Все, что нужно знать об Ultralytics YOLO11 и его применениях
Узнай все о новой модели Ultralytics YOLO11, ее функциях и приложениях в реальном времени в различных отраслях. Мы расскажем обо всем, что тебе нужно знать.
В понедельник, 30 сентября, Ultralytics официально представила Ultralytics YOLO11 — новейшее достижение в области компьютерного зрения, после дебюта на YOLO Vision 2024 (YV24), ежегодном гибридном мероприятии Ultralytics. Сообщество ИИ с воодушевлением обсуждает новинку и спешит изучить возможности модели. Благодаря более высокой скорости обработки, точности и моделям, оптимизированным как для периферийных устройств, так и для развёртывания в облаке, YOLO11 переопределяет возможности приложений компьютерного зрения, работающих в реальном времени.
В интервью основатель и генеральный директор Ultralytics Гленн Джокер поделился: «Мир движется к чистой энергетике, но недостаточно быстро. Мы хотим, чтобы наши модели обучались за меньшее число эпох, с меньшим количеством аугментаций и на меньшем объёме данных, поэтому усердно работаем над этим. В самой маленькой модели обнаружения объектов — YOLO11n — всего 2,6 миллиона параметров, примерно столько же, сколько весит JPEG, что действительно невероятно. В самой большой модели обнаружения объектов, YOLO11x, около 56 миллионов параметров, и даже это чрезвычайно мало по сравнению с другими моделями. Их можно обучать на недорогом GPU, например на пятилетнем GPU Nvidia, имея лишь немного энтузиазма и чашку кофе».
В этой статье мы подробнее рассмотрим Ultralytics YOLO11, изучим её функции, улучшения, результаты тестов производительности и реальные варианты применения, чтобы помочь тебе понять, на что способна эта модель. Давай начнём!
Знакомство с Ultralytics YOLO11: улучшения по сравнению с предыдущими версиями#
YOLO11 — новейшее достижение в серии YOLO (видишь только один раз) моделей компьютерного зрения, предлагающее значительные улучшения по сравнению с предыдущими версиями, такими как YOLOv5 и YOLOv8. Команда Ultralytics учла отзывы сообщества и результаты передовых исследований, чтобы сделать YOLO11 быстрее, точнее и эффективнее. YOLO11 также поддерживает те же задачи компьютерного зрения, что и YOLOv8, включая обнаружение объектов, сегментацию экземпляров и классификацию изображений. Фактически ты можешь легко перейти на YOLO11 без изменения существующих рабочих процессов.
Одно из ключевых преимуществ YOLO11 — превосходная производительность по точности и скорости по сравнению с предыдущими моделями. Имея на 22% меньше параметров, чем YOLOv8m, YOLO11m обеспечивает более высокую среднюю точность (mAP) на датасете COCO, то есть обнаруживает объекты точнее и эффективнее. По скорости обработки YOLO11 превосходит более ранние модели, что делает её идеальной для приложений реального времени, где критически важны быстрое обнаружение и реакция и важна каждая миллисекунда.
Приведённый ниже график сравнения показывает, чем YOLO11 выделяется среди предыдущих моделей. На горизонтальной оси указана средняя точность ограничивающих рамок COCO (AP), которая измеряет точность обнаружения объектов. На вертикальной оси показана задержка при использовании TensorRT10 FP16 на GPU NVIDIA T4, отражающая скорость обработки данных моделью.
Рис. 1. Ultralytics YOLO11 обеспечивает передовые возможности обнаружения объектов в реальном времени.
Запуск модели Ultralytics YOLO11: варианты с открытым исходным кодом и для предприятий#
С запуском Ultralytics YOLO11 Ultralytics расширяет серию YOLO, предлагая модели с открытым исходным кодом и корпоративные модели для удовлетворения растущего спроса в различных отраслях.
Рис. 2. В рамках этого запуска Ultralytics предлагает 30 новых моделей.
YOLO11 выпускается в пяти разных размерах моделей: Nano, Small, Medium, Large и X. Ты можешь выбрать наиболее подходящую модель в зависимости от конкретных потребностей своего приложения компьютерного зрения. Пять размеров обеспечивают гибкость при выполнении таких задач, как классификация изображений, обнаружение объектов, сегментация экземпляров, отслеживание, оценка позы и обнаружение объектов с ориентированными ограничивающими рамками (OBB). Для каждого размера доступна модель под каждую задачу, в результате чего всего насчитывается 25 моделей с открытым исходным кодом, составляющих основу предложений Ultralytics. Эти модели подходят для широкого спектра приложений: от лёгких задач на периферийных устройствах, где модель YOLO11n обеспечивает впечатляющую эффективность, до крупномасштабных приложений, требующих моделей YOLO11l и YOLO11x.
Впервые Ultralytics представляет корпоративные модели, что становится важной вехой в развитии наших продуктов, и мы рады поделиться этими новыми разработками с пользователями. YOLO11 представляет пять проприетарных моделей, специально разработанных для коммерческого использования. Эти корпоративные модели, которые станут доступны в следующем месяце, обучены на новом проприетарном датасете Ultralytics, содержащем более 1 миллиона изображений, и предлагают более надёжные предварительно обученные модели. Они разработаны для требовательных приложений реального мира, таких как анализ медицинских изображений и обработка спутниковых изображений, где критически важно точное обнаружение объектов.
Изучаем функции Ultralytics YOLO11 нового поколения#
Теперь, когда мы обсудили возможности Ultralytics YOLO11, давай посмотрим, что делает YOLO11 такой особенной.
Одной из ключевых задач при разработке YOLO11 было найти правильный баланс между противоречивыми приоритетами: сделать модели меньше, быстрее и точнее. Как объяснил Гленн Джокер, основатель и генеральный директор Ultralytics, «Работать над исследованиями и разработкой YOLO действительно сложно, потому что нужно двигаться сразу в трёх направлениях: уменьшать модели, повышать их точность, а также ускорять их работу на разных платформах, таких как CPU и GPU. Все эти цели противоречат друг другу, поэтому приходится идти на компромиссы и выбирать, где вносить изменения». Несмотря на эти сложности, YOLO11 обеспечивает впечатляющий баланс, повышая и скорость, и точность по сравнению с предыдущими версиями, такими как YOLOv8.
Рис. 3. Пример использования Ultralytics YOLO11 для обнаружения объектов.
Ultralytics YOLO11 предлагает значительные улучшения, включая усовершенствованное извлечение признаков благодаря переработанной архитектуре backbone и neck, что приводит к более точному обнаружению объектов. Модель также оптимизирована для скорости и эффективности и обеспечивает более быструю обработку при сохранении высокой точности. Помимо этих преимуществ, YOLO11 легко адаптируется к различным средам, без проблем работая на периферийных устройствах, облачных платформах и системах с GPU NVIDIA. Благодаря этой адаптивности модель идеально подходит пользователям, которым нужны гибкие варианты развёртывания на различных конфигурациях оборудования — от мобильных устройств до крупномасштабных серверов.
Приложения Ultralytics YOLO11 для работы в реальном времени#
Универсальность Ultralytics YOLO11 делает её надёжным инструментом для множества отраслей, особенно при работе со сложными вариантами использования. Например, она без проблем работает на периферийных устройствах и может применяться для задач, требующих анализа в реальном времени в условиях ограниченных вычислительных ресурсов. Отличный пример — автономное вождение, где транспортным средствам нужно принимать решения за доли секунды, чтобы обеспечить безопасность всех участников движения. YOLO11 помогает, обнаруживая и анализируя объекты на дороге, например пешеходов или другие автомобили, даже в сложных условиях — при слабом освещении или частичной видимости объектов. Быстрое и точное обнаружение помогает предотвращать аварии и гарантирует, что беспилотные транспортные средства смогут безопасно ориентироваться.
Рис. 4. Гленн Джокер на сцене YV24 рассказывает о применении Ultralytics YOLO11.
Ещё один интересный пример возможностей Ultralytics YOLO11 — работа с ориентированными ограничивающими рамками (OBB). Это необходимо для обнаружения объектов, которые расположены не идеально ровно. Обнаружение объектов с помощью OBB особенно полезно в таких отраслях, как сельское хозяйство, картографирование и видеонаблюдение, где на изображениях часто встречаются повёрнутые объекты, например сельскохозяйственные культуры или здания на аэрофотоснимках и спутниковых изображениях. В отличие от традиционных моделей, YOLO11 может распознавать объекты под любым углом и выдавать гораздо более точные результаты для задач, требующих высокой точности.
Ultralytics YOLO11 для разработчиков ИИ: попробуй сам#
Начать работу с YOLO11 легко и просто — независимо от того, предпочитаешь ли ты программирование или вариант без кода. Для работы с YOLO11 через код можно использовать пакет Ultralytics для Python, чтобы легко обучать модели и развёртывать их. Если ты предпочитаешь подход без кода, Ultralytics Platform позволяет попробовать YOLO11 всего за несколько кликов.
Пошаговое руководство по коду Ultralytics YOLO11#
Чтобы использовать YOLO11 с Python, сначала нужно установить пакет Ultralytics. В зависимости от предпочтений это можно сделать с помощью pip, conda или Docker. Подробные инструкции и рекомендации по установке смотри в нашем руководстве по установке Ultralytics. Если при установке необходимых пакетов для YOLO11 возникнут трудности, обратись к нашему руководству по распространённым проблемам, где приведены решения и советы.
После установки пакета Ultralytics использовать YOLO11 будет просто. В следующем фрагменте кода показаны загрузка модели, её обучение, тестирование производительности и экспорт в формат ONNX. Более подробные примеры и расширенные сценарии использования смотри в официальной документации Ultralytics, где ты найдёшь подробные руководства и рекомендации о том, как получить максимум от YOLO11.
Рис. 5. Использование YOLO11 через пакет Ultralytics.
Для пользователей, предпочитающих подход без кода, Ultralytics Platform предоставляет простой способ обучать модели YOLO11 и развёртывать их всего за несколько кликов. Чтобы начать работу с Ultralytics Platform, просто создай аккаунт на Ultralytics Platform — после этого ты сможешь обучать модели и управлять ими через интуитивно понятный интерфейс.
Ultralytics YOLO11: формируя будущее ИИ в области компьютерного зрения#
Сообщество ИИ постоянно развивает область компьютерного зрения, стремясь создавать более быстрые и точные модели для реальных приложений. Ultralytics YOLO11 — важная веха в этом направлении, предлагающая улучшения скорости, точности и гибкости. Модель разработана для приложений реального времени и периферийных устройств, что делает её идеальной для таких отраслей, как здравоохранение и автономное вождение. Используешь ли ты пакет Ultralytics для Python или Ultralytics Platform без кода, YOLO11 упрощает сложные задачи ИИ в области компьютерного зрения. Модель предоставляет мощные возможности компьютерного зрения, что делает её отличным выбором для разработчиков и бизнеса.
Посети наш репозиторий на GitHub и присоединяйся к нашему активному сообществу, чтобы узнать больше об AI. Узнай, как AI для компьютерного зрения стимулирует инновации в таких сферах, как здравоохранение и сельское хозяйство.
