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。在此之前，它已于 YOLO Vision 2024 (YV24)——Ultralytics 的年度混合活动上首次亮相，是当时计算机视觉领域的最新进展。AI 社区迅速开始探索该模型的能力。YOLO11 处理速度更快、准确率更高，并针对边缘设备和云端部署进行了优化，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：“世界正在转向清洁能源，但速度还不够快。我们希望模型用更少的训练轮次、更少的数据增强和更少的数据就能完成训练，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，这真的很不可思议。最大的目标检测模型 YOLO11x 大约有 5600 万个参数，即便如此，与其他模型相比也小得惊人。你可以用便宜的 GPU 来训练它们，比如一块五年前的 Nvidia GPU，只需要一些热情和一点咖啡。”

在本文中，我们将深入了解 Ultralytics YOLO11 的功能、改进、性能基准测试和实际应用，帮助你了解这个模型能做什么。

了解 Ultralytics YOLO11：相较以往版本的改进#

发布时，YOLO11 是 YOLO（只看一次）系列计算机视觉模型的最新进展（此后已由 Ultralytics YOLO26 取代）。与之前的版本（如 YOLOv5 和 YOLOv8）相比，它有了显著改进。Ultralytics 团队结合社区反馈和最新研究成果，让 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。实际上，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，它在精度和速度方面都表现出色。YOLO11m 的参数量比 YOLOv8m 少 22%，但在 COCO 数据集上的平均精度均值 (mAP)更高，这意味着它能更精确、更高效地检测物体。在处理速度方面，YOLO11 超越了早期模型，非常适合需要快速检测和响应、每毫秒都至关重要的实时应用。

下方的基准测试图展示了 YOLO11 相较于早期模型的优势。横轴显示 COCO 边界框平均精度 (AP)，用于衡量目标检测精度。纵轴显示使用 NVIDIA T4 GPU 上的 TensorRT 10 FP16 得出的延迟，反映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 的发布，Ultralytics 正在扩展 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。这五种尺寸适用于目标检测、实例分割、图像分类、姿态估计、有向边界框 (OBB) 目标检测和跟踪等任务，提供灵活选择。每种尺寸均针对每项任务提供对应模型，因此共有 25 个开源模型，构成了 Ultralytics 产品的核心。这些模型适用于各种应用，从在边缘设备上运行的轻量级任务（YOLO11n 在这类任务中效率出色），到需要 YOLO11l 和 YOLO11x 的大规模应用。

Ultralytics 首次推出企业版模型，标志着产品线迈出重要一步。我们很高兴与用户分享这些新成果。YOLO11 推出了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月推出，使用 Ultralytics 的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现实应用而设计，例如医学影像分析和卫星图像处理，这些应用都需要精准的目标检测。

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 的一项关键挑战，是在相互竞争的目标之间找到适当平衡：让模型更小、更快、更精准。正如 Ultralytics 创始人兼 CEO Glenn Jocher 所解释：“YOLO 的研发确实很有挑战，因为你想同时朝三个不同方向前进：让模型更小、让模型更精准，同时还希望模型能在 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 仍实现了出色的平衡，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，例如通过重新设计的主干网络和颈部架构提升特征提取能力，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，在保持高精度的同时缩短了处理时间。除了这些优势，YOLO11 还具有很强的环境适应能力，可在边缘设备、云平台和使用 NVIDIA GPU 的系统上运行。这种适应性使其成为需要灵活部署选项的用户的理想选择，能够适配从移动设备到大型服务器的各种硬件配置。

Ultralytics YOLO11 的实时应用#

Ultralytics YOLO11 用途广泛，在许多行业中都是可靠的工具，尤其适用于复杂用例。例如，它可以在边缘设备上高效运行，并用于计算能力有限的环境中的实时分析。自动驾驶就是一个很好的例子：车辆必须在瞬间做出决策，确保每个人的安全。YOLO11 可以通过检测和分析道路上的物体，例如行人或其他车辆，来提供帮助，即使在光线昏暗或物体被部分遮挡等恶劣条件下也能胜任。快速、准确的检测有助于防止事故发生，并确保自动驾驶车辆安全行驶。

图 4. Glenn Jocher 在 YV24 活动现场的台上介绍 Ultralytics YOLO11 的应用。

另一个展现 Ultralytics YOLO11 广泛适用性的有趣示例，是它能够处理有向边界框 (OBB)。这对于检测没有完全对齐的物体至关重要。OBB 目标检测在农业、地图绘制和监控等行业尤其有用，因为这些领域的图像中经常包含旋转物体，例如航空或卫星图像中的作物或建筑物。与传统模型不同，YOLO11 可以识别任意角度的物体，并在需要精确度的任务中提供更准确的结果。

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 Ultralytics 软件包后，使用 YOLO11 非常简单。下面的代码片段将演示如何加载模型、训练模型、测试模型性能，并将模型导出为 ONNX 格式。如需更多深入示例和高级用法，请参阅 Ultralytics 官方文档，其中提供了详细指南和最佳实践，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，只需创建一个 Ultralytics Platform 账户，然后就能通过直观的界面训练和管理模型。

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。