Ultralytics YOLO11 来了！重新定义 AI 的无限可能！

我们很高兴推出 Ultralytics 模型的最新进化版本：YOLO11！YOLO11 基于以往 YOLO 模型版本的卓越成就，带来了一系列强大的功能和优化，使其速度更快、精度更高，且应用极为广泛。在 Ultralytics 年度 AI 专家、创新者和开发者混合盛会 YOLO Vision 2024 (YV24) 活动上，我们正式发布了这一 Ultralytics 家族的最新成员，它旨在重新定义 计算机视觉的可能性。

凭借其创新的架构，YOLO11 可用于各种计算机视觉任务，从实时目标检测到分类，这对开发者和研究人员而言都具有变革意义。关键改进包括：增强了特征提取以捕捉更精确的细节、在参数更少的情况下实现了更高的精度，以及显著提升实时性能的更快的处理速度。在本文中，我们将深入探讨 YOLO11 的突出特性，以及它如何改变你的 计算机视觉应用。让我们开始吧！

图 1. Glenn Jocher 在 YOLO Vision 24 大会上宣布 YOLO11。

Link to this section了解 YOLO11#

YOLO11 为 YOLO 家族开启了新篇章，提供了一个功能更强大、用途更广泛的模型，将计算机视觉提升到了新的高度。凭借其改进的架构和增强的功能，该模型支持计算机视觉任务，例如姿态估计和实例分割，这些都是视觉 AI 社区对 Ultralytics YOLOv8 所钟爱的功能，但在性能和精度上都有了进一步提升。Ultralytics 创始人兼首席执行官 Glenn Jocher 分享道：“我们开发 YOLO11 的初衷是打造一款既强大又实用，适用于现实世界应用的模型。它更高的效率和准确性使其成为一个强大的工具，能够适应各行各业面临的独特挑战。我迫不及待地想看到视觉 AI 社区如何利用 YOLO11 创造创新的解决方案，并将计算机视觉提升到一个新的水平。”

图 2. Glenn Jocher 在 YV24 大会上宣布 YOLO11。

以下是 YOLO11 支持的部分计算机视觉任务概览：

• 目标检测：识别并定位图像或视频帧中的对象，通过绘制边界框进行标识，适用于 安防监控、自动驾驶 和 零售分析 等应用。
• 实例分割：识别并分离图像中单个对象的像素级区域。该技术适用于 医学影像 和 制造业 中的缺陷检测等应用。
• 图像分类：将整个图像归入预定义的类别，非常适合电子商务中的 产品分类 或 野生动物监测 等应用。
• 姿态估计：检测图像或视频帧中的特定关键点以追踪动作或姿态，对 健身追踪、体育分析 和 医疗保健 应用十分有益。
• 旋转目标检测 (OBB)：检测带有旋转角度的对象，实现对旋转物体的更精准定位，这对于 航空影像、机器人技术 和 仓储自动化 任务极具价值。
• 目标追踪：监测并跟踪对象 在连续视频帧中 的移动，是许多实时应用的核心需求。

图 3. YOLO11 支持的计算机视觉任务。

Link to this sectionYOLO11 有何独特之处？#

YOLO11 建立在今年早些时候推出的 YOLOv9 和 YOLOv10 的进步基础之上，集成了优化的架构设计、增强的特征提取技术和优化的训练方法。YOLO11 真正的突出之处在于其速度、精度和效率的卓越组合，使其成为 Ultralytics 迄今为止打造的最强模型之一。通过改进的设计，YOLO11 提供了更好的 特征提取 功能，即识别图像中关键模式和细节的过程，即使在复杂场景中也能更准确地捕捉到复杂的方面。

Remarkably, YOLO11m achieves a higher mean Average Precision (mAP) score on the COCO dataset while using 22% fewer parameters than YOLOv8m, making it computationally lighter without sacrificing performance. This means it delivers more accurate results while being more efficient to run. On top of that, YOLO11 brings faster processing speeds, with inference times around 2% quicker than YOLOv10, making it ideal for real-time applications.

图 4. 使用 YOLO11 进行目标检测。

它旨在处理复杂任务，同时降低资源消耗，并提升大规模模型的性能，使其非常适合对性能要求苛刻的 AI 项目。对 数据增强流程 的增强也改善了训练过程，使 YOLO11 更容易适应不同的任务，无论你是在进行小型项目还是大规模应用。

事实上，YOLO11 在处理能力方面效率极高，非常适合在云端和边缘设备上 部署，从而确保在不同环境下都能保持灵活性。简而言之，YOLO11 不仅仅是一个升级版本；它是一个更精确、更高效、更灵活的模型，能更好地处理任何计算机视觉挑战。无论是 自动驾驶、安防监控、医疗影像、智慧零售 还是 工业用例，YOLO11 的通用性足以胜任几乎所有的计算机视觉应用。

Link to this sectionYOLO11 已为你准备好适配各种系统和平台#

YOLO11 旨在与你现有的系统和平台 无缝集成。基于 YOLOv8 提供的支持，YOLO11 兼容多种用于 训练、测试 和 部署 的环境。无论你是使用 NVIDIA GPU、边缘设备，还是在 云端平台 上进行部署，YOLO11 都经过优化，可以轻松融入你的工作流。

这些集成是极佳的附加功能，使 YOLO11 能够适应不同行业，帮助 企业 轻松将其应用到现有流程中。例如，假设你希望将 YOLO11 用于 农业，特别是 作物监测。你可能需要将模型部署在无人机上，以实时识别大片农田中的植物健康状况。然而，如果你是在安防行业，你可能更倾向于将 YOLO11 与云端系统结合使用，以监控多个摄像头的 目标检测 情况。

图 5. 在农业中使用 YOLO11。

Link to this section用 YOLO11 赋能 AI 社区#

随着 YOLO11 的推出，视觉 AI 社区可以期待更多激动人心的进步。得益于其增强的精度和效率，这款新模型有潜力彻底改变现有的应用并开创新的应用。这一进步的主要驱动力是 Ultralytics HUB。Ultralytics HUB 是一个用户友好的平台，它简化了包括 YOLO11 在内的 YOLO 模型的训练和部署过程。

图 6. 在 Ultralytics HUB 上运行 YOLO11 推理。

Ultralytics HUB 通过允许用户上传数据集、访问各种预训练模型并在一个位置管理所有项目，简化了开发流程。该 HUB 还支持协作，方便团队共同完成 AI 项目。以下是 Ultralytics HUB 的其他一些核心功能：

• 云端训练：Ultralytics HUB 提供无缝的云端模型训练，以实现可扩展性和效率。
• 预训练模型：该平台提供各种预训练的 YOLOv5、YOLOv8 和 YOLO11 模型。
• 模型导出：训练好的模型可以导出为多种格式以供部署。
• 集成：Ultralytics HUB 与 Roboflow、Google Colab 和 Weights & Biases 等平台无缝集成。
• 详细文档：Ultralytics HUB 为用户提供全面的指南和常见问题解答。
• 社区支持：活跃的 Discord 社区可随时进行提问和讨论。

借助 HUB 直观的设计，经验丰富的开发者和新手都能快速上手。随着越来越多的开发者通过 HUB 使用 YOLO11，我们可以期待看到高性能应用的激增，这将推动计算机视觉的边界并塑造 AI 技术的未来。

Link to this section上手体验 YOLO11#

与 YOLOv8 一样，YOLO11 也即将可通过 Ultralytics HUB 和 Ultralytics Python 包 进行试用。你可以登录 Ultralytics HUB 或查看我们的 快速入门指南 获取有关安装包的分步说明。发布后，你将能够探索其功能，试验不同的 数据集，并查看 YOLO11 在各种场景下的表现。我们非常期待看到 AI 社区通过 贡献、提供反馈或在其基础上进行开发来与 YOLO11 互动。

无论你是希望优化现有项目的开发者，还是对创建新应用感兴趣的人，你的参与都将有助于推动创新。加入讨论，分享你的经验，并与他人合作，充分释放 YOLO11 的潜力。我们很兴奋看到你如何利用 YOLO11 应对现实世界的挑战并将创意变为现实！

Link to this sectionYOLO11 开启了新篇章#

YOLO11 是计算机视觉领域的下一步跨越，结合了卓越的精度、速度和效率。在 YV24 上发布后，其先进的功能使其能够灵活应用于各种实时场景，从自动驾驶汽车到智慧零售解决方案。随着 AI 社区开始探索和使用此模型，我们很兴奋地看到 YOLO11 将如何以创新的方式驱动进步并创造新的可能性。如果你想探索 AI 的最新进展，快来试用 YOLO11，看看它如何提升你的计算机视觉项目！

要了解更多关于 AI 的信息，请前往我们的 GitHub 仓库 并加入 我们活跃的社区。发掘 AI 如何在 医疗保健 和 农业 等领域取得重大进展。