Все, что нужно знать об Ultralytics YOLO11 и его применении
Узнай все о новой модели Ultralytics YOLO11, ее функциях и применении в реальном времени в разных отраслях. Мы расскажем обо всем, что тебе нужно знать.
В понедельник, 30 сентября, Ultralytics официально выпустила Ultralytics YOLO11 — новейшую разработку в области компьютерного зрения, представленную на ежегодном гибридном мероприятии Ultralytics — YOLO Vision 2024 (YV24). Сообщество ИИ с нетерпением ждёт возможности изучить возможности модели. Благодаря более быстрой обработке, высокой точности и моделям, оптимизированным как для периферийных устройств, так и для развёртывания в облаке, YOLO11 меняет представление о возможном в приложениях компьютерного зрения реального времени.
В интервью основатель и генеральный директор Ultralytics Гленн Джочер рассказал: «Мир переходит на чистую энергию, но недостаточно быстро. Мы хотим, чтобы наши модели обучались за меньшее число эпох, с меньшим количеством аугментаций и меньшим объёмом данных, и усердно работаем над этим. Самая маленькая модель обнаружения объектов — YOLO11n — содержит всего 2,6 миллиона параметров, примерно как JPEG-файл. Это просто невероятно. В самой большой модели обнаружения объектов, YOLO11x, около 56 миллионов параметров, и даже это очень мало по сравнению с другими моделями. Их можно обучать на недорогом GPU, например на пятилетнем GPU Nvidia, если у тебя есть энтузиазм и немного кофе».
В этой статье мы подробно рассмотрим Ultralytics YOLO11: её возможности, улучшения, результаты тестов производительности и применение в реальных условиях, чтобы ты понял, на что способна эта модель. Начнём!
Знакомство с Ultralytics YOLO11: улучшения по сравнению с предыдущими версиями#
YOLO11 — новейшая разработка в серии моделей компьютерного зрения YOLO («Смотришь только один раз», YOLO), которая значительно превосходит предыдущие версии, такие как YOLOv5 и YOLOv8. Команда Ultralytics учла отзывы сообщества и последние достижения 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. Пользователи могут легко перейти на YOLO11, не меняя существующие рабочие процессы.
Одно из главных преимуществ YOLO11 — более высокая точность и скорость по сравнению с предыдущими моделями. Используя на 22% меньше параметров, чем YOLOv8m, YOLO11m достигает более высокого показателя средней точности (mAP) на наборе данных COCO, то есть обнаруживает объекты точнее и эффективнее. По скорости обработки YOLO11 превосходит предыдущие модели, поэтому отлично подходит для приложений реального времени, где важны быстрое обнаружение, быстрая реакция и каждая миллисекунда.
На графике сравнения ниже видно, чем YOLO11 превосходит предыдущие модели. По горизонтальной оси отложена средняя точность обнаружения объектов COCO (AP), которая показывает точность обнаружения объектов. По вертикальной оси указана 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 корпоративного использования#
С выходом Ultralytics YOLO11 Ultralytics расширяет серию YOLO моделями с открытым исходным кодом и корпоративными моделями, отвечая на растущий спрос в различных отраслях.
Рис. 2. С этим запуском Ultralytics предлагает 30 новых моделей.
В YOLO11 представлены модели пяти размеров: Nano, Small, Medium, Large и X. Пользователи могут выбрать наиболее подходящую модель с учётом конкретных потребностей своего приложения компьютерного зрения. Пять размеров дают гибкость при решении таких задач, как классификация изображений, обнаружение объектов, сегментация экземпляров, отслеживание, оценка позы и обнаружение объектов с ориентированными рамками (OBB). Для каждого размера и каждой задачи доступна отдельная модель: всего 25 моделей с открытым исходным кодом, составляющих основу предложений Ultralytics. Эти модели подходят для самых разных приложений: от лёгких задач на периферийных устройствах, где YOLO11n отличается высокой эффективностью, до масштабных приложений, для которых нужны модели YOLO11l и YOLO11x.
Впервые Ultralytics представляет корпоративные модели, что становится важной вехой в развитии нашего ассортимента продуктов, и мы рады поделиться этими новинками с пользователями. В YOLO11 входят пять проприетарных моделей, созданных специально для коммерческого использования. Эти корпоративные модели, которые выйдут в следующем месяце, обучены на новом проприетарном наборе данных Ultralytics, содержащем более миллиона изображений, что позволяет получить более надёжные предварительно обученные модели. Они предназначены для сложных задач в реальных условиях, таких как анализ медицинских изображений и обработка спутниковых снимков, где особенно важно точно обнаруживать объекты.
Знакомство с новыми возможностями Ultralytics YOLO11#
Теперь, когда мы обсудили возможности Ultralytics YOLO11, давай разберёмся, чем так примечательна YOLO11.
Одна из главных сложностей при разработке YOLO11 заключалась в том, чтобы найти баланс между конкурирующими целями: сделать модели меньше, быстрее и точнее. Как объяснил Гленн Джочер, основатель и генеральный директор Ultralytics, «заниматься исследованиями и разработкой YOLO действительно сложно, потому что нужно двигаться в трёх направлениях: уменьшать модели, повышать их точность и одновременно ускорять работу на разных платформах, например на CPU и GPU. Все эти цели противоречат друг другу, поэтому приходится идти на компромиссы и выбирать, что именно менять». Несмотря на эти сложности, YOLO11 обеспечивает впечатляющий баланс и превосходит предыдущие версии, например YOLOv8, по скорости и точности.
Рис. 3. Пример обнаружения объектов с помощью Ultralytics YOLO11.
Ultralytics YOLO11 получила значительные улучшения, в том числе усовершенствованное извлечение признаков благодаря переработанной архитектуре основной сети и шейного модуля, что обеспечивает более точное обнаружение объектов. Модель также оптимизирована для скорости и эффективности: она быстрее обрабатывает данные, сохраняя высокую точность. Кроме того, YOLO11 легко адаптируется к различным средам и без проблем работает на периферийных устройствах, облачных платформах и системах с GPU NVIDIA. Благодаря этой адаптивности модель отлично подходит тем, кому нужны гибкие варианты развёртывания на различных конфигурациях оборудования — от мобильных устройств до крупных серверов.
Приложения Ultralytics YOLO11 для работы в реальном времени#
Благодаря универсальности Ultralytics YOLO11 надёжно работает во многих отраслях, особенно при решении сложных задач. Например, модель без проблем работает на периферийных устройствах и подходит для приложений, которым нужен анализ в реальном времени в условиях ограниченных вычислительных ресурсов. Отличный пример — автономное вождение, где транспортным средствам нужно мгновенно принимать решения, чтобы обеспечить безопасность всех участников движения. YOLO11 помогает обнаруживать и анализировать объекты на дороге, например пешеходов и другие автомобили, даже в сложных условиях — при слабом освещении или частичной видимости объектов. Быстрое и точное обнаружение помогает предотвратить аварии и обеспечивает безопасное движение автономных автомобилей.
Рис. 4. Гленн Джочер на сцене YV24 рассказывает о применении Ultralytics YOLO11.
Ещё один интересный пример универсальности Ultralytics YOLO11 — её способность работать с ориентированными рамками (OBB). Эта возможность необходима для обнаружения объектов, которые расположены не строго горизонтально или вертикально. Обнаружение объектов с помощью OBB особенно полезно в таких отраслях, как сельское хозяйство, картографирование и видеонаблюдение, где на изображениях часто встречаются повёрнутые объекты, например посевы или здания на аэрофотоснимках и спутниковых изображениях. В отличие от традиционных моделей, YOLO11 может определять объекты под любым углом и выдавать гораздо более точные результаты в задачах, требующих высокой точности.
Ultralytics YOLO11 для разработчиков ИИ: попробуй сам#
Начать работу с YOLO11 просто: можно писать код или выбрать вариант без кода. Для работы с YOLO11 через код используй пакет Ultralytics для Python, чтобы легко обучать и развёртывать модели. Если ты предпочитаешь подход без кода, Ultralytics Platform позволяет опробовать YOLO11 всего за несколько нажатий.
Пример работы с кодом Ultralytics YOLO11#
Чтобы использовать YOLO11 с Python, сначала установи 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 пакетов, необходимых для YOLO11, возникнут проблемы, решения и советы найдёшь в нашем руководстве по распространённым проблемам.
После установки пакета Ultralytics работать с YOLO11 очень просто. В следующем фрагменте кода показано, как загрузить модель, обучить её, проверить её производительность и экспортировать в формат ONNX. Дополнительные примеры и расширенные сценарии использования смотри в официальной документации Ultralytics: там ты найдёшь подробные руководства и рекомендации, которые помогут получить максимум от YOLO11.
Рис. 5. Использование YOLO11 через пакет Ultralytics.
Если ты предпочитаешь подход без кода, Ultralytics Platform позволяет легко обучать и развёртывать модели YOLO11 всего за несколько нажатий. Чтобы начать работу с Ultralytics Platform, просто создай учётную запись на Ultralytics Platform — и сможешь обучать модели и управлять ими через интуитивно понятный интерфейс.
Ultralytics YOLO11: формируем будущее Vision AI#
Сообщество ИИ постоянно развивает компьютерное зрение, стремясь создавать более быстрые и точные модели для реальных задач. Ultralytics YOLO11 — важная веха в этом процессе: модель обеспечивает более высокую скорость, точность и гибкость. Она создана для работы в реальном времени и на периферийных устройствах, поэтому отлично подходит для таких отраслей, как здравоохранение и автономное вождение. Используешь ли ты пакет Ultralytics для Python или платформу Ultralytics без кода, YOLO11 упрощает сложные задачи Vision AI. Модель предоставляет мощные возможности компьютерного зрения и отлично подходит разработчикам и компаниям.
Загляни в наш репозиторий GitHub и присоединяйся к нашему активному сообществу, чтобы узнать больше об ИИ. Узнай, как визуальный ИИ способствует инновациям в таких сферах, как здравоохранение и сельское хозяйство.
