Ultralytics YOLO11 来了！重新定义 AI 的可能性！

我们很高兴推出 Ultralytics 模型的下一次进化：YOLO11！在以往 YOLO 模型版本的显著进步之上，YOLO11 带来了许多强大的功能和优化，使其速度更快、精度更高，用途也更加广泛。YOLO11 在 YOLO Vision 2024 (YV24) 活动上正式发布。该活动是 Ultralytics 每年举办的混合形式聚会，汇集了 AI 专家、创新者和开发者。作为 Ultralytics 家族的新成员（后来由 Ultralytics YOLO26 接替），YOLO11 将重新定义计算机视觉的可能性。

凭借创新的架构，Ultralytics YOLO11 可用于各种计算机视觉任务，从实时目标检测到分类，为开发者和研究人员提供实用选择。主要改进包括增强特征提取以更精确地捕获细节、用更少参数实现更高精度，以及显著提升实时性能的更快处理速度。在本文中，我们将仔细了解 YOLO11 的突出特性，以及它如何改变你的计算机视觉应用。

图 1. Glenn Jocher 在舞台上发布 Ultralytics YOLO11，地点为 YOLO Vision 24。

认识 Ultralytics YOLO11#

YOLO11 为 YOLO 系列开启了新篇章，提供更强大、更多用途的模型，将计算机视觉带到新的高度。凭借改进的架构和增强的能力，该模型支持姿态估计和实例分割等计算机视觉任务。视觉 AI 社区喜爱 Ultralytics YOLOv8 的这些能力，而 YOLO11 的性能和精度更胜一筹。Ultralytics 创始人兼 CEO Glenn Jocher 分享道：“开发 YOLO11 时，我们致力于打造一款兼具强大性能和实用性的模型，以满足真实世界应用的需求。它在效率和精度上的提升，使其成为一款强大的工具，能够适应各行各业面临的独特挑战。我迫不及待想看看视觉 AI 社区如何利用 YOLO11 打造创新解决方案，并将计算机视觉提升到新的水平。”

图 2. Glenn Jocher 在台上宣布 Ultralytics YOLO11，于 YV24 活动现场。

下面简单介绍 Ultralytics YOLO11 支持的计算机视觉任务：

• 目标检测：识别并定位图像或视频帧中的物体，并为物体绘制边界框，可用于监控、自动驾驶和零售分析等应用。
• 实例分割：识别图像中的各个物体，并将它们细分到像素级别。这项技术适用于医学影像和制造业缺陷检测等应用。
• 图像分类：将整幅图像归入预定义类别，非常适合电商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，以跟踪动作或姿势，适用于健身跟踪、体育分析和医疗保健等应用。
• 有向目标检测 (OBB)：检测具有方向角的物体，从而更精确地定位旋转物体。这项技术在航空影像、机器人和仓库自动化任务中尤其有价值。
• 目标跟踪：监测并跟踪物体在连续视频帧之间的移动，因此对许多实时应用至关重要。

图 3. Ultralytics YOLO11 支持的计算机视觉任务。

Ultralytics YOLO11 有哪些优势？#

YOLO11 在今年早些时候推出的 YOLOv9 和 YOLOv10 技术进步基础上，采用了改进的架构设计、增强的特征提取技术和优化的训练方法。YOLO11 的突出之处，在于速度、精度和效率之间出色的平衡，使其成为 Ultralytics 迄今打造的能力最强的模型之一。得益于改进后的设计，YOLO11 能够更好地进行特征提取，也就是从图像中识别重要模式和细节，因此即使在具有挑战性的场景中，也能更准确地捕捉复杂信息。

值得注意的是，YOLO11m 的 平均精度均值 (mAP) 得分高于 COCO 数据集上的 YOLOv8m，同时参数量减少了 22%，因此计算开销更低且性能不打折。这意味着它能以更高的效率运行，同时提供更准确的结果。此外，YOLO11 的处理速度更快，推理时间比 YOLOv10 快约 2%，非常适合实时应用。

图 4. 使用 Ultralytics YOLO11 进行目标检测。

它能够处理复杂任务，同时减少资源占用，并且经过专门设计，可提升大型模型的性能，因此非常适合要求严苛的 AI 项目。数据增强流程也得到了改进，优化了训练过程，让 Ultralytics YOLO11 更容易适应不同任务，无论你是在开展小型项目，还是大规模应用。

事实上，YOLO11 在计算资源方面效率很高，非常适合部署到云端和边缘设备，确保能灵活适应不同环境。简而言之，YOLO11 不只是一次升级，它还是一款精度更高、效率更出色、灵活性更强的模型，能够更好地应对各种计算机视觉挑战。无论是自动驾驶、监控、医疗影像、智能零售还是工业应用，YOLO11 都足以胜任几乎任何计算机视觉应用。

Ultralytics YOLO11 已准备好适配你的系统和平台#

Ultralytics YOLO11 旨在与你已经在使用的系统和平台集成。在 YOLOv8 所提供支持的基础上，YOLO11 兼容多种环境，可用于训练、测试和部署。无论你使用的是 NVIDIA GPU、边缘设备，还是在云平台上部署，YOLO11 都经过优化，能够融入你的工作流程。

这些集成是很好的扩展功能，让 YOLO11 能够适应不同的行业，帮助企业轻松地将模型融入现有流程。例如，假设你想将 YOLO11 用于农业，具体来说是监测作物。你可能需要将模型部署到无人机上，以便在大片农田中实时识别植物健康问题。不过，如果你从事安防工作，可能更愿意将 YOLO11 与基于云的系统配合使用，以监测多个摄像头的视频流并检测目标。

图 5. 在农业中使用 Ultralytics YOLO11。

借助 Ultralytics YOLO11 为 AI 社区赋能#

随着 YOLO11 的发布，视觉 AI 社区将迎来令人振奋的进步。凭借精度和效率的提升，这款新模型有望改造现有应用并催生新的应用。推动这一进展的重要因素之一是 Ultralytics HUB（后来由 Ultralytics Platform 接替）。Ultralytics HUB 是一个易于使用的平台，能够简化包括 YOLO11 在内的 YOLO 模型训练和部署。

图 6. 在 Ultralytics HUB 上运行 YOLO11 推理。

Ultralytics HUB 让用户能够上传数据集、访问各种预训练模型，并在一个平台上管理项目，从而简化开发流程。HUB 还支持协作，让团队能够轻松合作开展 AI 项目。以下是 Ultralytics HUB 的其他一些主要功能：

• 云端训练：Ultralytics HUB 提供基于云的模型训练，兼顾可扩展性和效率。
• 预训练模型：该平台提供多种预训练 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，以便部署。
• 集成：Ultralytics HUB 可与 Roboflow、Google Colab 和 Weights & Biases 等平台集成。
• 详细文档：Ultralytics HUB 提供全面的指南和常见问题解答，帮助用户解决问题。
• 社区支持：活跃的 Discord 社区可供你提问和交流。

HUB 的直观设计让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 Ultralytics YOLO11，我们期待看到更多高性能计算机视觉应用涌现。

亲自体验 Ultralytics YOLO11#

与 YOLOv8 一样，你可以通过 Ultralytics Platform 和 Ultralytics Python 软件包试用 YOLO11。你可以登录 Ultralytics Platform，也可以查看我们的快速入门指南，按照分步说明安装软件包。你可以探索其功能、尝试不同的数据集，并了解 YOLO11 在各种场景下的表现。我们期待 AI 社区通过贡献力量参与 YOLO11 的开发、提供反馈或在其基础上继续构建。

无论你是想优化现有项目的开发者，还是有兴趣创建新应用的人，你的参与都能推动创新。加入讨论、分享经验，并与他人协作，充分释放 Ultralytics YOLO11 的潜力。我们很期待看到你如何利用 YOLO11 应对真实世界的挑战，并将创意变为现实！

Ultralytics YOLO11 开启新篇章#

Ultralytics YOLO11 是计算机视觉发展的新一步，兼具出色的精度、速度和效率。它在 YV24 上宣布推出，凭借先进功能适用于各种实时应用，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这款模型，我们很期待看到 YOLO11 如何通过各种创意推动创新、实现新的可能。如果你想了解 AI 的最新进展，不妨试试 YOLO11，看看它如何提升你的计算机视觉项目！

如需进一步了解 AI，请访问我们的 GitHub 仓库，并加入活跃的社区。了解 AI 如何在医疗保健和农业等领域取得进展。