Все, что нужно знать об Ultralytics YOLO11 и его применении

В понедельник, 30 сентября, Ultralytics официально выпустила Ultralytics YOLO11 — на тот момент новейшее достижение в области компьютерного зрения. Впервые модель представили на YOLO Vision 2024 (YV24), ежегодном гибридном мероприятии Ultralytics. Сообщество специалистов по ИИ быстро начало изучать возможности модели. Благодаря более высокой скорости обработки, повышенной точности и моделям, оптимизированным как для периферийных устройств, так и для облачного развёртывания, YOLO11 расширяет возможности приложений компьютерного зрения в реальном времени.

В интервью основатель и генеральный директор Ultralytics Гленн Джохер рассказал: «Мир переходит на чистую энергию, но этот процесс идёт недостаточно быстро. Мы хотим, чтобы наши модели можно было обучать за меньшее число эпох, с меньшим количеством аугментаций и на меньшем объёме данных, поэтому активно работаем над этим. В самой маленькой модели для обнаружения объектов, YOLO11n, всего 2,6 миллиона параметров — примерно как в JPEG-файле, что просто невероятно. В самой большой модели для обнаружения объектов, YOLO11x, около 56 миллионов параметров, но даже это очень мало по сравнению с другими моделями. Их можно обучать на недорогом GPU, например на пятилетнем GPU Nvidia, — нужны только энтузиазм и немного кофе».

В этой статье мы подробнее рассмотрим Ultralytics YOLO11: её функции, улучшения, результаты бенчмарков и реальные сценарии применения, чтобы ты понял, на что способна эта модель.

Знакомство с Ultralytics YOLO11: улучшения по сравнению с предыдущими версиями#

На момент выпуска YOLO11 была новейшей моделью в серии моделей компьютерного зрения YOLO (смотришь только один раз) (с тех пор её сменила Ultralytics YOLO26). Она значительно превосходит предыдущие версии, такие как YOLOv5 и YOLOv8. Команда Ultralytics учла отзывы сообщества и последние результаты 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 показывает более высокий результат по средней точности (mAP) на наборе данных COCO, то есть обнаруживает объекты точнее и эффективнее. По скорости обработки YOLO11 превосходит предыдущие модели и отлично подходит для приложений реального времени, где важны быстрые обнаружение и реакция и каждая миллисекунда на счету.

На графике бенчмарка ниже показано, чем YOLO11 отличается от предыдущих моделей. По горизонтальной оси указана средняя точность обнаружения объектов на COCO (AP), которая измеряет точность обнаружения объектов. По вертикальной оси показана задержка при использовании TensorRT 10 FP16 на GPU NVIDIA T4 — она отражает 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 выпуском Ultralytics YOLO11 Ultralytics расширяет серию YOLO, предлагая модели с открытым исходным кодом и корпоративные модели, чтобы удовлетворить растущий спрос в разных отраслях.

Рис. 2. С этим запуском Ultralytics предлагает 30 новых моделей.

У YOLO11 есть пять размеров моделей: Nano, Small, Medium, Large и X. Пользователи могут выбрать модель, которая лучше всего подходит для конкретной задачи компьютерного зрения. Пять размеров обеспечивают гибкость при решении таких задач, как обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы, обнаружение объектов с ориентированными рамками (OBB) и отслеживание. Для каждого размера доступна модель для каждой задачи, поэтому всего есть 25 моделей с открытым исходным кодом, которые составляют основу предложений Ultralytics. Эти модели подходят для широкого спектра приложений: от лёгких задач на периферийных устройствах, где YOLO11n обеспечивает впечатляющую эффективность, до крупномасштабных приложений, требующих моделей YOLO11l и YOLO11x.

Ultralytics впервые представляет корпоративные модели — это важный этап в развитии наших продуктов, и мы рады поделиться этими новыми разработками с пользователями. В YOLO11 входят пять проприетарных моделей, созданных специально для коммерческих задач. Эти корпоративные модели, которые станут доступны в следующем месяце, обучены на новом проприетарном наборе данных Ultralytics, включающем более миллиона изображений, что позволяет получить более надёжные предварительно обученные модели. Они разработаны для сложных задач в реальных условиях, например анализа медицинских изображений и обработки спутниковых снимков, где крайне важно точное обнаружение объектов.

Знакомство с новыми возможностями Ultralytics YOLO11#

Теперь, когда мы обсудили возможности Ultralytics YOLO11, давай разберёмся, чем так примечательна YOLO11.

Одной из главных задач при разработке YOLO11 был поиск баланса между конкурирующими требованиями: сделать модели меньше, быстрее и точнее. Как объяснил основатель и генеральный директор Ultralytics Гленн Джохер: «Работать над исследованиями и разработкой YOLO очень сложно, потому что нужно двигаться сразу в трёх направлениях: уменьшать модели, повышать их точность и одновременно ускорять их работу на разных платформах, таких как CPU и GPU. Все эти требования конфликтуют друг с другом, поэтому приходится идти на компромиссы и выбирать, что менять». Несмотря на эти сложности, YOLO11 удалось достичь впечатляющего баланса: она быстрее и точнее предыдущих версий, таких как YOLOv8.

Рис. 3. Пример обнаружения объектов с помощью Ultralytics YOLO11.

Ultralytics YOLO11 получила значительные улучшения, например более эффективное извлечение признаков благодаря переработанной архитектуре магистрали и шейной части, что повысило точность обнаружения объектов. Модель также оптимизирована по скорости и эффективности: она обрабатывает данные быстрее, сохраняя высокую точность. Помимо этого, YOLO11 хорошо адаптируется к разным условиям и работает на периферийных устройствах, облачных платформах и системах с GPU NVIDIA. Такая адаптивность делает модель отличным выбором для пользователей, которым нужны гибкие варианты развёртывания на разном оборудовании — от мобильных устройств до крупных серверов.

Приложения Ultralytics YOLO11 для работы в реальном времени#

Универсальность Ultralytics YOLO11 делает её надёжным инструментом для многих отраслей, особенно при решении сложных задач. Например, модель эффективно работает на периферийных устройствах и подходит для анализа в реальном времени в условиях ограниченных вычислительных ресурсов. Хороший пример — автономное вождение, где транспортным средствам нужно принимать решения за доли секунды, чтобы обеспечить безопасность всех участников движения. YOLO11 помогает обнаруживать и анализировать объекты на дороге, например пешеходов и другие автомобили, даже в сложных условиях: при плохом освещении или частично скрытых объектах. Быстрое и точное обнаружение помогает предотвращать аварии и позволяет беспилотным автомобилям безопасно передвигаться.

Рис. 4. Гленн Джочер на сцене YV24 рассказывает о применении Ultralytics YOLO11.

Ещё один интересный пример возможностей Ultralytics YOLO11 — работа с ориентированными ограничивающими рамками (OBB). Эта функция важна для обнаружения объектов, которые расположены под углом. Обнаружение объектов с помощью OBB особенно полезно в сельском хозяйстве, картографии и системах наблюдения, где на изображениях часто встречаются повёрнутые объекты, например посевы или здания на аэрофотоснимках и спутниковых снимках. В отличие от традиционных моделей, YOLO11 может обнаруживать объекты под любым углом и обеспечивать 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 примере кода показано, как загрузить модель, обучить её, проверить её производительность и экспортировать её в формат ONNX. Более подробные примеры и расширенные инструкции смотри в официальной документации Ultralytics: там ты найдёшь подробные руководства и рекомендации, которые помогут максимально эффективно использовать YOLO11.

Рис. 5. Использование YOLO11 через пакет Ultralytics.

Если ты предпочитаешь работать 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 — после этого ты 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.