Ultralytics YOLO11 已经到来！重新定义 AI 的可能性！

我们很高兴推出 Ultralytics 模型 的下一个演进版本：YOLO11！YOLO11 在之前 YOLO 模型版本令人印象深刻的进步基础上，带来了一系列强大的功能和优化，使其速度更快、更准确且用途极其广泛。在 YOLO Vision 2024 (YV24) 活动（Ultralytics 每年举办一次的 AI 专家、创新者和开发者混合聚会）上发布的 Ultralytics 系列的最新成员，将重新定义 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，从实时对象检测到分类，使其成为开发人员和研究人员的游戏规则改变者。主要改进包括增强的特征提取以实现更精确的细节捕获、以更少的参数实现更高的精度以及显着提高实时性能的更快处理速度。在本文中，我们将仔细研究使YOLO11脱颖而出的功能，以及它如何改变您的计算机视觉应用。让我们开始吧！

了解 YOLO11

YOLO11 标志着 YOLO 系列的新篇章，它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。凭借其精细的架构和增强的功能，该模型支持 计算机视觉任务，例如姿势估计和实例分割，这些都是 Vision AI 社区一直以来非常喜欢 Ultralytics YOLOv8 的原因，但性能和精度更高。Glenn Jocher，Ultralytics 的创始人兼首席执行官分享道：“通过 YOLO11，我们着手开发一种既能提供强大功能，又能为实际应用提供实用性的模型。它改进的效率和准确性使其成为一种强大的工具，可以适应各行各业面临的独特挑战。我迫不及待地想看到 Vision AI 社区如何使用 YOLO11 来创建创新解决方案，并将计算机视觉提升到一个新的水平。”

​

以下是 YOLO11 支持的计算机视觉任务的简要介绍：

• 目标检测：识别并定位图像或视频帧中的对象，在它们周围绘制边界框，用于监控、自动驾驶和零售分析等应用。
  ‍
• 实例分割：它涉及在像素级别识别和分离图像中的各个对象。它对于医学成像和制造业中的缺陷检测等应用非常有用。
  ‍
• 图像分类：将整个图像分类为预定义的类别，使其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，以跟踪运动或姿势，这对于 健身追踪、运动分析 和 医疗保健 应用非常有用。
  ‍
• 定向目标检测 (OBB)：检测具有方向角度的对象，从而可以更精确地定位旋转的对象，这对于航空图像、机器人技术和仓库自动化任务尤其有价值。
  ‍
• 目标跟踪：监视并跟踪对象在连续视频帧中的移动，这对于许多实时应用至关重要。

​

YOLO11 有何独特之处？

YOLO11 基于今年早些时候推出的 YOLOv9 和 YOLOv10 的进步，融合了改进的架构设计、增强的特征提取技术和优化的训练方法。YOLO11 真正脱颖而出的是其在速度、准确性和效率方面的出色结合，使其成为 Ultralytics 迄今为止创建的最强大的模型之一。通过改进的设计，YOLO11 提供了更好的特征提取，这是从图像中识别重要模式和细节的过程，从而能够更准确地捕获复杂的细节，即使在具有挑战性的场景中也是如此。

值得注意的是，YOLO11m 在 COCO 数据集 上实现了更高的 平均精度均值 (mAP) 分数，同时比 YOLOv8m 使用的参数减少了 22%，从而在不牺牲性能的情况下计算量更轻。这意味着它在运行效率更高的同时，提供了更准确的结果。最重要的是，YOLO11 带来了更快的处理速度，推理时间比 YOLOv10 快 2% 左右，使其成为实时应用的理想选择。 

​

它旨在处理复杂的任务，同时更易于使用资源，并旨在提高大规模模型的性能，使其非常适合要求苛刻的 AI 项目。增强管道的增强功能也改进了训练过程，使 YOLO11 更容易适应不同的任务，无论您是从事小型项目还是大型应用程序。 

事实上，YOLO11 在处理能力方面非常高效，非常适合在云和边缘设备上进行部署，从而确保了不同环境中的灵活性。简而言之，YOLO11 不仅仅是一次升级；它是一个更准确、更高效、更灵活的模型，能够更好地应对任何计算机视觉挑战。无论是自动驾驶、监控、医疗成像、智能零售还是工业用例，YOLO11 都具有足够的多功能性，可以满足几乎任何计算机视觉应用。

YOLO11 已为您的系统和平台做好准备

YOLO11 旨在与您已在使用的系统和平台无缝集成。在 YOLOv8 提供的支持基础上，YOLO11 兼容各种训练、测试和部署环境。无论您使用的是 NVIDIA GPU、边缘设备，还是在云平台部署，YOLO11 都经过优化，可以轻松融入您的工作流程。

这些集成是很好的附加组件，使 YOLO11 能够适应不同的行业，帮助 企业 轻松地在其现有流程中实施该模型。例如，假设您想将 YOLO11 用于 农业，特别是用于 作物监测。您可能需要在无人机上部署该模型，以实时识别大片田地中的植物健康问题。但是，如果您从事安防工作，您可能更喜欢将 YOLO11 与基于云的系统结合使用，以监控多个摄像头的 目标检测。

​

通过 YOLO11 赋能 AI 社区

视觉 AI 社区可以期待随着 YOLO11 的推出而取得令人兴奋的进展。 凭借其增强的准确性和效率，这种新模型有潜力改变现有应用并创造新的应用。 这一进展的一个主要因素是 Ultralytics HUB。 Ultralytics HUB 是一个用户友好的平台，可简化 YOLO 模型（包括 YOLO11）的训练和部署。 

​

Ultralytics HUB 通过允许用户上传数据集、访问一系列预训练模型以及在一个地方管理他们的项目来简化开发过程。HUB 还支持协作，使团队可以轻松地协同处理 AI 项目。以下是 Ultralytics HUB 的其他一些主要功能：

• 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：该平台提供对各种预训练的 YOLOv5、YOLOv8 和 YOLO11 模型的访问。
  ‍
• 模型导出：训练好的模型可以导出为各种格式以进行部署。
  ‍
• 集成：Ultralytics HUB 与 Roboflow、Google Colab 和 Weights & Biases 等平台无缝集成。
  ‍
• 详细文档：Ultralytics HUB 提供全面的指南和常见问题解答，以提供用户支持。
  ‍
• 社区支持：我们提供活跃的 Discord 社区，您可以在此提问和参与讨论。

凭借 HUB 直观的设计，经验丰富的开发人员和新手都可以快速入门。随着越来越多的开发人员通过 HUB 使用 YOLO11，我们可以期待高性能应用程序的激增，这些应用程序将推动计算机视觉的边界并塑造 AI 技术的未来。

亲身体验 YOLO11

就像 YOLOv8 一样，YOLO11 也将很快通过 Ultralytics HUB 和 Ultralytics Python 包 提供试用。您可以登录 HUB 或查看我们的快速入门指南，获取有关如何安装该软件包的分步说明。发布后，您将能够探索其功能，使用不同的数据集进行实验，并了解 YOLO11 在各种场景中的表现。我们迫不及待地想看到人工智能社区参与 YOLO11 的开发，并贡献于它的发展，提供反馈或在其基础上进行构建。

无论您是希望优化现有项目的开发人员，还是对创建新应用程序感兴趣的人，您的参与都可以帮助推动创新。加入讨论，分享您的经验，并与他人合作，以充分释放 YOLO11 的潜力。我们很高兴看到您如何使用 YOLO11 来应对现实世界的挑战，并将您的创意变为现实！

YOLO11 的新篇章由此开启

YOLO11 是计算机视觉领域的下一个飞跃，它结合了令人印象深刻的准确性、速度和效率。在 YV24 上发布的 YOLO11，其先进的特性使其能够广泛应用于各种实时应用，从自动驾驶汽车到智能零售解决方案。随着 AI 社区开始探索和使用该模型，我们很高兴看到 YOLO11 以创造性的方式推动创新，并将新的可能性变为现实。如果您希望探索 AI 领域的最新进展，请尝试 YOLO11，看看它如何提升您的计算机视觉项目！

要了解有关 AI 的更多信息，请访问我们的 GitHub 存储库并加入我们活跃的社区。了解 AI 如何在医疗保健和农业等领域取得进展。