ultralitik
v8.3.31 - `ultralytics 8.3.31` add `max_num_obj` factor for `AutoBatch` (#17514)
中文 | halaman | 日本語 | Русский | Jerman | Perancis | Spanyol | Portugis | Turki | Tiếng Việt | العربية
Ultralytics YOLO11 adalah model mutakhir dan tercanggih (SOTA) yang dibangun berdasarkan kesuksesan versi YOLO sebelumnya dan memperkenalkan fitur dan penyempurnaan baru untuk lebih meningkatkan kinerja dan fleksibilitas. YOLO11 dirancang agar cepat, akurat, dan mudah digunakan, menjadikannya pilihan yang sangat baik untuk berbagai deteksi dan pelacakan objek, segmentasi instance, klasifikasi gambar, dan tugas estimasi pose.
Kami berharap sumber daya di sini akan membantu Anda memaksimalkan YOLO. Silakan telusuri Dokumen Ultralytics untuk mengetahui detailnya, ajukan masalah di GitHub untuk mendapatkan dukungan, pertanyaan, atau diskusi, jadilah anggota Ultralytics Discord, Reddit, dan Forum!
Untuk meminta Lisensi Perusahaan, harap lengkapi formulir di Lisensi Ultralytics.
Dokumentasi
Lihat di bawah untuk contoh pemasangan dan penggunaan mulai cepat, dan lihat Dokumen kami untuk dokumentasi lengkap tentang pelatihan, validasi, prediksi, dan penerapan.
Pip instal paket ultralytics termasuk semua persyaratan dalam lingkungan Python>=3.8 dengan PyTorch>=1.8 .
pip instal ultralitik
Untuk metode instalasi alternatif termasuk Conda, Docker, dan Git, silakan merujuk ke Panduan Memulai Cepat.
YOLO dapat digunakan langsung di Command Line Interface (CLI) dengan perintah yolo :
yolo memprediksi model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
yolo dapat digunakan untuk berbagai tugas dan mode dan menerima argumen tambahan, yaitu imgsz=640 . Lihat Dokumen YOLO CLI untuk contohnya.
YOLO juga dapat digunakan secara langsung di lingkungan Python, dan menerima argumen yang sama seperti pada contoh CLI di atas:
dari ultralytics impor YOLO# Muat modelmodel = YOLO("yolo11n.pt")# Latih modeltrain_results = model.train( data="coco8.yaml", # jalur ke kumpulan data zaman YAML=100, # jumlah zaman pelatihan imgsz= 640, # ukuran gambar pelatihan device="cpu", # perangkat yang akan dijalankan, yaitu perangkat=0 atau perangkat=0,1,2,3 atau perangkat=cpu)# Evaluasi performa model pada validasi setmetrics = model.val()# Lakukan deteksi objek pada imageresults = model("path/to/image.jpg")results[0].show()# Ekspor model ke ONNX formatpath = model.export(format="onnx") # jalur kembali ke model yang dieksporLihat YOLO Python Docs untuk contoh lebih lanjut.
Model
Model Deteksi, Segmen, dan Pose YOLO11 yang dilatih sebelumnya pada kumpulan data COCO tersedia di sini, serta model Klasifikasi YOLO11 yang dilatih sebelumnya pada kumpulan data ImageNet. Mode track tersedia untuk semua model Deteksi, Segmen, dan Pose.
Semua Model diunduh secara otomatis dari rilis Ultralytics terbaru saat pertama kali digunakan.
Lihat Dokumen Deteksi untuk contoh penggunaan model yang dilatih tentang COCO ini, yang mencakup 80 kelas terlatih.
| Model | ukuran (piksel) | peta val 50-95 | Kecepatan CPU ONNX (MS) | Kecepatan Tensor T4RT10 (MS) | param (M) | FLOP (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56,1 ± 0,8 | 1,5 ± 0,0 | 2.6 | 6.5 |
| YOLO11 | 640 | 47.0 | 90,0 ± 1,2 | 2,5 ± 0,0 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183,2 ± 2,0 | 4,7 ± 0,1 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238,6 ± 1,4 | 6,2 ± 0,1 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462,8 ± 6,7 | 11,3 ± 0,2 | 56.9 | 194.9 |
Nilai mAP val adalah untuk model tunggal skala tunggal pada dataset COCO val2017.
Reproduksi dengan yolo val detect data=coco.yaml device=0
Kecepatan dirata-ratakan pada gambar COCO val menggunakan instans P4d Amazon EC2.
Reproduksi dengan yolo val detect data=coco.yaml batch=1 device=0|cpu
Lihat Dokumen Segmentasi untuk contoh penggunaan model yang dilatih di COCO-Seg, yang mencakup 80 kelas terlatih.
| Model | ukuran (piksel) | kotak peta 50-95 | topeng peta 50-95 | Kecepatan CPU ONNX (MS) | Kecepatan Tensor T4RT10 (MS) | param (M) | FLOP (B) |
|---|---|---|---|---|---|---|---|
| YOLO11n-seg | 640 | 38.9 | 32.0 | 65,9 ± 1,1 | 1,8 ± 0,0 | 2.9 | 10.4 |
| YOLO11s-seg | 640 | 46.6 | 37.8 | 117,6 ± 4,9 | 2,9 ± 0,0 | 10.1 | 35.5 |
| YOLO11m-seg | 640 | 51.5 | 41.5 | 281,6 ± 1,2 | 6,3 ± 0,1 | 22.4 | 123.3 |
| YOLO11l-seg | 640 | 53.4 | 42.9 | 344,2 ± 3,2 | 7,8 ± 0,2 | 27.6 | 142.2 |
| YOLO11x-seg | 640 | 54.7 | 43.8 | 664,5 ± 3,2 | 15,8 ± 0,7 | 62.1 | 319.0 |
Nilai mAP val adalah untuk model tunggal skala tunggal pada dataset COCO val2017.
Reproduksi dengan yolo val segment data=coco-seg.yaml device=0
Kecepatan dirata-ratakan pada gambar COCO val menggunakan instans P4d Amazon EC2.
Reproduksi dengan yolo val segment data=coco-seg.yaml batch=1 device=0|cpu
Lihat Dokumen Klasifikasi untuk contoh penggunaan dengan model yang dilatih di ImageNet, yang mencakup 1000 kelas yang telah dilatih sebelumnya.
| Model | ukuran (piksel) | menurut teratas1 | menurut 5 teratas | Kecepatan CPU ONNX (MS) | Kecepatan Tensor T4RT10 (MS) | param (M) | FLOP (B) pada 640 |
|---|---|---|---|---|---|---|---|
| YOLO11n-cls | 224 | 70.0 | 89.4 | 5,0 ± 0,3 | 1,1 ± 0,0 | 1.6 | 3.3 |
| YOLO11s-cls | 224 | 75.4 | 92.7 | 7,9 ± 0,2 | 1,3 ± 0,0 | 5.5 | 12.1 |
| YOLO11m-cls | 224 | 77.3 | 93.9 | 17,2 ± 0,4 | 2,0 ± 0,0 | 10.4 | 39.3 |
| YOLO11l-cls | 224 | 78.3 | 94.3 | 23,2 ± 0,3 | 2,8 ± 0,0 | 12.9 | 49.4 |
| YOLO11x-cls | 224 | 79.5 | 94.9 | 41,4 ± 0,9 | 3,8 ± 0,0 | 28.4 | 110.4 |
nilai acc adalah akurasi model pada kumpulan validasi kumpulan data ImageNet.
Reproduksi dengan yolo val classify data=path/to/ImageNet device=0
Kecepatan dirata-ratakan pada gambar val ImageNet menggunakan instans P4d Amazon EC2.
Reproduksi dengan yolo val classify data=path/to/ImageNet batch=1 device=0|cpu
Lihat Pose Docs untuk contoh penggunaan dengan model yang dilatih tentang COCO-Pose, yang mencakup 1 orang kelas terlatih.
| Model | ukuran (piksel) | pose peta 50-95 | pose peta 50 | Kecepatan CPU ONNX (MS) | Kecepatan Tensor T4RT10 (MS) | param (M) | FLOP (B) |
|---|---|---|---|---|---|---|---|
| Pose YOLO11n | 640 | 50.0 | 81.0 | 52,4 ± 0,5 | 1,7 ± 0,0 | 2.9 | 7.6 |
| Pose YOLO11 | 640 | 58.9 | 86.3 | 90,5 ± 0,6 | 2,6 ± 0,0 | 9.9 | 23.2 |
| Pose YOLO11m | 640 | 64.9 | 89.4 | 187,3 ± 0,8 | 4,9 ± 0,1 | 20.9 | 71.7 |
| YOLO11l-pose | 640 | 66.1 | 89.9 | 247,7 ± 1,1 | 6,4 ± 0,1 | 26.2 | 90.7 |
| Pose YOLO11x | 640 | 69.5 | 91.1 | 488,0 ± 13,9 | 12,1 ± 0,2 | 58.8 | 203.3 |
Nilai mAP val adalah untuk model tunggal skala tunggal pada kumpulan data COCO Keypoints val2017.
Reproduksi dengan yolo val pose data=coco-pose.yaml device=0
Kecepatan dirata-ratakan pada gambar COCO val menggunakan instans P4d Amazon EC2.
Reproduksi dengan yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
Lihat Dokumen OBB untuk contoh penggunaan model yang dilatih di DOTAv1, yang mencakup 15 kelas terlatih.
| Model | ukuran (piksel) | tes peta 50 | Kecepatan CPU ONNX (MS) | Kecepatan Tensor T4RT10 (MS) | param (M) | FLOP (B) |
|---|---|---|---|---|---|---|
| YOLO11n-obb | 1024 | 78.4 | 117,6 ± 0,8 | 4,4±0,0 | 2.7 | 17.2 |
| YOLO11s-obb | 1024 | 79.5 | 219,4 ± 4,0 | 5,1 ± 0,0 | 9.7 | 57.5 |
| YOLO11m-obb | 1024 | 80.9 | 562,8 ± 2,9 | 10,1 ± 0,4 | 20.9 | 183.5 |
| YOLO11l-obb | 1024 | 81.0 | 712,5 ± 5,0 | 13,5 ± 0,6 | 26.2 | 232.0 |
| YOLO11x-obb | 1024 | 81.3 | 1408,6 ± 7,7 | 28,6 ± 1,0 | 58.8 | 520.2 |
Nilai pengujian mAP ditujukan untuk multiskala model tunggal pada kumpulan data DOTAv1.
Reproduksi dengan yolo val obb data=DOTAv1.yaml device=0 split=test dan kirimkan hasil gabungan ke evaluasi DOTA.
Kecepatan rata-rata pada gambar val DOTAv1 menggunakan instans P4d Amazon EC2.
Reproduksi dengan yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
Integrasi
Integrasi utama kami dengan platform AI terkemuka memperluas fungsionalitas penawaran Ultralytics, meningkatkan tugas seperti pelabelan set data, pelatihan, visualisasi, dan manajemen model. Temukan bagaimana Ultralytics, bekerja sama dengan W&B, Comet, Roboflow, dan OpenVINO, dapat mengoptimalkan alur kerja AI Anda.
| HUB Ultralitik? | W&B | Komet ⭐ BARU | Sihir Saraf |
|---|---|---|---|
| Sederhanakan alur kerja YOLO: Beri label, latih, dan terapkan dengan mudah menggunakan Ultralytics HUB. Coba sekarang! | Lacak eksperimen, hyperparameter, dan hasil dengan Bobot & Bias | Gratis selamanya, Comet memungkinkan Anda menyimpan model YOLO11, melanjutkan pelatihan, dan memvisualisasikan serta men-debug prediksi secara interaktif | Jalankan inferensi YOLO11 hingga 6x lebih cepat dengan Neural Magic DeepSparse |
HUB Ultralitik
Rasakan AI yang mulus dengan Ultralytics HUB ⭐, solusi lengkap untuk visualisasi data, YOLO11 ? pelatihan dan penerapan model, tanpa pengkodean apa pun. Ubah gambar menjadi wawasan yang dapat ditindaklanjuti dan wujudkan visi AI Anda dengan mudah menggunakan platform mutakhir kami dan Aplikasi Ultralytics yang mudah digunakan. Mulailah perjalanan Anda Gratis sekarang!
Menyumbang
Kami menyukai masukan Anda! Ultralytics YOLO tidak akan mungkin terwujud tanpa bantuan dari komunitas kami. Silakan lihat Panduan Berkontribusi kami untuk memulai, dan isi Survei kami untuk mengirimkan masukan mengenai pengalaman Anda. Terima kasih ? untuk semua kontributor kami!
Lisensi
Ultralytics menawarkan dua opsi lisensi untuk mengakomodasi beragam kasus penggunaan:
Lisensi AGPL-3.0 : Lisensi sumber terbuka yang disetujui OSI ini ideal untuk pelajar dan penggemar, mempromosikan kolaborasi terbuka dan berbagi pengetahuan. Lihat file LISENSI untuk lebih jelasnya.
Lisensi Perusahaan : Dirancang untuk penggunaan komersial, lisensi ini memungkinkan integrasi perangkat lunak Ultralytics dan model AI secara lancar ke dalam barang dan layanan komersial, melewati persyaratan sumber terbuka AGPL-3.0. Jika skenario Anda melibatkan penyematan solusi kami ke dalam penawaran komersial, hubungi Lisensi Ultralytics.
Kontak
Untuk laporan bug Ultralytics dan permintaan fitur, silakan kunjungi Masalah GitHub. Jadilah anggota Ultralytics Discord, Reddit, atau Forum untuk mengajukan pertanyaan, berbagi proyek, mendiskusikan pembelajaran, atau untuk mendapatkan bantuan dalam segala hal tentang Ultralytics!
