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。该模型在Ultralytics的年度混合活动YOLO Vision 2024 (YV24)上首次亮相后，AI社区反响热烈，大家纷纷争相探索其强大功能。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重新定义了可能性，助力实时计算机视觉应用实现新突破。

在一次 访谈 中，Ultralytics 创始人兼 CEO Glenn Jocher 分享道：“世界正在迈向 清洁能源，但速度还不够快。我们希望我们的模型能在更少的 epoch 下进行训练，且所需的增强操作和数据量更少，因此我们正在为此努力。最小的目标检测模型 YOLO11n 仅有 260 万个参数——其大小相当于一张 JPEG 图片，这确实令人难以置信。最大的 目标检测 模型 YOLO11x 拥有约 5600 万个参数，与其它模型相比，这依然非常小。你只需一台便宜的 GPU，比如五年前的 NVIDIA GPU，再加上一点热情和一点咖啡，就可以进行训练了。”

在本文中，我们将深入了解 YOLO11，探索其功能、改进、性能基准以及现实世界中的应用，以帮助你了解该模型能做什么。让我们开始吧！

Link to this section了解 YOLO11：优于以往版本的改进#

YOLO11 是 YOLO (You Only Look Once) 系列 计算机视觉模型 的最新进展，相较于 YOLOv5 和 YOLOv8 等前代版本，它提供了显著的改进。Ultralytics 团队结合了社区反馈和尖端研究，使 YOLO11 更快、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，用户可以轻松切换到 YOLO11，而无需更改现有的工作流。

One of the key highlights of YOLO11 is its superior performance in both accuracy and speed compared to its predecessors. With 22% fewer parameters than YOLOv8m, YOLO11m achieves a higher mean average precision (mAP) on the COCO dataset, meaning it can detect objects more precisely and efficiently. In terms of processing speed, YOLO11 outperforms earlier models, making it ideal for real-time applications, where rapid detection and response are critical, and every millisecond counts.

The benchmarking graph below illustrates how YOLO11 stands out from previous models. On the horizontal axis, it shows the COCO Box Average Precision (AP), which measures the accuracy of object detection. The vertical axis displays latency using TensorRT10 FP16 on an NVIDIA T4 GPU, indicating how fast the model processes data.

图 1. YOLO11 提供最先进的实时目标检测能力。

Link to this sectionYOLO11 模型发布：开源与企业级选项#

随着 Ultralytics YOLO11 的发布，Ultralytics 正在通过提供 开源 和 企业级 模型来扩展 YOLO 系列，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提供五种不同尺寸的模型——Nano、Small、Medium、Large和X。你可以根据计算机视觉应用的具体需求选择最适合的模型。这五种尺寸在图像分类、目标检测、实例分割、追踪、姿态估计以及旋转边界框 (OBB) 目标检测等任务中展现了极高的灵活性。每种尺寸都有对应各任务的模型，总计25款开源模型构成了Ultralytics产品系列的核心。这些模型适用于广泛的应用场景，从YOLO11n在边缘设备上提供的出色轻量化效率，到需要YOLO11l和YOLO11x支持的大规模应用，都能应对自如。

Ultralytics 首次推出了 企业级 模型，这是我们产品供应中的一个重要里程碑，我们很高兴与用户分享这些新的创新。YOLO11 引入了五款专门为商业用例设计的专有模型。这些企业级模型将于下个月推出，它们是在 Ultralytics 全新的专有 数据集（包含超过 100 万张图像）上训练的，提供更强大的预训练模型。它们专为 要求严苛的现实应用 而设计，例如 医疗影像分析 和 卫星图像处理，在这些领域，精确的目标检测至关重要。

Link to this section探索下一代 YOLO11 功能#

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

开发 YOLO11 的关键挑战之一是在相互竞争的优先级之间找到正确的平衡：即让模型更小、更快、更准确。正如 Ultralytics 创始人兼 CEO Glenn Jocher 所解释的那样：“进行 YOLO 的研发 非常具有挑战性，因为你想朝着三个不同的方向发展：你想让模型变得更小，想让它们变得更准确，但同时也想让它们在 CPU 和 GPU 等不同平台上运行得更快。这些都是相互竞争的利益点，所以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 还是取得了令人印象深刻的平衡，在速度和准确度方面都比 YOLOv8 等前代版本有所改进。

图 3. 使用 YOLO11 进行目标检测的示例。

YOLO11 brings substantial enhancements like improved feature extraction with a redesigned backbone and neck architecture, leading to more precise object detection. The model is also optimized for speed and efficiency, offering faster processing times while maintaining high accuracy. In addition to these benefits, YOLO11 is highly adaptable across different environments, working seamlessly on edge devices, cloud platforms, and systems using NVIDIA GPUs. This adaptability makes it an ideal choice for users who need flexible deployment options across various hardware setups, from mobile devices to large-scale servers.

Link to this section实时 YOLO11 应用#

YOLO11 的多功能性使其成为各行各业的可靠工具，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。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）提供帮助，即使在光线昏暗或部分物体被遮挡的困难条件下也能正常工作。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。

图 4. Glenn Jocher 在 YV24 舞台上谈论 YOLO11 应用。

YOLO11 的另一个有趣示例是其处理 旋转目标检测 (OBB) 的能力。这对于检测未完美对齐的物体至关重要。OBB 目标检测功能在 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。

Link to this section面向 AI 开发者的 YOLO11：亲自体验#

无论你喜欢编程还是偏好零代码选项，入门 YOLO11 都非常简单且易于上手。若要通过代码使用 YOLO11，你可以使用 Ultralytics Python 软件包 轻松训练和部署模型。如果你偏好零代码方式，Ultralytics Platform 让你只需点击几下即可尝试 YOLO11。

Link to this sectionYOLO11 代码演示#

要使用 Python 运行 YOLO11，你需要先安装 Ultralytics 软件包。根据你的喜好，可以使用 pip、conda 或 Docker 进行安装。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，请参考我们的 常见问题指南 获取解决方案和提示。

安装好 Ultralytics 软件包后，使用 YOLO11 非常简单。以下代码片段将引导你了解 加载模型、训练模型、测试模型性能 以及将其 导出 为 ONNX 格式 的过程。如需更深入的示例和高级用法，请务必参考 Ultralytics 官方文档，在那里你可以找到详细的 指南 和 充分利用 YOLO11 的最佳实践。

图 5. 通过 Ultralytics 软件包使用 YOLO11。

对于喜欢零代码方式的用户，Ultralytics Platform 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。若要 开始使用 Ultralytics Platform，只需在 Ultralytics Platform 上创建一个账户，你就可以通过直观的界面开始训练和管理你的模型。

Link to this sectionYOLO11：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 以了解更多关于 AI 的知识。探索视觉 AI 如何推动 医疗保健 和 农业 等行业的创新。