关于 Ultralytics YOLO11 及其应用，您需要了解的一切

9 月 30 日星期一，Ultralytics 在 YOLO Vision 2024 (YV24)（Ultralytics 的年度混合活动）上首次亮相后，正式发布了 Ultralytics YOLO11，这是计算机视觉领域的最新进展。AI 社区对探索该模型的功能感到兴奋不已。凭借更快的处理速度、更高的准确性以及针对边缘设备和云部署优化的模型，YOLO11 重新定义了实时计算机视觉应用的可能性。

在一次采访中，Ultralytics 创始人兼 CEO Glenn Jocher 分享道：“世界正在朝着清洁能源方向发展，但速度还不够快。我们希望我们的模型能够以更少的 epoch、更少的数据增强和更少的数据进行训练，因此我们正在努力实现这一目标。最小的目标检测模型 YOLO11n 只有 260 万个参数——大约相当于一个 JPEG 文件的大小，这真的很疯狂。最大的目标检测模型 YOLO11x 约有 5600 万个参数，即使这样与其他模型相比也非常小。您可以在一个廉价的 GPU 上训练它们，比如一个有五年历史的英伟达 GPU，只需一些热情和一点咖啡。”

在本文中，我们将仔细研究 YOLO11，探索其特性、改进、性能基准和实际应用，以帮助您了解该模型的功能。让我们开始吧！

了解 YOLO11：相比以往版本的改进

YOLO11 是 YOLO（You Only Look Once）系列计算机视觉模型的最新进展，与之前的版本（如 YOLOv5 和 YOLOv8）相比，它提供了显著的改进。Ultralytics 团队融入了社区反馈和前沿研究，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，包括目标检测、实例分割和图像分类。事实上，用户可以轻松切换到 YOLO11，而无需更改现有的工作流程。

YOLO11 的主要亮点之一是其在准确性和速度方面的卓越性能，优于其前代产品。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)，这意味着它可以更精确、更高效地检测目标。在处理速度方面，YOLO11 的性能优于早期模型，使其成为实时应用的理想选择，在这些应用中，快速检测和响应至关重要，每一毫秒都很重要。

下面的基准测试图表说明了 YOLO11 如何从之前的模型中脱颖而出。在横轴上，它显示了 COCO Box 平均精度 (AP)，用于衡量目标检测的准确性。纵轴显示了在 NVIDIA T4 GPU 上使用 TensorRT10 FP16 时的延迟，表明模型处理数据的速度。 

​

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，以满足各行业日益增长的需求。

​

YOLO11 具有五种不同的模型尺寸——Nano、Small、Medium、Large 和 X。用户可以根据其计算机视觉应用的特定需求选择最佳模型。这五种尺寸为图像分类、目标检测、实例分割、跟踪、姿态估计和定向边界框 (OBB) 目标检测等任务提供了灵活性。对于每种尺寸，都有一个适用于每个任务的模型，总共形成了 25 个开源模型，这些模型构成了 Ultralytics 产品的核心。这些模型非常适合各种应用，从边缘设备上的轻量级任务（其中 YOLO11n 模型提供了令人印象深刻的效率）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 推出了五种专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 的新专有数据集上训练的，该数据集包含超过 100 万张图像，可提供更强大的预训练模型。它们专为要求苛刻的实际应用而设计，例如医学图像分析和卫星图像处理，在这些应用中，精确的目标检测至关重要。

探索下一代 YOLO11 功能

既然我们已经讨论了 YOLO11 提供的功能，那么让我们来看看是什么让 YOLO11 如此特别。

开发 YOLO11 的主要挑战之一是在相互竞争的优先级之间找到适当的平衡：使模型更小、更快、更准确。正如 Ultralytics 的创始人兼 CEO Glenn Jocher 解释的那样，“从事 YOLO 的研究和开发确实具有挑战性，因为您希望朝着三个不同的方向发展：您希望使模型更小，您希望它们更准确，但您也希望它们在 CPU 和 GPU 等不同平台上更快。所有这些都是相互竞争的利益，因此您必须做出妥协并选择在哪里进行更改。” 尽管存在这些挑战，YOLO11 仍实现了令人印象深刻的平衡，在速度和准确性方面都优于以前的版本，如 YOLOv8。

​

YOLO11 带来了实质性的增强，例如通过重新设计的主干和颈部架构改进了特征提取，从而实现了更精确的目标检测。该模型还针对速度和效率进行了优化，在保持高精度的同时提供了更快的处理时间。除了这些优势之外，YOLO11 具有高度的适应性，可在不同的环境中无缝工作，可在边缘设备、云平台和使用 NVIDIA GPU 的系统上无缝工作。这种适应性使其成为需要跨各种硬件设置（从移动设备到大型服务器）进行灵活部署选项的用户的理想选择。

实时 YOLO11 应用

YOLO11 的多功能性使其成为众多行业中可靠的工具，尤其是在处理复杂用例时。例如，它可以在边缘设备上无缝运行，并可用于在计算能力有限的环境中需要实时分析的应用。 自动驾驶就是一个很好的例子，车辆需要做出瞬间决策以确保每个人的安全。 YOLO11 通过检测和分析道路上的物体（如行人或其他车辆）来提供帮助，即使在弱光或物体部分隐藏等恶劣条件下也是如此。 快速准确的检测有助于防止事故，并确保自动驾驶车辆能够安全行驶。

​

YOLO11 功能的另一个有趣的例子是它处理定向边界框 (OBB)的能力。 这对于检测未完全对齐的物体至关重要。 OBB 对象检测是一项功能，在农业、测绘和监控等行业中特别有用，在这些行业中，图像通常包含旋转的物体，例如航空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，并为需要精确度的任务提供更准确的结果。

面向 AI 开发者的 YOLO11：亲自试用一下

YOLO11 的入门非常简单，无论您喜欢编码还是无代码选项。 要通过代码使用 YOLO11，您可以使用 Ultralytics Python 包来轻松训练和部署模型。 如果您喜欢无代码方法，Ultralytics HUB 可让您只需点击几下即可试用 YOLO11。

YOLO11 代码演练

要将 YOLO11 与 Python 结合使用，您首先需要安装 Ultralytics 包。 根据您的偏好，您可以使用 pip、conda 或 Docker 来执行此操作。 有关安装过程的详细说明和最佳实践，请务必查看我们的 Ultralytics 安装指南。 在为 YOLO11 安装所需软件包时，如果遇到任何困难，请参阅我们的常见问题解答指南以获取解决方案和提示。

安装 Ultralytics 包后，使用 YOLO11 非常简单。 以下代码片段将引导您完成加载模型、训练模型、测试其性能以及将其导出为 ONNX 格式的过程。 有关更深入的示例和高级用法，请务必参阅官方 Ultralytics 文档，您将在其中找到详细的指南和充分利用 YOLO11 的最佳实践。

​

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

YOLO11：塑造视觉 AI 的未来

AI 社区不断推进计算机视觉领域的发展，努力开发更快、更准确的模型以用于实际应用。 Ultralytics YOLO11 是这项工作中的一个重要里程碑，它带来了更高的速度、准确性和灵活性。 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。 无论您是使用 Ultralytics Python 包还是无代码 Ultralytics Hub，YOLO11 都能简化复杂的视觉 AI 任务。 它提供强大的计算机视觉功能，使其成为开发人员和企业的绝佳选择。

查看我们的 GitHub 存储库 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 如何推动医疗保健和农业等行业的创新。