Tutto ciò che devi sapere su Ultralytics YOLO11 e le sue applicazioni

Lunedì 30 settembre, Ultralytics ha lanciato ufficialmente Ultralytics YOLO11, il più recente progresso nella computer vision, in seguito al suo debutto a YOLO Vision 2024 (YV24), l'evento ibrido annuale di Ultralytics. La community dell'IA è in fermento mentre si affretta a esplorare le capacità del modello. Con un'elaborazione più rapida, una maggiore precisione e modelli ottimizzati sia per i dispositivi edge che per il cloud deployment, YOLO11 ridefinisce ciò che è possibile nelle applicazioni di computer vision in tempo reale.

In un'intervista, il fondatore e CEO di Ultralytics Glenn Jocher ha condiviso: "Il mondo si sta muovendo verso l'energia pulita, ma non abbastanza velocemente. Vogliamo che i nostri modelli siano addestrabili in meno epoche, con meno augmentations e meno dati, quindi stiamo lavorando duramente su questo. Il modello di object detection più piccolo, YOLO11n, ha solo 2,6 milioni di parametri, circa le dimensioni di un file JPEG, il che è davvero pazzesco. Il modello di object detection più grande, YOLO11x, ha circa 56 milioni di parametri, e anche questo è incredibilmente piccolo rispetto ad altri modelli. Puoi addestrarli su una GPU economica, come una GPU Nvidia di cinque anni fa, con solo un po' di entusiasmo e un po' di caffè."

In questo articolo analizzeremo più da vicino Ultralytics YOLO11, esplorandone le funzionalità, i miglioramenti, i benchmark delle prestazioni e le applicazioni nel mondo reale per aiutarti a capire cosa può fare questo modello. Cominciamo!

Capire Ultralytics YOLO11: Miglioramenti rispetto alle versioni precedenti#

YOLO11 è il progresso più recente nella serie YOLO (You Only Look Once) di modelli di computer vision e offre miglioramenti significativi rispetto alle versioni precedenti come YOLOv5 e YOLOv8. Il team di Ultralytics ha incorporato il feedback della community e la ricerca all'avanguardia per rendere YOLO11 più veloce, più accurato e più efficiente. YOLO11 supporta anche gli stessi compiti di computer vision di YOLOv8, tra cui object detection, segmentazione delle istanze e classificazione delle immagini. Infatti, gli utenti possono passare facilmente a YOLO11 senza dover modificare i flussi di lavoro esistenti.

Uno dei punti di forza chiave di YOLO11 è la sua performance superiore in termini di precisione e velocità rispetto ai suoi predecessori. Con il 22% di parametri in meno rispetto a YOLOv8m, YOLO11m raggiunge una precisione media media (mAP) più elevata sul dataset COCO, il che significa che può rilevare gli oggetti in modo più preciso ed efficiente. In termini di velocità di elaborazione, YOLO11 supera i modelli precedenti, rendendolo ideale per le applicazioni in tempo reale, in cui la rapida rilevazione e risposta sono fondamentali e ogni millisecondo conta.

Il grafico di benchmarking sottostante illustra come YOLO11 si distingue dai modelli precedenti. Sull'asse orizzontale mostra la Precisione Media (AP) del Box COCO, che misura l'accuratezza del rilevamento degli oggetti. L'asse verticale mostra la latenza utilizzando TensorRT10 FP16 su una GPU NVIDIA T4, indicando la velocità con cui il modello elabora i dati.

Fig 1. Ultralytics YOLO11 offre funzionalità di rilevamento di oggetti in tempo reale all'avanguardia.

Lancio del modello Ultralytics YOLO11: Opzioni open-source ed enterprise#

Con il lancio di Ultralytics YOLO11, Ultralytics sta espandendo la serie YOLO offrendo sia modelli open-source che enterprise per soddisfare la crescente domanda in tutti i settori.

Fig 2. Con questo lancio, Ultralytics offre 30 nuovi modelli.

YOLO11 presenta cinque distinte dimensioni di modello: Nano, Small, Medium, Large e X. Gli utenti possono scegliere il modello migliore in base alle esigenze specifiche della loro applicazione di computer vision. Le cinque dimensioni offrono flessibilità in compiti quali classificazione delle immagini, object detection, segmentazione delle istanze, tracking, stima della posa e rilevamento di oggetti con bounding box orientati (OBB). Per ogni dimensione è disponibile un modello per ciascun compito, per un totale di 25 modelli open-source che costituiscono il nucleo dell'offerta di Ultralytics. Questi modelli sono ideali per un'ampia gamma di applicazioni, dai compiti leggeri su dispositivi edge, dove il modello YOLO11n offre un'efficienza straordinaria, alle applicazioni su scala maggiore che richiedono i modelli YOLO11l e YOLO11x.

Per la prima volta, Ultralytics introduce modelli enterprise, segnando una pietra miliare importante nelle nostre offerte di prodotti, e siamo entusiasti di condividere queste nuove innovazioni con i nostri utenti. YOLO11 introduce cinque modelli proprietari progettati specificamente per casi d'uso commerciali. Questi modelli enterprise, che saranno disponibili il mese prossimo, sono addestrati sul nuovo dataset proprietario di Ultralytics, composto da oltre 1 milione di immagini, offrendo modelli pre-addestrati più robusti. Sono progettati per applicazioni impegnative del mondo reale, come l'analisi di immagini mediche e l'elaborazione di immagini satellitari, in cui il rilevamento preciso degli oggetti è fondamentale.

Esplorazione delle funzionalità di nuova generazione di Ultralytics YOLO11#

Ora che abbiamo discusso di ciò che offre Ultralytics YOLO11, diamo un'occhiata a ciò che rende YOLO11 così speciale.

Una delle sfide principali nello sviluppo di YOLO11 è stata trovare il giusto equilibrio tra priorità in competizione: rendere i modelli più piccoli, più veloci e più accurati. Come ha spiegato Glenn Jocher, fondatore e CEO di Ultralytics, “Lavorare sulla ricerca e sviluppo di YOLO è davvero impegnativo perché vuoi andare in tre direzioni diverse: vuoi rendere i modelli più piccoli, vuoi che diventino più accurati, ma vuoi anche che siano più veloci su diverse piattaforme come CPU e GPU. Tutti questi sono interessi in competizione, quindi devi fare dei compromessi e scegliere dove apportare modifiche". Nonostante queste sfide, YOLO11 raggiunge un equilibrio impressionante, offrendo miglioramenti sia in termini di velocità che di precisione rispetto alle versioni precedenti come YOLOv8.

Fig 3. Un esempio di utilizzo di Ultralytics YOLO11 per il rilevamento di oggetti.

Ultralytics YOLO11 offre notevoli miglioramenti come l'estrazione di caratteristiche migliorata con un'architettura di backbone e neck ridisegnata, che porta a un rilevamento degli oggetti più preciso. Il modello è inoltre ottimizzato per velocità ed efficienza, offrendo tempi di elaborazione più rapidi pur mantenendo un'elevata precisione. Oltre a questi vantaggi, YOLO11 è altamente adattabile a diversi ambienti, funzionando senza problemi su dispositivi edge, piattaforme cloud e sistemi che utilizzano GPU NVIDIA. Questa adattabilità lo rende una scelta ideale per gli utenti che necessitano di opzioni di distribuzione flessibili su varie configurazioni hardware, dai dispositivi mobili ai server su larga scala.

Applicazioni in tempo reale di Ultralytics YOLO11#

La versatilità di Ultralytics YOLO11 lo rende uno strumento affidabile in molti settori, specialmente quando si affrontano casi d'uso complessi. Ad esempio, funziona senza problemi su dispositivi edge e può essere utilizzato per applicazioni che richiedono analisi in tempo reale in ambienti con potenza di calcolo limitata. Un eccellente esempio di ciò è la guida autonoma, in cui i veicoli devono prendere decisioni in una frazione di secondo per mantenere tutti al sicuro. YOLO11 aiuta rilevando e analizzando gli oggetti sulla strada, come pedoni o altre auto, anche in condizioni difficili come scarsa illuminazione o quando gli elementi sono parzialmente nascosti. Un rilevamento rapido e accurato aiuta a prevenire gli incidenti e garantisce che i veicoli possano navigare in sicurezza.

Fig 4. Glenn Jocher sul palco a YV24 mentre parla delle applicazioni di Ultralytics YOLO11.

Un altro esempio interessante della gamma di Ultralytics YOLO11 è la sua capacità di gestire bounding box orientati (OBB). È essenziale per rilevare oggetti che non sono perfettamente allineati. Il rilevamento di oggetti OBB è una funzione particolarmente utile in settori come agricoltura, cartografia e sorveglianza, in cui le immagini contengono spesso oggetti ruotati come coltivazioni o edifici in immagini aeree o satellitari. A differenza dei modelli tradizionali, YOLO11 può identificare oggetti a qualsiasi angolazione e fornire risultati molto più accurati per attività che richiedono precisione.

Ultralytics YOLO11 per gli sviluppatori di IA: prova tu stesso#

Iniziare con YOLO11 è semplice e accessibile, sia che tu preferisca la programmazione o un'opzione no-code. Per lavorare con YOLO11 tramite codice, puoi utilizzare il pacchetto Python di Ultralytics per addestrare e distribuire facilmente i modelli. Se preferisci un approccio no-code, Ultralytics Platform ti consente di provare YOLO11 con pochi clic.

Panoramica del codice di Ultralytics YOLO11#

Per utilizzare YOLO11 con Python, dovrai prima installare il pacchetto Ultralytics. A seconda delle tue preferenze, puoi farlo usando pip, conda o Docker. Per istruzioni dettagliate e best practices relative al processo di installazione, assicurati di consultare la nostra Guida all'installazione di Ultralytics. Durante l'installazione dei pacchetti richiesti per YOLO11, se incontri difficoltà, fai riferimento alla nostra Guida ai problemi comuni per soluzioni e suggerimenti.

Una volta installato il pacchetto Ultralytics, usare YOLO11 è semplice. Il seguente snippet di codice ti guida attraverso il processo di caricamento di un modello, addestramento, test delle performance ed esportazione nel formato ONNX. Per esempi più approfonditi e un utilizzo avanzato, assicurati di fare riferimento alla documentazione ufficiale di Ultralytics, dove troverai guide dettagliate e best practices per ottenere il massimo da YOLO11.

Fig 5. Utilizzo di YOLO11 tramite il pacchetto Ultralytics.

Per gli utenti che preferiscono un approccio no-code, Ultralytics Platform offre un modo semplice per addestrare e distribuire modelli YOLO11 con pochi clic. Per iniziare con Ultralytics Platform, basta creare un account su Ultralytics Platform e puoi iniziare ad addestrare e gestire i tuoi modelli tramite un'interfaccia intuitiva.

Ultralytics YOLO11: dare forma al futuro della visione artificiale#

La community dell'IA sta costantemente facendo avanzare il campo della computer vision cercando di sviluppare modelli più veloci e accurati per le applicazioni del mondo reale. Ultralytics YOLO11 è un'importante pietra miliare in questo sforzo, portando maggiore velocità, precisione e flessibilità. È progettato per applicazioni in tempo reale e edge, rendendolo ideale per settori come l'assistenza sanitaria e la guida autonoma. Che tu stia utilizzando il pacchetto Python di Ultralytics o la piattaforma no-code di Ultralytics, YOLO11 semplifica le complesse attività di vision IA. Offre potenti capacità di computer vision, rendendolo un'ottima scelta per sviluppatori e aziende.

Dai un'occhiata al nostro repository GitHub e unisciti alla nostra community attiva per saperne di più sull'IA. Esplora come la vision AI sta guidando l'innovazione in settori come la sanità e l'agricoltura.