你需要了解的 Ultralytics YOLO11 及其应用

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，此前它已在 Ultralytics 每年举办的混合式活动 YOLO Vision 2024（YV24）上首次亮相。AI 社区对这款模型的能力充满期待，大家纷纷开始探索。凭借更快的处理速度、更高的精度，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。

在一次访谈中，Ultralytics 创始人兼 CEO Glenn Jocher 表示：“世界正在转向清洁能源，但速度还不够快。我们希望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——大小差不多相当于一张 JPEG 图片，确实非常惊人。最大的目标检测模型 YOLO11x 约有 5600 万个参数，即便如此，与其他模型相比仍然小得惊人。你可以用一块价格低廉的 GPU 来训练这些模型，比如五年前的 Nvidia GPU，只需有点热情，再来一点咖啡就行。”

本文将深入介绍 Ultralytics YOLO11，探讨其功能、改进、性能基准和实际应用，帮助你了解这款模型能做什么。现在就开始吧！

了解 Ultralytics YOLO11：相较以往版本的改进#

YOLO11 是 YOLO 系列计算机视觉模型的最新进展，与 YOLOv5 和 YOLOv8 等早期版本相比有显著改进。Ultralytics 团队结合社区反馈和前沿研究，让 YOLO11 变得更快、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，用户无需更改现有工作流，就能轻松切换到 YOLO11。

YOLO11 的一大亮点是，与前代模型相比，它在精度和速度方面都表现出色。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），这意味着它能更精确、高效地检测物体。在处理速度方面，YOLO11 超越了早期模型，非常适合实时应用；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。

下方的基准测试图展示了 YOLO11 相较以往模型的优势。横轴表示 COCO 边界框平均精度（AP），用于衡量目标检测的准确性。纵轴表示使用 TensorRT10 FP16 在 NVIDIA T4 GPU 上测得的延迟，体现模型处理数据的速度。

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

Ultralytics YOLO11 模型发布：开源版和企业版#

随着 Ultralytics YOLO11 发布，Ultralytics 扩展了 YOLO 系列，推出开源和企业版模型，以满足各行业日益增长的需求。

图 2. 此次发布推出了 30 款全新模型。

YOLO11 提供五种不同的模型尺寸：Nano、Small、Medium、Large 和 X。用户可以根据计算机视觉应用的具体需求，选择最合适的模型。五种尺寸可灵活适用于多种任务，例如图像分类、目标检测、实例分割、跟踪、姿态估计和旋转边界框（OBB）目标检测。每种尺寸都为每项任务提供相应模型，因此共有 25 款开源模型，构成 Ultralytics 产品的核心。这些模型适用于各种应用，从使用 YOLO11n 模型即可实现出色效率的轻量级边缘设备任务，到需要 YOLO11l 和 YOLO11x 模型的大规模应用。

Ultralytics 首次推出企业版模型，这标志着产品阵容迈出了重要一步，我们很高兴能与用户分享这些创新成果。YOLO11 推出五款专为商业用途设计的专有模型。这些企业版模型将于下个月推出，采用 Ultralytics 全新专有数据集训练，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真实应用场景打造，例如医学影像分析和卫星图像处理，在这些场景中，精确的目标检测至关重要。

探索新一代 Ultralytics YOLO11 功能#

了解 Ultralytics YOLO11 的功能后，接下来看看 YOLO11 的特别之处。

开发 YOLO11 的一大挑战，是在相互冲突的目标之间找到合适的平衡：让模型更小、更快、更准确。Ultralytics 创始人兼 CEO Glenn Jocher 解释道：“开展 YOLO 研究与开发工作确实很有挑战，因为你想同时朝三个不同方向努力：让模型更小、让模型更准确，还希望模型在 CPU 和 GPU 等不同平台上运行得更快。这些目标彼此冲突，因此你必须做出取舍，并选择在哪些方面进行调整。”尽管面临这些挑战，YOLO11 仍实现了令人印象深刻的平衡，在速度和精度方面均优于 YOLOv8 等早期版本。

图 3. 使用 Ultralytics YOLO11 进行目标检测的示例。

Ultralytics YOLO11 带来了多项重大改进，例如通过重新设计骨干网络和颈部结构来改进特征提取，从而实现更精确的目标检测。该模型也针对速度和效率进行了优化，在保持高精度的同时缩短处理时间。除此之外，YOLO11 具有很强的适应性，能够在不同环境中无缝运行，包括边缘设备、云平台和使用 NVIDIA GPU 的系统。这种适应性使其成为需要在各种硬件配置中灵活选择部署方案的用户的理想选择，适用范围从移动设备到大规模服务器。

Ultralytics YOLO11 的实时应用#

Ultralytics YOLO11 用途广泛，是许多行业的可靠工具，尤其适用于复杂应用场景。例如，它能在边缘设备上无缝运行，可用于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：车辆需要在瞬间做出决策，确保所有人的安全。YOLO11 能够检测并分析道路上的物体，例如行人或其他车辆，即使在光线昏暗或物体部分遮挡等恶劣条件下也能工作。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 活动现场的台上介绍 Ultralytics YOLO11 的应用。

Ultralytics YOLO11 另一个有趣的应用，是处理旋转边界框（OBB）的能力。这对检测未完全对齐的物体至关重要。OBB 目标检测在农业、测绘和监控等行业尤其有用，因为图像中经常包含旋转物体，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 可以识别任意角度的物体，并在需要精度的任务中提供准确得多的结果。

面向 AI 开发者的 Ultralytics YOLO11：亲自试用#

无论你喜欢编写代码还是使用无代码方案，都可以轻松上手 YOLO11。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，就能让你试用 YOLO11。

Ultralytics YOLO11 代码实践指南#

要通过 Python 使用 YOLO11，你需要先安装 Ultralytics 软件包。根据个人偏好，你可以使用 pip、conda 或 Docker 安装。有关安装流程的详细说明和最佳实践，请查看我们的 Ultralytics 安装指南。安装 YOLO11 所需软件包时，如果遇到任何问题，请参阅我们的常见问题指南，获取解决方案和实用建议。

安装好 Ultralytics 软件包后，使用 YOLO11 就很简单了。以下代码片段将介绍如何加载模型、训练模型、测试模型性能，并将模型导出为 ONNX 格式。如需更深入的示例和高级用法，请参阅 Ultralytics 官方文档，其中提供了详细的指南和最佳实践，帮助你充分发挥 YOLO11 的优势。

图 5. 通过 Ultralytics 软件包使用 YOLO11。

对于偏好无代码方案的用户，Ultralytics Platform提供简单的方式，只需点击几下就能训练和部署 YOLO11 模型。要开始使用 Ultralytics Platform，只需在 Ultralytics Platform 上创建账户，就可以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 社区不断推动计算机视觉领域向前发展，致力于为真实应用打造更快、更准确的模型。Ultralytics YOLO11 是这一努力中的重要里程碑，在速度、精度和灵活性方面都有提升。它专为实时应用和边缘应用设计，非常适合医疗保健和自动驾驶等行业。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，是开发者和企业的理想选择。

查看我们的 GitHub 代码仓库，加入我们的活跃社区，了解更多 AI 知识。探索视觉 AI 如何推动医疗保健和农业等领域的创新。