关于 Ultralytics YOLO11 及其应用，你需要了解的一切

9月30日星期一，Ultralytics 正式发布了最新的 Ultralytics YOLO11，这是计算机视觉领域的最新进展。此前，Ultralytics 在其年度混合活动 YOLO Vision 2024 (YV24) 上首次推出了该模型。随着 AI 社区争相探索这一模型的能力，大家对此兴奋不已。凭借更快的处理速度、更高的准确率，以及针对边缘设备和云端部署优化的模型，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 创始人兼首席执行官 Glenn Jocher 分享道：“世界正朝着清洁能源发展，但速度还不够快。我们希望自己的模型能够用更少的训练周期、更少的数据增强和更少的数据完成训练，因此我们正在为此努力。最小的目标检测模型 YOLO11n 只有260万个参数——大小大约相当于一张 JPEG 图片，这真的非常不可思议。最大的目标检测模型 YOLO11x 约有5600万个参数，即使如此，与其他模型相比仍然小得惊人。你可以在一块便宜的 GPU 上训练它们，比如一块五年前的 Nvidia GPU，只需要一些热情，再加上一点咖啡。”

在本文中，我们将深入了解 Ultralytics YOLO11，探讨它的功能、改进、性能基准和实际应用，帮助你了解这一模型能够做什么。让我们开始吧！

了解 Ultralytics YOLO11：相比过去版本的改进#

YOLO11 是 YOLO（只看一次）系列计算机视觉模型的最新进展，相比 YOLOv5 和 YOLOv8 等之前的版本，它带来了显著改进。Ultralytics 团队结合社区反馈和前沿研究，让 YOLO11 更快速、更准确且更高效。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，用户无需更改现有工作流程，即可轻松切换到 YOLO11。

YOLO11 的一大亮点是，与前代模型相比，它在准确率和速度方面都具有更出色的性能。YOLO11m 的参数量比 YOLOv8m 少22%，却在 COCO 数据集上取得了更高的平均精度均值（mAP），这意味着它能够更精准、更高效地检测目标。在处理速度方面，YOLO11 超越了早期模型，非常适合实时应用，因为在这类应用中，快速检测和响应至关重要，每一毫秒都很关键。

下面的基准测试图展示了 YOLO11 如何脱颖而出，超越之前的模型。横轴显示COCO 边界框平均精度（AP），用于衡量目标检测的准确率。纵轴显示使用 TensorRT10 FP16 在 NVIDIA T4 GPU 上测得的延迟，反映模型处理数据的速度。

图1。Ultralytics YOLO11 提供业界领先的实时目标检测能力。

Ultralytics YOLO11 模型发布：开源和企业版选项#

随着 Ultralytics YOLO11 的发布，Ultralytics 通过提供开源和企业版模型，扩展了 YOLO 系列，以满足各行业不断增长的需求。

图2。通过此次发布，Ultralytics 提供了30个新模型。

YOLO11 提供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具体需求选择最合适的模型。这五种尺寸适用于图像分类、目标检测、实例分割、跟踪、姿态估计和有向边界框（OBB）目标检测等任务。每种尺寸都为每项任务提供了一个模型，共计25个开源模型，构成了 Ultralytics 产品体系的核心。这些模型适用于广泛的应用，从边缘设备上的轻量级任务（YOLO11n 模型在这类任务中展现出出色的效率），到需要 YOLO11l 和 YOLO11x 模型的大规模应用。

Ultralytics 首次推出企业版模型，这是产品线发展的重要里程碑，我们很高兴能与用户分享这些创新成果。YOLO11 推出了五个专为商业使用场景设计的专有模型。这些企业版模型将于下月推出，使用 Ultralytics 全新的专有数据集进行训练，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。这些模型专为要求严苛的实际应用而打造，例如医学图像分析和卫星图像处理，在这些场景中，精准的目标检测至关重要。

探索新一代 Ultralytics YOLO11 功能#

现在我们已经介绍了 Ultralytics YOLO11 的功能，接下来看看 YOLO11 的特别之处。

开发 YOLO11 时面临的主要挑战之一，是在相互竞争的目标之间找到恰当的平衡：让模型更小、更快、更准确。正如 Ultralytics 创始人兼首席执行官 Glenn Jocher 所解释的那样，“开展 YOLO 研究与开发确实非常具有挑战性，因为你希望同时朝三个不同的方向发展：让模型更小，让模型更准确，同时还要让它们在 CPU 和 GPU 等不同平台上运行得更快。这些目标彼此存在竞争，因此你必须做出妥协，并选择在哪些方面进行改动。”尽管存在这些挑战，YOLO11 仍实现了令人印象深刻的平衡，在速度和准确率方面都比 YOLOv8 等之前的版本有所提升。

图3。使用 Ultralytics YOLO11 进行目标检测的示例。

Ultralytics YOLO11 带来了多项重大增强，例如通过重新设计骨干网络和颈部架构改进特征提取，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缩短了处理时间。除此之外，YOLO11 还具备很强的适应性，能够适应不同环境，在边缘设备、云平台以及使用 NVIDIA GPU 的系统上无缝运行。这种适应性使其成为需要在各种硬件配置之间灵活选择部署选项的用户的理想选择，适用范围从移动设备到大型服务器。

Ultralytics YOLO11 的实时应用#

Ultralytics YOLO11 的多功能性使其成为众多行业中值得信赖的工具，尤其适用于处理复杂使用场景。例如，它可以在边缘设备上无缝运行，用于在计算能力有限的环境中进行实时分析的应用。自动驾驶就是一个很好的例子，在这种场景中，车辆需要在瞬间做出决策，以确保所有人的安全。YOLO11 可以通过检测和分析道路上的目标来提供帮助，例如行人或其他车辆，即使是在光线不足或目标部分被遮挡等恶劣条件下也不例外。快速而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导航。

图4。 Glenn Jocher 在 YV24 现场谈论 Ultralytics YOLO11 的应用。

Ultralytics YOLO11 功能广泛的另一个有趣例子，是它能够处理有向边界框（OBB）。这对于检测未完全对齐的目标至关重要。OBB 目标检测在农业、测绘和监控等行业中特别有用，因为在这些领域中，图像通常包含旋转的目标，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 可以识别任意角度的目标，并为需要高精度的任务提供准确得多的结果。

面向 AI 开发者的 Ultralytics YOLO11：亲自试用#

无论你喜欢编程还是无代码方案，开始使用 YOLO11 都很简单、易上手。要通过代码使用 YOLO11，你可以使用 Ultralytics Python 软件包轻松训练和部署模型。如果你更喜欢无代码方式，Ultralytics Platform只需点击几下即可让你试用 YOLO11。

Ultralytics YOLO11 代码演练#

要将 YOLO11 与 Python 配合使用，你首先需要安装 Ultralytics 软件包。根据你的偏好，你可以使用 pip、conda 或 Docker 完成安装。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。在安装 YOLO11 所需的软件包时，如果遇到任何困难，请参阅我们的常见问题指南，获取解决方案和提示。

安装 Ultralytics 软件包后，使用 YOLO11 非常简单。以下代码片段将引导你完成加载模型、训练模型、测试模型性能以及将模型导出为 ONNX 格式的过程。如需更深入的示例和高级用法，请务必参阅 Ultralytics 官方文档，其中提供了详细的指南和充分发挥 YOLO11 功能的最佳实践。

图5。通过 Ultralytics 软件包使用 YOLO11。

对于偏好无代码方式的用户，Ultralytics Platform提供了一种简单易用的方式，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 上创建一个账户，即可通过直观的界面开始训练和管理模型。

Ultralytics YOLO11：塑造视觉 AI 的未来#

AI 社区一直在不断推动计算机视觉领域的发展，努力为实际应用开发更快、更准确的模型。Ultralytics YOLO11 是这一进程中的重要里程碑，带来了速度、准确率和灵活性的提升。它专为实时应用和边缘应用而设计，非常适合医疗健康和自动驾驶等行业。无论你使用的是 Ultralytics Python 软件包，还是无代码的 Ultralytics Platform，YOLO11 都能简化复杂的视觉 AI 任务。它提供强大的计算机视觉能力，是开发者和企业的绝佳选择。

查看我们的 GitHub 仓库，加入活跃的社区，了解更多 AI 相关信息。探索视觉 AI 如何推动医疗保健和农业等行业的创新。