ультралитики
v8.3.31 - `ultralytics 8.3.31` add `max_num_obj` factor for `AutoBatch` (#17514)
中文 | 한국어 | 日本語 | Русский | немецкий | Французский | испанский | Португальский | тюркче | Тианг Вьет | عربية
Ultralytics YOLO11 — это ультрасовременная (SOTA) модель, которая опирается на успех предыдущих версий YOLO и представляет новые функции и улучшения для дальнейшего повышения производительности и гибкости. YOLO11 спроектирован так, чтобы быть быстрым, точным и простым в использовании, что делает его отличным выбором для широкого спектра задач обнаружения и отслеживания объектов, сегментации экземпляров, классификации изображений и задач оценки позы.
Мы надеемся, что представленные здесь ресурсы помогут вам максимально эффективно использовать YOLO. Пожалуйста, просмотрите документацию Ultralytics для получения подробной информации, поднимите вопрос на GitHub для получения поддержки, вопросов или обсуждений, станьте участником Ultralytics Discord, Reddit и форумов!
Чтобы запросить корпоративную лицензию, заполните форму на сайте Ultralytics Licensing.
Документация
Ниже приведены примеры быстрой установки и использования, а полную документацию по обучению, проверке, прогнозированию и развертыванию см. в нашей документации.
Pip устанавливает пакет ultralytics, включая все требования, в среде Python>=3.8 с PyTorch>=1.8 .
pip install ультралитики
Альтернативные методы установки, включая Conda, Docker и Git, см. в Кратком руководстве.
YOLO можно использовать непосредственно в интерфейсе командной строки (CLI) с помощью команды yolo :
yolo предсказать model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
yolo может использоваться для различных задач и режимов и принимает дополнительные аргументы, например imgsz=640 . Примеры см. в документации YOLO CLI.
YOLO также можно использовать непосредственно в среде Python и принимает те же аргументы, что и в приведенном выше примере CLI:
from ultralytics import YOLO# Загрузите модельmodel = YOLO("yolo11n.pt")# Обучение моделиtrain_results = model.train( data="coco8.yaml", # путь к набору данных YAML epochs=100, # количество эпох обучения imgsz= 640, # размер обучающего образа device="cpu", # устройство для запуска, т.е. устройство=0 или устройство=0,1,2,3 или device=cpu)# Оценка производительности модели при проверке setmetrics = model.val()# Выполнение обнаружения объекта на изображении.results = model("path/to/image.jpg")results[0].show()# Экспорт модели to ONNX formatpath = model.export(format="onnx") # возврат пути к экспортированной моделиДополнительные примеры см. в документации YOLO Python.
Модели
Здесь доступны модели YOLO11 Detect, Segment и Pose, предварительно обученные на наборе данных COCO, а также модели YOLO11 Classify, предварительно обученные на наборе данных ImageNet. Режим отслеживания доступен для всех моделей обнаружения, сегментации и позы.
Все модели автоматически загружают последнюю версию Ultralytics при первом использовании.
См. «Документацию по обнаружению» для примеров использования этих моделей, обученных на COCO, которые включают 80 предварительно обученных классов.
| Модель | размер (пикселей) | значение карты 50-95 | Скорость ЦП ONNX (РС) | Скорость Т4 ТензорRT10 (РС) | параметры (М) | Флопы (Б) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39,5 | 56,1 ± 0,8 | 1,5 ± 0,0 | 2.6 | 6,5 |
| ЙОЛО11с | 640 | 47,0 | 90,0 ± 1,2 | 2,5 ± 0,0 | 9.4 | 21,5 |
| ЙОЛО11м | 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 |
| ЙОЛО11x | 640 | 54,7 | 462,8 ± 6,7 | 11,3 ± 0,2 | 56,9 | 194,9 |
Значения mAP val указаны для одной модели и одного масштаба в наборе данных COCO val2017.
Воспроизведение с помощью yolo val detect data=coco.yaml device=0
Скорость усреднена по изображениям COCO val с использованием экземпляра Amazon EC2 P4d.
Воспроизвести с помощью yolo val detect data=coco.yaml batch=1 device=0|cpu
См. «Документацию по сегментации» для примеров использования этих моделей, обученных на COCO-Seg, которые включают 80 предварительно обученных классов.
| Модель | размер (пикселей) | картографический блок 50-95 | маска карты 50-95 | Скорость ЦП ONNX (РС) | Скорость Т4 ТензорRT10 (РС) | параметры (М) | Флопы (Б) |
|---|---|---|---|---|---|---|---|
| YOLO11n-сегмент | 640 | 38,9 | 32,0 | 65,9 ± 1,1 | 1,8 ± 0,0 | 2.9 | 10.4 |
| YOLO11s-сегмент | 640 | 46,6 | 37,8 | 117,6 ± 4,9 | 2,9 ± 0,0 | 10.1 | 35,5 |
| YOLO11м-сегмент | 640 | 51,5 | 41,5 | 281,6 ± 1,2 | 6,3 ± 0,1 | 22,4 | 123,3 |
| YOLO11л-сег | 640 | 53,4 | 42,9 | 344,2 ± 3,2 | 7,8 ± 0,2 | 27,6 | 142,2 |
| YOLO11x-сегмент | 640 | 54,7 | 43,8 | 664,5 ± 3,2 | 15,8 ± 0,7 | 62,1 | 319,0 |
Значения mAP val указаны для одной модели и одного масштаба в наборе данных COCO val2017.
Воспроизведение с помощью yolo val segment data=coco-seg.yaml device=0
Скорость усреднена по изображениям COCO val с использованием экземпляра Amazon EC2 P4d.
Воспроизвести с помощью yolo val segment data=coco-seg.yaml batch=1 device=0|cpu
См. «Документацию по классификации» для примеров использования этих моделей, обученных в ImageNet, которые включают 1000 предварительно обученных классов.
| Модель | размер (пикселей) | соотв. топ1 | соотв. топ5 | Скорость ЦП ONNX (РС) | Скорость Т4 ТензорRT10 (РС) | параметры (М) | Флопы (Б) при 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 |
Значения acc — это точность модели в наборе проверки набора данных ImageNet.
Воспроизвести по yolo val classify data=path/to/ImageNet device=0
Скорость усреднена по изображениям ImageNet val с использованием экземпляра Amazon EC2 P4d.
Воспроизвести по yolo val classify data=path/to/ImageNet batch=1 device=0|cpu
См. «Документацию по позе» для примеров использования этих моделей, обученных на COCO-Pose, которые включают 1 предварительно обученный класс на человека.
| Модель | размер (пикселей) | карта поза 50-95 | карта поза 50 | Скорость ЦП ONNX (РС) | Скорость Т4 ТензорRT10 (РС) | параметры (М) | Флопы (Б) |
|---|---|---|---|---|---|---|---|
| YOLO11n-поза | 640 | 50,0 | 81,0 | 52,4 ± 0,5 | 1,7 ± 0,0 | 2.9 | 7,6 |
| YOLO11s-поза | 640 | 58,9 | 86,3 | 90,5 ± 0,6 | 2,6 ± 0,0 | 9,9 | 23.2 |
| YOLO11m-поза | 640 | 64,9 | 89,4 | 187,3 ± 0,8 | 4,9 ± 0,1 | 20,9 | 71,7 |
| YOLO11l-поза | 640 | 66,1 | 89,9 | 247,7 ± 1,1 | 6,4 ± 0,1 | 26,2 | 90,7 |
| YOLO11x-поза | 640 | 69,5 | 91,1 | 488,0 ± 13,9 | 12,1 ± 0,2 | 58,8 | 203,3 |
Значения mAP val указаны для одной модели в одном масштабе в наборе данных COCO Keypoints val2017.
Воспроизведение с помощью yolo val pose data=coco-pose.yaml device=0
Скорость усреднена по изображениям COCO val с использованием экземпляра Amazon EC2 P4d.
Воспроизведение с помощью yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
См. OBB Docs для примеров использования этих моделей, обученных на DOTAv1, которые включают 15 предварительно обученных классов.
| Модель | размер (пикселей) | МАР- тест 50 | Скорость ЦП ONNX (РС) | Скорость Т4 ТензорRT10 (РС) | параметры (М) | Флопы (Б) |
|---|---|---|---|---|---|---|
| YOLO11n-обб | 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-обб | 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 |
Значения теста mAP указаны для мультимасштабной одной модели в наборе данных DOTAv1.
Воспроизведите с помощью yolo val obb data=DOTAv1.yaml device=0 split=test и отправьте объединенные результаты на оценку DOTA.
Скорость усреднена по изображениям DOTAv1 val с использованием экземпляра Amazon EC2 P4d.
Воспроизведение с помощью yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
Интеграции
Наши ключевые интеграции с ведущими платформами искусственного интеллекта расширяют функциональность предложений Ultralytics, улучшая такие задачи, как маркировка наборов данных, обучение, визуализация и управление моделями. Узнайте, как Ultralytics в сотрудничестве с W&B, Comet, Roboflow и OpenVINO может оптимизировать ваш рабочий процесс с искусственным интеллектом.
| Ультралитики ХАБ ? | В&Б | Комета ⭐ НОВИНКА | Нейронная магия |
|---|---|---|---|
| Оптимизируйте рабочие процессы YOLO: легко размечайте, обучайте и развертывайте с помощью Ultralytics HUB. Попробуйте сейчас! | Отслеживайте эксперименты, гиперпараметры и результаты с помощью Weights & Biases | Бесплатная навсегда Comet позволяет сохранять модели YOLO11, возобновлять обучение, а также интерактивно визуализировать и отлаживать прогнозы. | Выполняйте вывод YOLO11 до 6 раз быстрее с помощью Neural Magic DeepSparse |
Ультралитики ХАБ
Испытайте безупречный искусственный интеллект с помощью Ultralytics HUB ⭐, универсального решения для визуализации данных, YOLO11 ? обучение и развертывание модели без какого-либо кодирования. Превратите изображения в полезную информацию и с легкостью воплотите свои идеи искусственного интеллекта в жизнь с помощью нашей передовой платформы и удобного приложения Ultralytics. Начните свое путешествие бесплатно прямо сейчас!
Способствовать
Нам нравится ваш вклад! Ultralytics YOLO был бы невозможен без помощи нашего сообщества. Ознакомьтесь с нашим Руководством для участников, чтобы начать работу, и заполните наш опрос, чтобы отправить нам отзыв о своем опыте. Спасибо ? всем нашим участникам!
Лицензия
Ultralytics предлагает два варианта лицензирования для различных случаев использования:
Лицензия AGPL-3.0 : эта лицензия с открытым исходным кодом, одобренная OSI, идеально подходит для студентов и энтузиастов, способствуя открытому сотрудничеству и обмену знаниями. Дополнительные сведения см. в файле ЛИЦЕНЗИИ.
Лицензия Enterprise . Разработанная для коммерческого использования, эта лицензия обеспечивает плавную интеграцию программного обеспечения Ultralytics и моделей искусственного интеллекта в коммерческие товары и услуги, минуя требования AGPL-3.0 к открытому исходному коду. Если ваш сценарий предполагает встраивание наших решений в коммерческое предложение, обратитесь в службу лицензирования Ultralytics.
Контакт
Отчеты об ошибках Ultralytics и пожелания по функциям можно найти на странице GitHub Issues. Станьте участником Discord, Reddit или форумов Ultralytics, чтобы задавать вопросы, делиться проектами, обучать обсуждениям или получать помощь по всем вопросам, связанным с Ultralytics!
