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

Lunedì 30 settembre, Ultralytics ha lanciato ufficialmente Ultralytics YOLO11, l'ultimo progresso nella computer vision, dopo il suo debutto al YOLO Vision 2024 (YV24), l'evento ibrido annuale di Ultralytics. La community dell'IA è in fermento e si sta affrettando a esplorare le capacità del modello. Con un'elaborazione più veloce, una maggiore precisione e modelli ottimizzati sia per i dispositivi edge che per il cloud, 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 aumentazioni e meno dati, quindi stiamo lavorando duramente su questo. Il modello di rilevamento oggetti più piccolo, YOLO11n, ha solo 2,6 milioni di parametri: circa le dimensioni di un JPEG, il che è davvero pazzesco. Il modello di rilevamento oggetti 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 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. Iniziamo!

Link to this sectionCapire YOLO11: miglioramenti rispetto alle versioni precedenti#

YOLO11 è l'ultimo progresso nella serie di modelli di computer vision YOLO (You Only Look Once) 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 preciso e più efficiente. YOLO11 supporta anche gli stessi compiti di computer vision di YOLOv8, inclusi rilevamento oggetti, segmentazione di istanze e classificazione di immagini. Di fatto, gli utenti possono passare facilmente a YOLO11 senza dover modificare i flussi di lavoro esistenti.

Uno dei punti chiave di YOLO11 è la sua prestazione superiore sia in termini di precisione che di velocità rispetto ai suoi predecessori. Con il 22% di parametri in meno rispetto a YOLOv8m, YOLO11m raggiunge una mean average precision (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 applicazioni in tempo reale, dove il rilevamento rapido e la risposta sono critici e ogni millisecondo conta.

Il grafico di benchmark qui sotto illustra come YOLO11 si distingue dai modelli precedenti. Sull'asse orizzontale, mostra la COCO Box Average Precision (AP), che misura l'accuratezza del rilevamento oggetti. L'asse verticale mostra la latenza utilizzando TensorRT10 FP16 su una NVIDIA T4 GPU, indicando quanto velocemente il modello elabora i dati.

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

Link to this sectionLancio del modello YOLO11: opzioni open-source ed enterprise#

Con il lancio di Ultralytics YOLO11, Ultralytics sta espandendo la serie YOLO offrendo modelli sia 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 diverse dimensioni di modello: Nano, Small, Medium, Large e X. Gli utenti possono scegliere il modello migliore a seconda delle esigenze specifiche della loro applicazione di computer vision. Le cinque dimensioni offrono flessibilità in attività come classificazione di immagini, rilevamento oggetti, segmentazione di istanze, tracking, pose estimation e rilevamento oggetti con oriented bounding boxes (OBB). Per ogni dimensione, è disponibile un modello per ogni attività, risultando in 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, dalle attività leggere su dispositivi edge, dove il modello YOLO11n offre un'efficienza impressionante, alle applicazioni su scala più ampia 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 prossimo mese, 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 nel mondo reale, come l'analisi di immagini mediche e l'elaborazione di immagini satellitari, dove un rilevamento preciso degli oggetti è fondamentale.

Link to this sectionEsplorazione delle funzionalità YOLO11 di nuova generazione#

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

Una delle sfide chiave nello sviluppo di YOLO11 è stata trovare il giusto equilibrio tra priorità contrastanti: rendere i modelli più piccoli, più veloci e più precisi. Come ha spiegato Glenn Jocher, fondatore e CEO di Ultralytics, “Lavorare alla ricerca e allo sviluppo di YOLO è davvero impegnativo perché vuoi andare in tre direzioni diverse: vuoi rendere i modelli più piccoli, vuoi che diventino più precisi, ma vuoi anche che siano più veloci su piattaforme diverse come CPU e GPU. Tutti questi sono interessi contrastanti, quindi devi scendere a 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 YOLO11 per il rilevamento oggetti.

YOLO11 apporta miglioramenti sostanziali come un'estrazione di caratteristiche migliorata con un'architettura backbone e neck riprogettata, portando a un rilevamento oggetti più preciso. Il modello è anche ottimizzato per velocità ed efficienza, offrendo tempi di elaborazione più rapidi pur mantenendo un'elevata precisione. Oltre a questi vantaggi, YOLO11 è altamente adattabile in diversi ambienti, funzionando perfettamente 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.

Link to this sectionApplicazioni YOLO11 in tempo reale#

La versatilità di YOLO11 lo rende uno strumento affidabile in molti settori, specialmente quando si ha a che fare con casi d'uso complessi. Ad esempio, funziona perfettamente su dispositivi edge e può essere utilizzato per applicazioni che richiedono un'analisi in tempo reale in ambienti con potenza di calcolo limitata. Un ottimo esempio è la guida autonoma, in cui i veicoli devono prendere decisioni in frazioni 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 le cose sono parzialmente nascoste. Un rilevamento rapido e preciso aiuta a prevenire incidenti e garantisce che i veicoli a guida autonoma possano navigare in sicurezza.

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

Un altro esempio interessante della gamma di YOLO11 è la sua capacità di gestire oriented bounding boxes (OBB). È essenziale per rilevare oggetti che non sono perfettamente allineati. Il rilevamento oggetti OBB è una funzionalità particolarmente utile in settori come l'agricoltura, la cartografia e la sorveglianza, dove le immagini contengono spesso oggetti ruotati come colture 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 le attività che richiedono precisione.

Link to this sectionYOLO11 per sviluppatori IA: provalo 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.

Link to this sectionProcedura dettagliata del codice YOLO11#

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

Una volta installato il pacchetto Ultralytics, utilizzare YOLO11 è semplice. Il seguente frammento di codice ti guida attraverso il processo di caricamento di un modello, addestramento, test delle prestazioni ed esportazione nel formato ONNX. Per esempi più approfonditi e utilizzi avanzati, assicurati di fare riferimento alla documentazione ufficiale di Ultralytics, dove troverai guide dettagliate e best practice 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 fornisce un modo semplice per addestrare e distribuire modelli YOLO11 con pochi clic. Per iniziare con Ultralytics Platform, crea semplicemente un account sulla piattaforma Ultralytics e potrai iniziare ad addestrare e gestire i tuoi modelli attraverso un'interfaccia intuitiva.

Link to this sectionYOLO11: plasmare il futuro della vision IA#

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'AI. Esplora come la visione AI sta guidando l'innovazione in settori come sanità e agricoltura.