关于 Ultralytics YOLO11 及其应用你需要知道的一切

9月30日星期一，Ultralytics正式发布了Ultralytics YOLO11，这是计算机视觉领域的最新进展，此前该模型已在Ultralytics的年度混合活动YOLO Vision 2024 (YV24)上首次亮相。AI社区对此反响热烈，大家纷纷争相探索该模型的功能。凭借更快的处理速度、更高的准确度以及针对边缘设备和云端部署进行优化的模型，YOLO11重新定义了可能在实时计算机视觉应用中的表现。

在一次采访中，Ultralytics创始人兼CEO Glenn Jocher分享道：“世界正朝着清洁能源迈进，但速度还不够快。我们希望我们的模型能够在更少的训练轮次、更少的数据增强和更少的数据下进行训练，因此我们正在为此努力。最小的对象检测模型YOLO11n仅有260万个参数——大约和一个JPEG文件的大小相当，这真的很疯狂。最大的对象检测模型YOLO11x拥有约5600万个参数，与其它模型相比，它也小得不可思议。你可以在廉价的GPU上训练它们，比如五年老旧的Nvidia GPU，只需要一点热情和一杯咖啡。”

在这篇文章中，我们将深入探讨Ultralytics YOLO11，探索其功能、改进、性能基准以及实际应用，帮助你了解这个模型能做什么。我们开始吧！

了解 Ultralytics YOLO11：相比以往版本的改进#

YOLO11是YOLO（You Only Look Once）计算机视觉模型系列的最新进展，与YOLOv5和YOLOv8等早期版本相比，它带来了显著的改进。Ultralytics团队结合了社区反馈和最前沿的研究，使YOLO11更快、更准确、更高效。YOLO11还支持与YOLOv8相同的计算机视觉任务，包括对象检测、实例分割和图像分类。实际上，用户可以轻松切换到YOLO11，而无需更改现有的工作流。

YOLO11的核心亮点之一是其在前代产品基础上的卓越性能，兼具准确度与速度。与YOLOv8m相比，YOLO11m的参数减少了22%，但在COCO数据集上实现了更高的平均精度均值 (mAP)，这意味着它能够更精准、更高效地检测对象。在处理速度方面，YOLO11优于早期模型，非常适合对快速检测和响应要求极高、每一毫秒都至关重要的实时应用。

下方的基准测试图展示了YOLO11如何从以往的模型中脱颖而出。水平轴显示了COCO Box Average Precision (AP)，用于衡量对象检测的准确度。垂直轴显示了在NVIDIA T4 GPU上使用TensorRT10 FP16测得的延迟，表示模型处理数据的速度。

图 1. Ultralytics YOLO11 提供先进的实时目标检测功能。

Ultralytics YOLO11 模型发布：开源和企业选项#

随着Ultralytics YOLO11的发布，Ultralytics正在扩展YOLO系列，提供开源和企业模型，以满足各行各业不断增长的需求。

图 2. 此次发布，Ultralytics 提供了 30 款全新模型。

YOLO11包含五种不同的模型尺寸——Nano、Small、Medium、Large和X。用户可以根据计算机视觉应用的具体需求选择最佳模型。这五种尺寸在图像分类、对象检测、实例分割、跟踪、姿态估计和旋转边界框 (OBB) 对象检测等任务中提供了灵活性。每种尺寸都有针对各项任务的模型可供选择，总共形成了构成Ultralytics核心产品的25个开源模型。这些模型非常适合广泛的应用，从YOLO11n模型提供惊人效率的边缘设备轻量级任务，到需要YOLO11l和YOLO11x模型的大规模应用。

Ultralytics首次推出企业模型，这标志着我们产品阵容的一个重要里程碑，我们很高兴与用户分享这些新创新。YOLO11推出了五个专门为商业用例设计的专有模型。这些企业模型将于下个月推出，它们是在Ultralytics全新的专有数据集上训练的，包含超过100万张图像，能够提供更加鲁棒的预训练模型。它们专为要求严苛的现实世界应用而设计，例如医疗影像分析和卫星图像处理，在这些领域中精准的对象检测至关重要。

探索下一代 Ultralytics YOLO11 功能#

既然我们已经探讨了 Ultralytics YOLO11 提供的功能，接下来让我们看看是什么让 YOLO11 如此特别。

开发YOLO11面临的关键挑战之一，是在相互冲突的优先级之间找到正确的平衡：使模型更小、更快、更准确。正如Ultralytics创始人兼CEO Glenn Jocher所解释的那样，“从事YOLO研发工作非常具有挑战性，因为你希望朝着三个不同的方向发展：你希望模型更小，你希望它们的准确度更高，但你也希望它们在CPU和GPU等不同平台上运行得更快。所有这些都是相互冲突的利益，因此你必须做出妥协并选择在哪里进行更改。”尽管面临这些挑战，YOLO11仍然实现了令人印象深刻的平衡，在速度和准确度上都比YOLOv8等早期版本有所提升。

Fig 3. 使用Ultralytics YOLO11进行目标检测的示例。

Ultralytics YOLO11 带来了重大的改进，例如通过重新设计的主干和颈部架构来改善特征提取，从而实现更精准的目标检测。该模型还针对速度和效率进行了优化，在保持高准确率的同时提供了更快的处理时间。除了这些优势之外，YOLO11 具有高度适应性，能够适应不同的环境，在边缘设备、云平台以及使用 NVIDIA GPU 的系统中无缝运行。这种适应性使其成为需要在各种硬件设置（从移动设备到大规模服务器）中灵活部署选项的用户的理想选择。

实时Ultralytics YOLO11应用#

Ultralytics YOLO11 的多功能性使其成为众多行业中可靠的工具，特别是在处理复杂用例时。例如，它可以在边缘设备上无缝运行，并可用于需要在计算能力有限的环境中进行实时分析的应用程序。一个极好的例子是自动驾驶，在这种情况下，车辆需要做出迅捷的决策来保证每个人的安全。YOLO11 通过检测和分析路上的物体（如行或其他车辆）来提供帮助，即使在光线不足或物体被部分遮挡等恶劣条件下也是如此。快速而准确的检测有助于防止事故发生，并确保自动驾驶车辆能够安全导航。

Fig 4. Glenn Jocher在YV24舞台上讨论Ultralytics YOLO11的应用。

Ultralytics YOLO11 适用范围广泛的另一个有趣例子是其处理定向边界框 (OBB)的能力。这对于检测未完全对齐的物体至关重要。OBB 目标检测是一项在农业、制图和监控等行业中特别有用的功能，在这些行业中，图像通常包含旋转的物体，例如航拍或卫星图像中的农作物或建筑物。与传统模型不同，YOLO11 可以识别任何角度的物体，并为需要精度的任务提供更准确的结果。

面向AI开发者的Ultralytics YOLO11：亲自体验#

开始使用YOLO11既简单又便捷，无论你喜欢写代码还是无代码选项。要通过代码使用YOLO11，你可以使用Ultralytics Python package来轻松训练和部署模型。如果你更喜欢无代码方法，Ultralytics Platform可让你只需点击几下即可试用YOLO11。

Ultralytics YOLO11代码演练#

要将YOLO11与Python配合使用，你需要先安装Ultralytics包。根据你的偏好，你可以使用pip、conda或Docker来完成此操作。有关与安装过程相关的详细说明和最佳实践，请务必查看我们的Ultralytics Installation Guide。在安装YOLO11所需的包时，如果遇到任何困难，请参考我们的Common Issues Guide以获取解决方案和技巧。

一旦安装了Ultralytics包，使用YOLO11就非常简单。下面的代码片段将引导你完成加载模型、训练模型、测试其性能以及将其导出为ONNX format的过程。有关更深入的示例和高级用法，请务必参考官方Ultralytics文档，在那里你可以找到详细的指南以及充分利用YOLO11的最佳实践。

图 5. 通过 Ultralytics 软件包使用 YOLO11。

对于喜欢无代码方法的用户，Ultralytics Platform提供了一种简便的方法，只需点击几下即可训练和部署YOLO11模型。要开始使用Ultralytics Platform，只需在Ultralytics Platform上创建一个帐户，你就可以通过直观的界面开始训练和管理你的模型。

Ultralytics YOLO11：塑造视觉AI的未来#

AI 社区正致力于为现实应用开发更快、更准确的模型，从而不断推动计算机视觉领域的发展。Ultralytics YOLO11 是这一努力的重要里程碑，带来了更高的速度、准确度和灵活性。它专为实时和边缘应用而设计，使其成为医疗保健和自动驾驶等行业的理想选择。无论你使用的是 Ultralytics Python 软件包还是零代码的 Ultralytics Platform，YOLO11 都简化了复杂的视觉 AI 任务。它提供了强大的计算机视觉功能，对于开发者和企业来说都是一个绝佳的选择。

查看我们的 GitHub 仓库并加入我们活跃的社区以了解有关 AI 的更多信息。探索视觉 AI 如何在医疗保健和农业等行业中推动创新。