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

Lunedì 30 settembre, Ultralytics ha lanciato ufficialmente Ultralytics YOLO11, l'ultima innovazione nel campo della computer vision, dopo il suo debutto a YOLO Vision 2024 (YV24), l'evento annuale ibrido di Ultralytics. La community dell'AI è in fermento e si sta affrettando a esplorare le capacità del modello. Grazie a un'elaborazione più rapida, una maggiore accuratezza e modelli ottimizzati sia per i dispositivi edge sia per il deployment nel cloud, [YOLO11 ridefinisce ciò che è possibile](https://ultralytics-translation-3.invalid nelle applicazioni di computer vision in tempo reale.

In una intervista, il fondatore e CEO di Ultralytics Glenn Jocher ha dichiarato: «Il mondo si sta orientando verso l'energia pulita, ma non abbastanza velocemente. Vogliamo che i nostri modelli possano essere addestrati in meno epoche, con meno tecniche di data augmentation e meno dati, quindi ci stiamo impegnando molto su questo. Il più piccolo modello di rilevamento degli oggetti, YOLO11n, ha appena 2,6 milioni di parametri, più o meno quanto un file JPEG: è davvero incredibile. Il più grande modello di rilevamento degli oggetti, 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 un po' di entusiasmo e una tazza di caffè.»

In questo articolo analizzeremo più da vicino Ultralytics YOLO11, esaminandone caratteristiche, miglioramenti, benchmark delle prestazioni e applicazioni nel mondo reale, per aiutarti a capire cosa può fare questo modello. Iniziamo!

Conoscere Ultralytics YOLO11: miglioramenti rispetto alle versioni precedenti#

YOLO11 è l'ultima innovazione della 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 integrato i feedback della community e le ricerche più avanzate per rendere YOLO11 più veloce, accurato ed efficiente. YOLO11 supporta inoltre le stesse attività di computer vision di YOLOv8, tra cui il rilevamento degli oggetti, la segmentazione delle istanze e la classificazione delle immagini. Di fatto, puoi passare facilmente a YOLO11 senza dover modificare i workflow esistenti.

Uno dei principali punti di forza di YOLO11 sono le prestazioni superiori, sia in termini di accuratezza sia di velocità, rispetto ai 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, risultando ideale per le applicazioni in tempo reale, dove il rilevamento e la risposta rapidi sono fondamentali e ogni millisecondo conta.

Il grafico dei benchmark qui sotto mostra come YOLO11 si distingua dai modelli precedenti. L'asse orizzontale mostra la precisione media delle bounding box COCO (AP), 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 capacità di rilevamento degli oggetti in tempo reale all'avanguardia.

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

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

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

YOLO11 è disponibile in cinque dimensioni di modello distinte: Nano, Small, Medium, Large e X. Puoi scegliere il modello più adatto in base alle esigenze specifiche della tua applicazione di computer vision. Le cinque dimensioni offrono flessibilità per attività come la classificazione delle immagini, il rilevamento degli oggetti, la segmentazione delle istanze, il tracking, la stima della posa e il rilevamento degli oggetti con bounding box 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, dove il modello YOLO11n offre un'efficienza notevole, alle applicazioni su larga scala che richiedono i modelli YOLO11l e YOLO11x.

Per la prima volta, Ultralytics presenta modelli enterprise, segnando una tappa importante nella nostra offerta 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, disponibili dal prossimo mese, sono addestrati sul nuovo dataset proprietario di Ultralytics, composto da oltre 1 milione di immagini, e offrono modelli preaddestrati 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.

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 priorità concorrenti: 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 difficile perché vuoi procedere in tre direzioni diverse: vuoi rendere i modelli più piccoli, vuoi che diventino più accurati, ma vuoi anche che siano più veloci su piattaforme diverse, come CPU e GPU. Tutti questi obiettivi sono in conflitto tra loro, quindi devi scendere a compromessi e scegliere dove apportare le modifiche.» Nonostante queste difficoltà, YOLO11 raggiunge un equilibrio notevole, offrendo miglioramenti sia in velocità sia in accuratezza rispetto a versioni precedenti come YOLOv8.

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

Ultralytics YOLO11 introduce miglioramenti sostanziali, come una migliore estrazione delle caratteristiche grazie a un'architettura riprogettata del backbone e del neck, che porta a un rilevamento degli oggetti più preciso. Il modello è inoltre ottimizzato 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 e funziona senza problemi su dispositivi edge, piattaforme cloud e sistemi che utilizzano GPU NVIDIA. Questa adattabilità lo rende una scelta ideale per chi ha bisogno di opzioni di deployment flessibili su configurazioni hardware diverse, 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, soprattutto quando si affrontano casi d'uso complessi. Ad esempio, funziona senza problemi sui dispositivi edge e può essere utilizzato per applicazioni che richiedono 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 una frazione di secondo per garantire la sicurezza di tutti. YOLO11 aiuta rilevando e analizzando gli oggetti sulla strada, come pedoni o altre auto, 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 a guida autonoma possano muoversi in sicurezza.

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

Un altro esempio interessante dell'ampio campo di applicazione di Ultralytics YOLO11 è la sua capacità di gestire le bounding box orientate (OBB). Questa funzione è essenziale per rilevare oggetti che non sono perfettamente allineati. Il rilevamento degli oggetti con OBB è particolarmente utile in settori come l'agricoltura, la cartografia e la sorveglianza, dove le immagini contengono spesso oggetti ruotati, come colture o edifici nelle immagini aeree o satellitari. A differenza dei modelli tradizionali, YOLO11 può identificare gli oggetti da qualsiasi angolazione e fornire risultati molto più accurati per le attività che richiedono precisione.

Ultralytics YOLO11 per gli sviluppatori di AI: provalo tu stesso#

Iniziare a utilizzare YOLO11 è semplice e accessibile, sia che tu preferisca programmare sia che tu scelga un'opzione no-code. Per lavorare con YOLO11 tramite codice, puoi utilizzare il pacchetto Python di Ultralytics per addestrare e fare il deployment dei modelli con facilità. Se preferisci un approccio no-code, Ultralytics Platform ti permette di provare YOLO11 con pochi clic.

Guida al codice di Ultralytics YOLO11#

Per utilizzare 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 best practice relative al processo di 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.

Dopo aver installato il pacchetto Ultralytics, utilizzare YOLO11 è semplice. Il seguente frammento di codice illustra il processo di caricamento di un modello, addestramento, test delle prestazioni ed esportazione nel formato ONNX. Per esempi più approfonditi e un utilizzo avanzato, consulta la documentazione ufficiale di Ultralytics, dove troverai guide dettagliate e best practice per sfruttare al meglio YOLO11.

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

Per chi preferisce un approccio no-code, Ultralytics Platform offre un modo semplice per addestrare e fare il deployment dei modelli YOLO11 con pochi clic. Per iniziare a utilizzare Ultralytics Platform, crea 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 community dell'AI fa progredire costantemente il campo della computer vision, impegnandosi a sviluppare modelli più veloci e accurati per applicazioni nel mondo reale. Ultralytics YOLO11 rappresenta una tappa importante in questo percorso, offrendo maggiore velocità, accuratezza e flessibilità. È progettato per applicazioni in tempo reale ed edge, risultando ideale per settori come la sanità 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 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. Scopri come l'AI per la visione sta promuovendo l'innovazione in settori come sanità e agricoltura.