Всё, что тебе нужно знать об Ultralytics YOLO11 и его применениях

В понедельник, 30 сентября, компания Ultralytics официально представила Ultralytics YOLO11, новейшее достижение в области компьютерного зрения, вслед за его дебютом на YOLO Vision 2024 (YV24), ежегодном гибридном мероприятии Ultralytics. AI-сообщество с восторгом приняло эту новость, спеша изучить возможности модели. Благодаря более быстрой обработке, повышенной точности и моделям, оптимизированным как для периферийных устройств, так и для облачного развертывания, YOLO11 меняет представление о возможном в задачах компьютерного зрения в реальном времени.

В своем интервью основатель и CEO Ultralytics Glenn Jocher поделился: «Мир движется к чистой энергии, но недостаточно быстро. Мы хотим, чтобы наши модели можно было обучать за меньшее количество эпох, с меньшим количеством аугментаций и меньшим объемом данных, поэтому мы активно над этим работаем. Самая маленькая модель для обнаружения объектов, YOLO11n, имеет всего 2,6 миллиона параметров — размером примерно с JPEG, это просто безумие. Самая большая модель для обнаружения объектов, YOLO11x, имеет около 56 миллионов параметров, и даже это невероятно мало по сравнению с другими моделями. Ты можешь обучать их на недорогом GPU, например, на пятилетней Nvidia GPU, с долей энтузиазма и чашкой кофе».

В этой статье мы более подробно рассмотрим YOLO11, изучим его функционал, улучшения, показатели производительности и реальные примеры использования, чтобы помочь тебе понять, на что способна эта модель. Давай начнем!

Link to this sectionПонимание YOLO11: улучшения по сравнению с прошлыми версиями#

YOLO11 — это новейшее достижение в серии моделей компьютерного зрения YOLO (You Only Look Once), предлагающее значительные улучшения по сравнению с предыдущими версиями, такими как YOLOv5 и YOLOv8. Команда Ultralytics учла отзывы сообщества и передовые исследования, 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. На самом деле, ты можешь легко перейти на YOLO11, не меняя текущие рабочие процессы.

Одним из ключевых преимуществ YOLO11 является его превосходная производительность как в точности, так и в скорости по сравнению с предшественниками. Имея на 22% меньше параметров, чем YOLOv8m, YOLO11m достигает более высокой средней точности (mAP) на наборе данных COCO, что означает способность более точно и эффективно обнаруживать объекты. С точки зрения скорости обработки, YOLO11 превосходит ранние модели, что делает его идеальным для приложений в реальном времени, где важны быстрое обнаружение и отклик, и каждая миллисекунда на счету.

На графике бенчмарков ниже показано, как YOLO11 выделяется на фоне предыдущих моделей. По горизонтальной оси отображается средняя точность (AP) на боксах COCO, измеряющая точность обнаружения объектов. Вертикальная ось отображает задержку с использованием TensorRT10 FP16 на NVIDIA T4 GPU, показывая, насколько быстро модель обрабатывает данные.

Рис 1. YOLO11 обеспечивает передовые возможности обнаружения объектов в реальном времени.

Link to this sectionЗапуск моделей YOLO11: Open-source и корпоративные варианты#

С запуском Ultralytics YOLO11, Ultralytics расширяет серию YOLO, предлагая как open-source, так и корпоративные модели, чтобы удовлетворить растущий спрос в различных отраслях.

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

YOLO11 включает пять различных размеров моделей — Nano, Small, Medium, Large и X. Ты можешь выбрать оптимальную модель в зависимости от конкретных потребностей твоего приложения компьютерного зрения. Пять размеров обеспечивают гибкость в таких задачах, как классификация изображений, обнаружение объектов, сегментация экземпляров, отслеживание, оценка позы и обнаружение объектов с ориентированными ограничивающими рамками (OBB). Для каждого размера доступна модель для каждой задачи, что в сумме дает 25 open-source моделей, составляющих основу предложений Ultralytics. Эти модели идеально подходят для широкого спектра приложений, от легковесных задач на периферийных устройствах, где модель YOLO11n предлагает впечатляющую эффективность, до крупномасштабных приложений, требующих использования моделей YOLO11l и YOLO11x.

Впервые Ultralytics представляет корпоративные модели, что знаменует важную веху в наших продуктах, и мы рады поделиться этими новыми инновациями с нашими пользователями. YOLO11 представляет пять проприетарных моделей, разработанных специально для коммерческого использования. Эти корпоративные модели, которые будут доступны в следующем месяце, обучены на новом проприетарном наборе данных Ultralytics, состоящем из более чем 1 миллиона изображений, что обеспечивает более надежные предобученные модели. Они разработаны для требовательных реальных задач, таких как анализ медицинских изображений и обработка спутниковых снимков, где точное обнаружение объектов имеет решающее значение.

Link to this sectionИзучение функций YOLO11 нового поколения#

Теперь, когда мы обсудили возможности YOLO11, давай посмотрим, что делает YOLO11 таким особенным.

Одной из ключевых задач при разработке YOLO11 был поиск баланса между конкурирующими приоритетами: сделать модели меньше, быстрее и точнее. Как объяснил Glenn Jocher, основатель и CEO Ultralytics, «Работа над исследованиями и разработкой YOLO — это действительно сложная задача, потому что ты хочешь двигаться в трех разных направлениях: хочешь сделать модели меньше, хочешь, чтобы они стали точнее, но также хочешь, чтобы они были быстрее на различных платформах, таких как CPU и GPU. Все это конкурирующие интересы, поэтому приходится идти на компромиссы и выбирать, где вносить изменения». Несмотря на эти трудности, YOLO11 достигает впечатляющего баланса, обеспечивая улучшения как по скорости, так и по точности по сравнению с предыдущими версиями, такими как YOLOv8.

Рис 3. Пример использования YOLO11 для обнаружения объектов.

YOLO11 приносит существенные улучшения, такие как усовершенствованная экстракция признаков с переработанной архитектурой backbone и neck, что ведет к более точному обнаружению объектов. Модель также оптимизирована для скорости и эффективности, обеспечивая более быстрое время обработки при сохранении высокой точности. В дополнение к этим преимуществам, YOLO11 обладает высокой адаптивностью к различным средам, бесперебойно работая на периферийных устройствах, облачных платформах и системах, использующих NVIDIA GPUs. Эта адаптивность делает его идеальным выбором для пользователей, которым нужны гибкие варианты развертывания в различных аппаратных конфигурациях, от мобильных устройств до крупномасштабных серверов.

Link to this sectionПриложения YOLO11 в реальном времени#

Универсальность YOLO11 делает его надежным инструментом во многих отраслях, особенно когда дело касается сложных сценариев использования. Например, он бесперебойно работает на периферийных устройствах и может использоваться в приложениях, требующих анализа в реальном времени в условиях ограниченных вычислительных мощностей. Отличным примером этого является автономное вождение, где транспортным средствам нужно принимать решения за доли секунды, чтобы обеспечить безопасность. YOLO11 помогает в обнаружении и анализе объектов на дороге, таких как пешеходы или другие автомобили, даже в сложных условиях, например, при слабом освещении или когда объекты частично скрыты. Быстрое и точное обнаружение помогает предотвращать аварии и обеспечивает безопасную навигацию самоуправляемых транспортных средств.

Рис 4. Glenn Jocher на сцене YV24 рассказывает о применениях YOLO11.

Еще один интересный пример диапазона возможностей YOLO11 — его способность работать с ориентированными ограничивающими рамками (OBB). Это необходимо для обнаружения объектов, которые не идеально выровнены. Обнаружение объектов с помощью OBB — это функция, особенно полезная в таких отраслях, как сельское хозяйство, картография и наблюдение, где изображения часто содержат повернутые объекты, такие как посевы или здания на аэрофотоснимках или спутниковых изображениях. В отличие от традиционных моделей, YOLO11 может идентифицировать объекты под любым углом и предоставлять гораздо более точные результаты для задач, требующих высокой точности.

Link to this sectionYOLO11 для AI-разработчиков: попробуй сам#

Начать работу с YOLO11 просто и доступно, независимо от того, предпочитаешь ли ты писать код или использовать no-code решение. Для работы с YOLO11 через код ты можешь использовать Python-пакет Ultralytics для легкого обучения и развертывания моделей. Если ты предпочитаешь подход без написания кода, платформа Ultralytics позволит тебе попробовать YOLO11 всего за несколько кликов.

Link to this sectionПошаговое руководство по коду YOLO11#

Чтобы использовать YOLO11 с Python, сначала нужно установить пакет Ultralytics. В зависимости от твоих предпочтений, ты можешь сделать это с помощью pip, conda или Docker. Для получения подробных инструкций и лучших практик по процессу установки обязательно ознакомься с нашим Руководством по установке Ultralytics. Если при установке необходимых пакетов для YOLO11 ты столкнешься с трудностями, обратись к нашему Руководству по распространенным проблемам за решениями и советами.

После установки пакета Ultralytics использование YOLO11 становится интуитивно понятным. Следующий фрагмент кода проведет тебя через процесс загрузки модели, обучения, проверки производительности и экспорта в формат ONNX. Для получения более глубоких примеров и продвинутого использования обязательно обратись к официальной документации Ultralytics, где ты найдешь подробные руководства и лучшие практики для того, чтобы получить максимум от YOLO11.

Рис 5. Использование YOLO11 через пакет Ultralytics.

Для пользователей, предпочитающих no-code подход, платформа Ultralytics предоставляет простой способ обучения и развертывания моделей YOLO11 всего за несколько кликов. Чтобы начать работу с платформой Ultralytics, просто создай аккаунт на платформе, и ты сможешь начать обучение и управление своими моделями через интуитивно понятный интерфейс.

Link to this sectionYOLO11: Формируя будущее визуального AI#

AI-сообщество постоянно развивает область компьютерного зрения, стремясь создавать более быстрые и точные модели для реальных приложений. Ultralytics YOLO11 — это важная веха в этих усилиях, обеспечивающая улучшенную скорость, точность и гибкость. Он создан для приложений реального времени и периферийных вычислений, что делает его идеальным для таких отраслей, как здравоохранение и автономное вождение. Независимо от того, используешь ли ты Python-пакет Ultralytics или no-code платформу Ultralytics, YOLO11 упрощает сложные задачи визуального AI. Он предоставляет мощные возможности компьютерного зрения, что делает его отличным выбором для разработчиков и бизнеса.

Загляни в наш репозиторий GitHub и присоединяйся к нашему активному сообществу, чтобы узнать больше об ИИ. Узнай, как ИИ технического зрения стимулирует инновации в таких секторах, как здравоохранение и сельское хозяйство.