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

Lunedì 30 settembre, Ultralytics ha lanciato ufficialmente Ultralytics YOLO11, l'ultima innovazione nel campo della visione artificiale, dopo il suo debutto a YOLO Vision 2024 (YV24), l'evento ibrido annuale di Ultralytics. La comunità dell'IA è in fermento e si affretta a esplorare le capacità del modello. Grazie a un'elaborazione più rapida, a una maggiore accuratezza e a modelli ottimizzati sia per i dispositivi edge sia per la distribuzione sul cloud, YOLO11 ridefinisce ciò che è possibile nelle applicazioni di visione artificiale in tempo reale.

In un’intervista, il fondatore e CEO di Ultralytics, Glenn Jocher, ha dichiarato: «Il mondo si sta orientando verso l’energia pulita, ma non abbastanza rapidamente. Vogliamo che i nostri modelli possano essere addestrati in meno epoche, con meno augmentation e meno dati, e stiamo lavorando duramente per riuscirci. Il più piccolo modello di rilevamento degli oggetti, YOLO11n, ha appena 2,6 milioni di parametri, più o meno quanto un JPEG: è davvero incredibile. Il più grande modello di rilevamento degli oggetti, YOLO11x, ha circa 56 milioni di parametri, una quantità comunque incredibilmente piccola rispetto ad altri modelli. Puoi addestrarli su una GPU economica, come una GPU Nvidia di cinque anni fa, con 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 del mondo reale per aiutarti a capire cosa può fare questo modello. Cominciamo!

Alla scoperta di Ultralytics YOLO11: i miglioramenti rispetto alle versioni precedenti#

YOLO11 è l’ultimo progresso della serie YOLO (You Only Look Once) di modelli di visione artificiale e offre miglioramenti significativi rispetto alle versioni precedenti, come YOLOv5 e YOLOv8. Il team di Ultralytics ha integrato i feedback della community e le ricerche più recenti per rendere YOLO11 più veloce, accurato ed efficiente. YOLO11 supporta inoltre le stesse attività di visione artificiale di YOLOv8, tra cui il rilevamento degli oggetti, la segmentazione delle istanze e la classificazione delle immagini. Gli utenti possono passare facilmente a YOLO11 senza dover modificare i flussi di lavoro esistenti.

Uno dei principali punti di forza di YOLO11 è la sua superiorità in termini di accuratezza e velocità rispetto ai modelli precedenti. Con il 22% di parametri in meno rispetto a YOLOv8m, YOLO11m raggiunge una precisione media (mAP) più alta sul dataset COCO, riuscendo così a rilevare gli oggetti con maggiore precisione ed efficienza. In termini di velocità di elaborazione, YOLO11 supera i modelli precedenti e risulta ideale per le applicazioni in tempo reale, dove sono fondamentali il rilevamento e la risposta rapidi e ogni millisecondo conta.

Il grafico di benchmark qui sotto mostra come YOLO11 si distingua dai modelli precedenti. L’asse orizzontale mostra la precisione media dei riquadri COCO (AP), che misura l’accuratezza del rilevamento degli oggetti. L’asse verticale mostra la latenza misurata con TensorRT10 FP16 su una GPU NVIDIA T4, indicando la velocità con cui il modello elabora i dati.

Fig. 1. Ultralytics YOLO11 offre funzionalità all’avanguardia per il rilevamento degli oggetti in tempo reale.

Lancio del modello Ultralytics YOLO11: opzioni open source ed enterprise#

Con il lancio di Ultralytics YOLO11, Ultralytics amplia la serie YOLO offrendo modelli open source ed enterprise per rispondere alla crescente domanda dei diversi settori.

Fig. 2. Con questo lancio, Ultralytics mette a disposizione 30 nuovi modelli.

YOLO11 è disponibile in cinque dimensioni: Nano, Small, Medium, Large e X. Gli utenti possono scegliere il modello più adatto alle esigenze specifiche della propria applicazione di visione artificiale. Le cinque dimensioni offrono flessibilità per attività come la classificazione delle immagini, il rilevamento degli oggetti, la segmentazione delle istanze, il tracciamento, la stima della posa e il rilevamento degli oggetti con riquadri orientati (OBB). Per ogni dimensione è disponibile un modello per ciascuna attività, 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, dalle attività leggere sui dispositivi edge, per cui il modello YOLO11n offre un’efficienza impressionante, alle applicazioni su larga scala che richiedono i modelli YOLO11l e YOLO11x.

Per la prima volta, Ultralytics introduce modelli enterprise, segnando una tappa fondamentale nella nostra offerta di prodotti; siamo entusiasti di presentare queste nuove innovazioni ai nostri utenti. YOLO11 introduce cinque modelli proprietari progettati specificamente per casi d’uso commerciali. Questi modelli enterprise, disponibili dal mese prossimo, sono addestrati sul nuovo dataset proprietario di Ultralytics, composto da oltre un milione di immagini, che consente di offrire modelli preaddestrati 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.

Alla scoperta delle funzionalità di nuova generazione di Ultralytics YOLO11#

Ora che abbiamo visto cosa offre Ultralytics YOLO11, scopriamo cosa rende YOLO11 così speciale.

Una delle sfide principali nello sviluppo di YOLO11 è stata trovare il giusto equilibrio tra obiettivi concorrenti: rendere i modelli più piccoli, più veloci e più accurati. Come ha spiegato Glenn Jocher, fondatore e CEO di Ultralytics: «Lavorare alla ricerca e allo sviluppo di YOLO è davvero impegnativo perché bisogna procedere in tre direzioni diverse: rendere i modelli più piccoli, aumentarne l’accuratezza e velocizzarli su piattaforme diverse come CPU e GPU. Sono tutti obiettivi in conflitto, quindi bisogna scendere a compromessi e scegliere dove intervenire». Nonostante queste sfide, YOLO11 raggiunge un equilibrio notevole e offre miglioramenti sia in termini di velocità sia di accuratezza rispetto a versioni precedenti come YOLOv8.

Fig. 3. Esempio di utilizzo di Ultralytics YOLO11 per il rilevamento degli oggetti.

Ultralytics YOLO11 offre miglioramenti significativi, come una migliore estrazione delle caratteristiche grazie alla riprogettazione dell’architettura del backbone e del neck, che consente un rilevamento degli oggetti più preciso. Il modello è ottimizzato anche per velocità ed efficienza e offre tempi di elaborazione più rapidi mantenendo un’elevata accuratezza. Oltre a questi vantaggi, YOLO11 è altamente adattabile a diversi ambienti: funziona senza problemi su dispositivi edge, piattaforme cloud e sistemi con GPU NVIDIA. Questa adattabilità lo rende una scelta ideale per chi ha bisogno di opzioni di deployment flessibili su diverse configurazioni hardware, dai dispositivi mobili ai server su larga scala.

Applicazioni di Ultralytics YOLO11 in tempo reale#

La versatilità di Ultralytics YOLO11 lo rende uno strumento affidabile in molti settori, soprattutto per i casi d’uso complessi. Per esempio, funziona senza problemi sui dispositivi edge e può essere usato per applicazioni che richiedono analisi in tempo reale in ambienti con potenza di calcolo limitata. Un esempio significativo è la guida autonoma, in cui i veicoli devono prendere decisioni in una frazione di secondo per garantire la sicurezza di tutti. YOLO11 contribuisce rilevando e analizzando gli oggetti sulla strada, come pedoni o altri veicoli, anche in condizioni difficili, ad esempio con scarsa illuminazione o quando gli oggetti sono parzialmente nascosti. Un rilevamento rapido e accurato aiuta a prevenire gli incidenti e garantisce che i veicoli autonomi possano circolare in sicurezza.

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

Un altro esempio interessante della versatilità di Ultralytics YOLO11 è la sua capacità di gestire i riquadri di delimitazione orientati (OBB). È fondamentale per rilevare oggetti non perfettamente allineati. Il rilevamento degli oggetti OBB è particolarmente utile in settori come l’agricoltura, la cartografia e la videosorveglianza, in cui le immagini spesso contengono oggetti ruotati, come colture o edifici ripresi da immagini aeree o satellitari. A differenza dei modelli tradizionali, YOLO11 può identificare oggetti con qualsiasi angolazione e fornire risultati molto più accurati per le attività che richiedono precisione.

Ultralytics YOLO11 per sviluppatori AI: provalo tu stesso#

Iniziare a usare YOLO11 è semplice e accessibile, sia che tu preferisca programmare sia che scelga un’opzione senza codice. Per usare YOLO11 tramite codice, puoi utilizzare il pacchetto Python di Ultralytics per addestrare e distribuire facilmente i modelli. Se preferisci un approccio senza codice, Ultralytics Platform ti permette di provare YOLO11 con pochi clic.

Guida pratica al codice di Ultralytics YOLO11#

Per usare YOLO11 con Python, devi prima installare il pacchetto Ultralytics. In base alle tue preferenze, puoi farlo usando pip, conda o Docker. Per istruzioni dettagliate e buone pratiche relative all’installazione, consulta la nostra Guida all’installazione di Ultralytics. Se durante l’installazione dei pacchetti necessari per YOLO11 riscontri difficoltà, consulta la nostra Guida ai problemi comuni per trovare soluzioni e suggerimenti.

Una volta installato il pacchetto Ultralytics, usare YOLO11 è semplice. Il seguente frammento di codice illustra come caricare un modello, addestrarlo, testarne le prestazioni ed esportarlo in formato ONNX. Per esempi più approfonditi e un utilizzo avanzato, consulta la documentazione ufficiale di Ultralytics, dove troverai guide dettagliate e buone pratiche per sfruttare al meglio YOLO11.

Fig. 5. Uso di YOLO11 tramite il pacchetto Ultralytics.

Per chi preferisce un approccio senza codice, Ultralytics Platform offre un modo semplice per addestrare e distribuire i modelli YOLO11 con pochi clic. Per iniziare a usare Ultralytics Platform, basta creare un account su Ultralytics Platform e potrai iniziare ad addestrare e gestire i tuoi modelli tramite un’interfaccia intuitiva.

Ultralytics YOLO11: plasmare il futuro della Vision AI#

La comunità AI fa progredire costantemente il campo della visione artificiale, impegnandosi a sviluppare modelli più rapidi e accurati per applicazioni del mondo reale. Ultralytics YOLO11 rappresenta una tappa fondamentale in questo percorso e offre maggiore velocità, accuratezza e flessibilità. È progettato per applicazioni in tempo reale e su dispositivi edge, risultando ideale per settori come l’assistenza sanitaria e la guida autonoma. Che tu utilizzi il pacchetto Python di Ultralytics o Ultralytics Platform senza codice, YOLO11 semplifica le attività complesse di Vision AI. Offre potenti funzionalità di visione artificiale ed è 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. Scopri come l'AI visiva promuove l'innovazione in settori come la sanità e l'agricoltura.