsmodell, YOLO11n, hat nur 2,6 Millionen Parameter – etwa so groß wie ein JPEG, was wirklich verrückt ist. Das größte object detection-Modell, YOLO11x, hat rund 56 Millionen Parameter, und selbst das ist im Vergleich zu anderen Modellen unglaublich klein. Du kannst sie auf einer günstigen GPU, wie einer fünf Jahre alten NVIDIA-GPU, mit etwas Begeisterung und ein bisschen Kaffee trainieren.“

In diesem Artikel schauen wir uns Ultralytics YOLO11 genauer an und untersuchen seine Funktionen, Verbesserungen, Leistungsbenchmarks und realen Anwendungen, damit du verstehst, was dieses Modell leisten kann. Lass uns anfangen!

Ultralytics YOLO11 verstehen: Verbesserungen gegenüber früheren Versionen#

YOLO11 ist der neueste Fortschritt in der YOLO-Reihe (You Only Look Once) von computer vision models und bietet signifikante Verbesserungen gegenüber vorherigen Versionen wie YOLOv5 und YOLOv8. Das Team bei Ultralytics hat Community-Feedback und modernste Forschung einfließen lassen, um YOLO11 schneller, genauer und effizienter zu machen. YOLO11 unterstützt außerdem dieselben computer vision tasks wie YOLOv8, einschließlich object detection, instance segmentation und image classification. Tatsächlich können Benutzer ganz einfach zu YOLO11 wechseln, ohne bestehende Workflows ändern zu müssen.

Eines der Hauptmerkmale von YOLO11 ist seine überlegene Leistung in Bezug auf Genauigkeit und Geschwindigkeit im Vergleich zu seinen Vorgängern. Mit 22 % weniger Parametern als YOLOv8m erreicht YOLO11m eine höhere mean average precision (mAP) auf dem COCO dataset, was bedeutet, dass es Objekte präziser und effizienter erkennen kann. Was die Verarbeitungsgeschwindigkeit betrifft, übertrifft YOLO11 frühere Modelle und ist damit ideal für Echtzeitanwendungen, bei denen schnelle Erkennung und Reaktion entscheidend sind und jede Millisekunde zählt.

Das Benchmarking-Diagramm unten veranschaulicht, wie sich YOLO11 von früheren Modellen abhebt. Auf der horizontalen Achse zeigt es die COCO Box Average Precision (AP), welche die Genauigkeit der Objekterkennung misst. Die vertikale Achse zeigt die Latenz unter Verwendung von TensorRT10 FP16 auf einer NVIDIA T4 GPU an, was angibt, wie schnell das Modell Daten verarbeitet.

Abb. 1: Ultralytics YOLO11 bietet hochmoderne Echtzeit-Objekterkennungsfunktionen.

Modellstart von Ultralytics YOLO11: Open-Source- und Enterprise-Optionen#

Mit the launch of Ultralytics YOLO11 erweitert Ultralytics die YOLO-Serie durch das Angebot sowohl von open-source als auch von enterprise-Modellen, um der wachsenden Nachfrage über Branchen hinweg 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. Du kannst das beste Modell entsprechend den spezifischen Anforderungen deiner computer vision application auswählen. Die fünf Größen bieten Flexibilität bei Aufgaben wie image classification, object detection, instance segmentation, tracking, pose estimation und oriented bounding boxes (OBB) object detection. Für jede Größe ist ein Modell für jede Aufgabe verfügbar, was insgesamt 25 open-source-Modelle ergibt, die den Kern des Angebots von Ultralytics bilden. Diese Modelle sind ideal für eine Vielzahl von applications, von leichten Aufgaben auf Edge-Geräten, bei denen das Modell YOLO11n eine beeindruckende Effizienz bietet, bis hin zu larger-scale applications, die die Modelle YOLO11l und YOLO11x erfordern.

Zum ersten Mal führt Ultralytics enterprise-Modelle ein, was einen Meilenstein in unserem Produktangebot darstellt, und wir freuen uns, 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 im nächsten Monat verfügbar sein werden, wurden auf dem neuen proprietären dataset von Ultralytics trainiert, das aus über 1 Million Bildern besteht, und bieten robuster gestaltete vortrainierte Modelle. Sie sind für demanding, real-world applications wie medical imagery analysis und satellite image processing entwickelt worden, bei denen eine präzise Objekterkennung von entscheidender Bedeutung ist.

Erkunden der Funktionen der nächsten Generation von Ultralytics YOLO11#

Nachdem wir besprochen haben, was Ultralytics YOLO11 bietet, werfen wir nun einen Blick darauf, was YOLO11 so besonders macht.

Eine der Hauptschwierigkeiten 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: „Working on YOLO research and development ist wirklich anspruchsvoll, weil man in drei verschiedene Richtungen gehen möchte: Man will die Modelle kleiner machen, sie sollen genauer werden, aber man möchte auch, dass sie auf verschiedenen Plattformen wie CPU und GPU schneller sind. All dies sind konkurrierende Interessen, sodass man Kompromisse eingehen und entscheiden muss, wo Änderungen vorgenommen werden.“ Trotz dieser Herausforderungen erreicht YOLO11 ein beeindruckendes Gleichgewicht und liefert sowohl Geschwindigkeits- als auch Genauigkeitsverbesserungen im Vergleich zu früheren Versionen wie YOLOv8.

Fig 3. Ein Beispiel für die Verwendung von Ultralytics YOLO11 zur Objekterkennung.

Ultralytics YOLO11 bringt erhebliche Verbesserungen wie eine verbesserte feature extraction mit einer neu gestalteten Backbone- und Neck-Architektur, was zu einer präziseren Objekterkennung führt. Das Modell ist außerdem auf Geschwindigkeit und Effizienz optimiert und bietet schnellere Verarbeitungszeiten bei gleichbleibend hoher Genauigkeit. Zusätzlich zu diesen Vorteilen ist YOLO11 is highly adaptable in verschiedenen Umgebungen und funktioniert nahtlos auf Edge-Geräten, Cloud-Plattformen und Systemen mit NVIDIA GPUs. Diese Anpassungsfähigkeit macht es zu einer idealen Wahl für Benutzer, die flexible deployment options über verschiedene hardware-Setups hinweg benötigen, von Mobilgeräten bis hin zu großen Servern.

Echtzeit-Anwendungen von Ultralytics YOLO11#

Die Vielseitigkeit von Ultralytics YOLO11 macht es zu einem zuverlässigen Werkzeug in vielen Branchen, insbesondere beim Umgang mit complex use cases. Beispielsweise funktioniert es nahtlos auf Edge-Geräten und kann für applications verwendet werden, die Echtzeitanalysen in Umgebungen mit begrenzter Rechenleistung erfordern. Ein hervorragendes Beispiel dafür ist autonomous driving, wo Fahrzeuge sekundenschnelle Entscheidungen treffen müssen, um alle zu schützen. YOLO11 hilft dabei durch das detecting and analyzing objects on the road wie Fußgänger oder andere Autos, selbst unter schwierigen Bedingungen wie schlechten Lichtverhältnissen oder wenn Dinge teilweise verdeckt sind. Schnelle und präzise Erkennung hilft, Unfälle zu verhindern, und sorgt dafür, dass sich vehicles can navigate safely bewegen können.

Fig 4. Glenn Jocher auf der Bühne bei der YV24 im Gespräch über Ultralytics YOLO11-Anwendungen.

Ein weiteres interessantes Beispiel für die Bandbreite von Ultralytics YOLO11 ist seine Fähigkeit, mit oriented bounding boxes (OBB) umzugehen. Dies ist unerlässlich, um Objekte zu erkennen, die nicht perfekt ausgerichtet sind. OBB-Objekterkennung ist eine Funktion, die besonders in Branchen wie der agriculture, der mapping und der surveillance nützlich ist, wo images often contain rotated objects wie Feldfrüchte oder Gebäude in Luft- oder Satellitenbildern vorkommen. Im Gegensatz zu herkömmlichen Modellen kann YOLO11 Objekte in jedem Winkel identifizieren und viel genauere Ergebnisse für Aufgaben liefern, die Präzision erfordern.

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

Der Einstieg in YOLO11 ist einfach und zugänglich, egal ob du das Programmieren oder eine No-Code-Option bevorzugst. Um mit YOLO11 durch Code zu arbeiten, kannst du das Ultralytics Python package 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-Walkthrough zu Ultralytics YOLO11#

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 Anweisungen und Best Practices im Zusammenhang mit dem Installationsvorgang solltest du unbedingt unseren Ultralytics Installation Guide lesen. Wenn du bei der Installation der erforderlichen Pakete für YOLO11 auf Schwierigkeiten stößt, schaue in unserem Common Issues Guide nach Lösungen und Tipps.

Sobald du das Ultralytics-Paket installiert hast, ist using YOLO11 straightforward. Der folgende Code-Schnipsel führt dich durch den Prozess des loading a model, des training it, des testing its performance und des exporting in das ONNX format. Für vertiefende Beispiele und fortgeschrittene Anwendungen schaue unbedingt in die official Ultralytics documentation, wo du detaillierte guides und Best Practices findest, um getting the most out of YOLO11.

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 get started with Ultralytics Platform, erstelle einfach ein Konto auf der Ultralytics Platform, und du kannst damit beginnen, deine Modelle über eine intuitive Benutzeroberfläche zu trainieren und zu verwalten.

Ultralytics YOLO11: Die Zukunft der 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 trete unserer aktiven Community bei, um mehr über KI zu erfahren. Entdecke, wie Vision-KI Innovationen in Bereichen wie dem Gesundheitswesen und der Landwirtschaft vorantreibt.