Ultralytics YOLO11 已经到来！重新定义 AI 的可能性！

我们非常高兴地向你介绍 Ultralytics 模型的下一次进化：YOLO11！在此前 YOLO 模型版本令人瞩目的进步基础上，YOLO11 带来了众多强大的功能和优化，使其速度更快、准确度更高且极其灵活。这个最新成员在 YOLO Vision 2024 (YV24) 活动上正式发布。该活动是 Ultralytics 每年举办的 AI 专家、创新者和开发者混合交流会。YOLO11 的加入将重新定义 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，因此对开发者和研究人员来说都具有突破性意义。主要改进包括增强的特征提取能力，可更精准地捕捉细节；使用更少参数实现更高准确度；以及更快的处理速度，显著提升实时性能。在本文中，我们将深入了解让 YOLO11 脱颖而出的功能，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 在现场登台宣布 Ultralytics YOLO11。

了解 Ultralytics YOLO11#

YOLO11 为 YOLO 系列开启了新篇章，提供了功能更强大、适应性更广的模型，将计算机视觉提升到了新的高度。凭借经过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，这些正是视觉 AI 社区喜爱 Ultralytics YOLOv8的原因，同时还能带来更出色的性能和精度。Ultralytics 创始人兼 CEO Glenn Jocher 表示：“借助 YOLO11，我们着手开发一个兼具强大性能和实用性的模型，用于现实世界的应用。它在效率和准确度方面的提升，使其成为一种稳健的工具，能够适应各行业面临的独特挑战。我迫不及待地想看到视觉 AI 社区如何利用 YOLO11 创建创新解决方案，并将计算机视觉提升到新的层次。”

图 2。Glenn Jocher 在现场登台宣布 Ultralytics YOLO11。

以下是 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对象，为其绘制边界框，可用于监控、自动驾驶和零售分析等应用。
• 实例分割：在像素级别识别并分离图像中的各个对象。它适用于医学影像和制造业中的缺陷检测等应用。
• 图像分类：将完整图像归入预定义类别，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，以跟踪动作或姿态，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)：检测带有方向角的对象，从而更精确地定位旋转对象，这对航空影像、机器人技术和仓库自动化任务尤其有价值。
• 目标跟踪：监测并跟踪对象在连续视频帧之间的移动，是众多实时应用不可或缺的功能。

图 3。 Ultralytics YOLO11 支持的计算机视觉任务。

是什么让 Ultralytics YOLO11 脱颖而出？#

YOLO11 在今年早些时候推出的 YOLOv9 和 YOLOv10的改进基础上，融入了更先进的架构设计、增强的特征提取技术和优化的训练方法。YOLO11 真正脱颖而出的地方，在于它将速度、准确度和效率出色地结合在一起，使其成为 Ultralytics 迄今打造的功能最强大的模型之一。借助改进后的设计，YOLO11 提供了更好的特征提取能力，也就是从图像中识别重要模式和细节的过程，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 在 COCO 数据集上取得了更高的平均精度 (mAP) 分数，同时比 YOLOv8m少使用 22% 的参数，在不牺牲性能的情况下减轻了计算负担。这意味着它能提供更准确的结果，同时运行效率更高。此外，YOLO11 还带来了更快的处理速度，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，同时降低资源消耗，并且专为提升大规模模型的性能而设计，非常适合要求严苛的 AI 项目。数据增强流程的改进也优化了训练过程，使 Ultralytics YOLO11 更容易适应不同任务，无论你是在处理小型项目还是大规模应用。

事实上，YOLO11 在算力方面非常高效，非常适合部署到云端和边缘设备，确保能够灵活适应不同环境。简单来说，YOLO11 不仅仅是一次升级；它还是一个准确度更高、效率更高且更加灵活的模型，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，还是工业应用场景，YOLO11 都足够灵活，几乎可以满足任何计算机视觉应用的需求。

Ultralytics YOLO11 已准备好用于你的系统和平台#

Ultralytics YOLO11 专为与你现有的系统和平台无缝集成而设计。在 YOLOv8所提供支持的基础上，YOLO11 兼容各种用于训练、测试和部署的环境。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，可以轻松融入你的工作流程。

这些集成是很好的扩展功能，使 YOLO11 能够适应不同行业，帮助企业轻松将模型应用到现有流程中。例如，假设你想将 YOLO11 用于农业，具体来说是用于作物监测。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，如果你从事安防行业，可能更倾向于将 YOLO11 与基于云的系统结合，用于监控多个摄像头画面中的目标检测。

图 5。在农业中使用 Ultralytics YOLO11。

借助 Ultralytics YOLO11 赋能 AI 社区#

随着 YOLO11 的发布，视觉 AI 社区可以期待令人振奋的进步。得益于增强的准确度和效率，这款新模型有潜力改变现有应用并创造全新应用。这一进展的重要推动力之一是 Ultralytics HUB。Ultralytics HUB 是一个易于使用的平台，可简化包括 YOLO11 在内的 YOLO 模型的训练和部署。

图 6。在 Ultralytics HUB 上运行 YOLO11 推理。

Ultralytics HUB 通过让用户上传数据集、访问各种预训练模型并在一个地方管理项目，简化了开发流程。HUB 还支持协作，让团队能够轻松共同开展 AI 项目。以下是 Ultralytics HUB 的其他主要功能：

• 云训练：Ultralytics HUB 提供无缝的云端模型训练，兼顾可扩展性和效率。
• 预训练模型：该平台提供多种预训练的 YOLOv5、YOLOv8 和 YOLO11 模型。
• 模型导出：训练好的模型可以导出为各种格式，以便部署。
• 集成：Ultralytics HUB 可与 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，为用户提供支持。
• 社区支持：活跃的 Discord 社区可用于提问和讨论。

凭借 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 Ultralytics YOLO11，我们可以期待大量高性能应用涌现，突破计算机视觉的边界并塑造 AI 技术的未来。

亲自体验 Ultralytics YOLO11#

和 YOLOv8 一样，YOLO11 很快就可以通过 Ultralytics HUB 和 Ultralytics Python 软件包进行体验。你可以登录 Ultralytics HUB，或查看我们的快速入门指南，按照分步说明安装软件包。发布后，你将能够探索其功能，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 AI 社区通过贡献代码、提供反馈或在其基础上进行开发来参与 YOLO11 的发展。

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

Ultralytics YOLO11 开启新篇章#

Ultralytics YOLO11 是计算机视觉领域向前迈进的又一步，将出色的准确度、速度和效率融为一体。它在 YV24 上正式发布，凭借先进的功能，可灵活用于从自动驾驶汽车到智能零售解决方案等各种实时应用。随着 AI 社区开始探索和使用这一模型，我们很期待看到 YOLO11 如何以富有创意的方式推动创新并实现新的可能性。如果你想了解 AI 的最新进展，不妨试用 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，请前往我们的 GitHub 仓库，并加入我们的活跃社区。了解 AI 如何在医疗保健和农业等领域取得进展。