Всё, что тебе нужно знать об Ultralytics YOLO11 и его применениях
Узнай всё о новой модели Ultralytics YOLO11, её функциях и применении в реальном времени в различных отраслях. Мы расскажем тебе обо всем, что нужно знать.
В понедельник, 30 сентября, компания Ultralytics официально представила Ultralytics YOLO11 — новейшее достижение в области computer vision, после его дебюта на ежегодном гибридном мероприятии Ultralytics YOLO Vision 2024 (YV24). AI-сообщество гудит от восторга, спеша изучить возможности модели. Благодаря более высокой скорости обработки, повышенной точности и моделям, оптимизированным как для граничных устройств, так и для развертывания в облаке, YOLO11 переосмысляет возможности в приложениях компьютерного зрения реального времени.
В интервью основатель и генеральный директор Ultralytics Glenn Jocher поделился: «Мир движется к возобновляемой энергии, но недостаточно быстро. Мы хотим, чтобы наши модели можно было обучать за меньшее количество эпох, с меньшим числом аугментаций и меньшим объемом данных, поэтому мы упорно над этим работаем. Самая маленькая модель для обнаружения объектов, YOLO11n, имеет всего 2,6 миллиона параметров — примерно размером с файл JPEG, что просто безумие. Самая большая модель для обнаружения объектов, YOLO11x, имеет около 56 миллионов параметров, и даже она невероятно мала по сравнению с другими моделями. Ты можешь обучать их на дешевом графическом процессоре, например на пятилетней Nvidia GPU, имея лишь энтузиазм и чашку кофе».
В этой статье мы поближе познакомимся с Ultralytics YOLO11, изучим её возможности, улучшения, бенчмарки производительности и реальные сценарии применения, чтобы помочь тебе понять, на что способна эта модель. Давай начнем!
Понимание Ultralytics YOLO11: Улучшения по сравнению с прошлыми версиями#
YOLO11 — это новейшее достижение в серии computer vision models 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 computer vision tasks, что и YOLOv8, включая object detection, instance segmentation и image classification. Фактически, пользователи могут легко переключиться на YOLO11 без необходимости менять существующие рабочие процессы.
Одним из главных достоинств YOLO11 является его превосходящая производительность как в точности, так и в скорости по сравнению с предшественниками. Имея на 22% меньше параметров, чем YOLOv8m, YOLO11m достигает более высокой mean average precision (mAP) на COCO dataset, что означает более точное и эффективное обнаружение объектов. С точки зрения скорости обработки YOLO11 превосходит более ранние модели, что делает его идеальным для приложений реального времени, где критически важны быстрое обнаружение и отклик, а на счету каждая миллисекунда.
Нижеприведенный график бенчмарков иллюстрирует, чем YOLO11 отличается от предыдущих моделей. На горизонтальной оси показана COCO Box Average Precision (AP), которая измеряет точность обнаружения объектов. Вертикальная ось отображает задержку (latency) с использованием TensorRT10 FP16 на NVIDIA T4 GPU, показывая, насколько быстро модель обрабатывает данные.
Рис. 1. Ultralytics YOLO11 обеспечивает передовые возможности обнаружения объектов в реальном времени.
Запуск модели Ultralytics YOLO11: Варианты с открытым исходным кодом и корпоративные версии#
С запуском Ultralytics YOLO11 компания Ultralytics расширяет серию YOLO, предлагая как open-source, так и enterprise модели для удовлетворения растущего спроса 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 лучшую модель в зависимости от конкретных потребностей твоего computer vision application’s. Пять размеров обеспечивают гибкость в таких задачах, как image classification, object detection, instance segmentation, tracking, pose estimation и oriented bounding boxes (OBB) object detection. Для каждого размера доступна модель под каждую задачу, в результате чего формируется в общей сложности 25 open-source моделей, составляющих основу предложений Ultralytics. Эти модели идеально подходят для широкого спектра applications: от легких задач на граничных устройствах, где модель YOLO11n предлагает впечатляющую эффективность, до larger-scale applications, требующих моделей YOLO11l и YOLO11x.
Впервые Ultralytics представляет enterprise модели, что знаменует собой важную веху в нашем ассортименте продуктов, и мы рады поделиться этими новыми инновациями с нашими пользователями. YOLO11 представляет пять проприетарных моделей, разработанных специально для коммерческих сценариев использования. Эти корпоративные модели, которые станут доступны в следующем месяце, обучены на новом проприетарном dataset от Ultralytics, состоящем из более чем 1 миллиона изображений, что обеспечивает более надежные предобученные модели. Они созданы для demanding, real-world applications, таких как medical imagery analysis и satellite image processing, где точное обнаружение объектов имеет решающее значение.
Изучение функций нового поколения Ultralytics YOLO11#
Теперь, когда мы обсудили возможности Ultralytics YOLO11, давай посмотрим, что делает YOLO11 таким особенным.
Одной из ключевых проблем при разработке YOLO11 был поиск правильного баланса между конкурирующими приоритетами: сделать модели меньше, быстрее и точнее. Как пояснил основатель и генеральный директор Ultralytics Гленн Йочер (Glenn Jocher), Working on YOLO research and development — это действительно сложная задача, потому что ты хочешь двигаться в трех разных направлениях: сделать модели меньше, повысить их точность, а также ускорить их работу на различных платформах, таких как CPU и GPU. Все это — конкурирующие интересы, поэтому тебе приходится идти на компромиссы и выбирать, где именно вносить изменения». Несмотря на эти трудности, YOLO11 достигает впечатляющего баланса, обеспечивая улучшения как по скорости, так и по точности по сравнению с предыдущими версиями вроде YOLOv8.
Fig 3. Пример использования Ultralytics YOLO11 для детекции объектов.
Ultralytics YOLO11 приносит существенные улучшения, такие как улучшенное извлечение признаков с переработанной архитектурой бэкбона и нек-части, что приводит к более точному обнаружению объектов. Модель также оптимизирована для скорости и эффективности, предлагая более быстрое время обработки при сохранении высокой точности. В дополнение к этим преимуществам YOLO11 обладает высокой адаптивностью в различных средах, бесперебойно работая на периферийных устройствах, облачных платформах и системах с использованием NVIDIA GPUs. Эта адаптивность делает ее идеальным выбором для пользователей, которым нужны гибкие варианты развертывания в различных аппаратных конфигурациях, от мобильных устройств до крупномасштабных серверов.
Приложения Ultralytics YOLO11 в реальном времени#
Универсальность Ultralytics YOLO11 делает ее надежным инструментом во многих отраслях, особенно при работе со сложными сценариями использования. Например, она бесперебойно работает на периферийных устройствах и может использоваться для приложений, требующих анализа в реальном времени в средах с ограниченной вычислительной мощностью. Отличным примером этого является автономное вождение, где транспортным средствам необходимо принимать молниеносные решения для обеспечения безопасности каждого. YOLO11 помогает обнаруживать и анализировать объекты на дороге, такие как пешеходы или другие автомобили, даже в сложных условиях, таких как слабое освещение или частичное перекрытие объектов. Быстрое и точное обнаружение помогает предотвратить аварии и гарантирует, что транспортные средства смогут безопасно ориентироваться.
Fig 4. Гленн Джохер на сцене YV24 рассказывает о применении Ultralytics YOLO11.
Другим интересным примером возможностей Ultralytics YOLO11 является ее способность работать с ориентированными ограничивающими рамками (OBB). Это необходимо для обнаружения объектов, которые расположены не идеально ровно. Обнаружение объектов с помощью OBB — это функция, которая особенно полезна в таких отраслях, как сельское хозяйство, картография и видеонаблюдение, где изображения часто содержат повернутые объекты, такие как посевы или здания на аэро- или спутниковых снимках. В отличие от традиционных моделей, YOLO11 может идентифицировать объекты под любым углом и обеспечивать гораздо более точные результаты для задач, требующих точности.
Ultralytics YOLO11 для разработчиков ИИ: попробуй сам#
Начать работу с YOLO11 просто и удобно, независимо от того, предпочитаешь ли ты программирование или варианты без кода (no-code). Чтобы работать с YOLO11 с помощью кода, ты можешь использовать Ultralytics Python package для легкого обучения и развертывания моделей. Если ты предпочитаешь подход без кода, Ultralytics Platform позволяет протестировать YOLO11 всего в несколько кликов.
Разбор кода Ultralytics YOLO11#
Чтобы использовать YOLO11 с Python, тебе 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 рекомендаций по процессу установки обязательно ознакомься с нашим Ultralytics Installation Guide. Если при установке необходимых пакетов для YOLO11 у тебя возникнут трудности, обратись к нашему руководству Common Issues Guide за решениями и советами.
Установив пакет Ultralytics, using YOLO11 is straightforward. Следующий фрагмент кода проведет тебя через процесс loading a model, training it, testing its performance и exporting ее в ONNX format. Для получения более подробных примеров и продвинутого использования обязательно обратись к official Ultralytics documentation, где ты найдешь подробные guides и рекомендации для getting the most out of YOLO11.
Рис 5. Использование YOLO11 через пакет Ultralytics.
Для пользователей, предпочитающих подход без кода, Ultralytics Platform предоставляет простой способ обучения и развертывания моделей YOLO11 всего в несколько кликов. Чтобы get started with Ultralytics Platform, просто создай аккаунт на Ultralytics Platform, после чего ты сможешь начать обучение и управление своими моделями через интуитивно понятный интерфейс.
Ultralytics YOLO11: формируем будущее компьютерного зрения#
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 компьютерное зрение стимулирует инновации в таких отраслях, как здравоохранение и сельское хозяйство.
