超解剂
v8.3.31 - `ultralytics 8.3.31` add `max_num_obj` factor for `AutoBatch` (#17514)
中文 | 한국어 | 日本语 | Русский | 俄罗斯德语 |法语 |西班牙语 |葡萄牙语 |土耳其 |越南 | Tiếng Việt |巴黎
Ultralytics YOLO11 是一种尖端、最先进 (SOTA) 模型，它建立在先前 YOLO 版本成功的基础上，并引入了新功能和改进，以进一步提高性能和灵活性。 YOLO11 的设计目标是快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
我们希望这里的资源能够帮助您充分利用 YOLO。请浏览 Ultralytics 文档了解详细信息，在 GitHub 上提出问题以获得支持、问题或讨论，成为 Ultralytics Discord、Reddit 和论坛的成员！
要申请企业许可证，请填写 Ultralytics Licensing 处的表格。
文档
请参阅下面的快速入门安装和使用示例，并参阅我们的文档以获取有关培训、验证、预测和部署的完整文档。
Pip 安装 ultralytics 包，包括使用PyTorch>=1.8的Python>=3.8环境中的所有要求。
pip 安装 ultralytics
有关 Conda、Docker 和 Git 等替代安装方法，请参阅快速入门指南。
YOLO 可以通过yolo命令直接在命令行界面 (CLI) 中使用：
yolo 预测模型=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
yolo可用于各种任务和模式，并接受附加参数，即imgsz=640 。有关示例，请参阅 YOLO CLI 文档。
YOLO 也可以直接在 Python 环境中使用，并接受与上面 CLI 示例中相同的参数：
from ultralytics import YOLO# 加载模型 model = YOLO("yolo11n.pt")# 训练模型train_results = model.train( data="coco8.yaml", # 数据集路径 YAML epochs=100, # 训练周期数 imgsz= 640, # 训练图像大小 device="cpu", # 运行的设备，即 device=0 或 device=0,1,2,3 或device=cpu)# 在验证集上评估模型性能metrics = model.val()# 对图像进行对象检测results = model("path/to/image.jpg")results[0].show()# 导出模型to ONNX formatpath = model.export(format="onnx") # 返回导出模型的路径有关更多示例，请参阅 YOLO Python 文档。
型号
此处提供了在 COCO 数据集上预训练的 YOLO11 检测、分段和姿势模型，以及在 ImageNet 数据集上预训练的 YOLO11 分类模型。跟踪模式适用于所有检测、分段和姿势模型。
所有模型在首次使用时都会自动从最新的 Ultralytics 版本下载。
请参阅检测文档，了解在 COCO 上训练的这些模型的使用示例，其中包括 80 个预训练类。
| 模型 | 尺寸 （像素） | 平均AP值 50-95 | 速度 CPU ONNX （多发性硬化症） | 速度 T4 张量RT10 （多发性硬化症） | 参数 (男) | 失败次数 (二) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1±0.8 | 1.5±0.0 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0±1.2 | 2.5±0.0 | 9.4 | 21.5 |
| YOLO11米 | 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 |
mAP val值适用于 COCO val2017 数据集上的单模型单尺度。
由yolo val detect data=coco.yaml device=0重现
使用 Amazon EC2 P4d 实例对 COCO val 图像进行平均速度。
通过yolo val detect data=coco.yaml batch=1 device=0|cpu
请参阅分割文档，了解在 COCO-Seg 上训练的这些模型的使用示例，其中包括 80 个预训练类。
| 模型 | 尺寸 （像素） | 地图框 50-95 | 地图掩模 50-95 | 速度 CPU ONNX （多发性硬化症） | 速度 T4 张量RT10 （多发性硬化症） | 参数 (男) | 失败次数 (二) |
|---|---|---|---|---|---|---|---|
| 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-段 | 640 | 51.5 | 41.5 | 281.6±1.2 | 6.3±0.1 | 22.4 | 123.3 |
| YOLO11l-段 | 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 |
mAP val值适用于 COCO val2017 数据集上的单模型单尺度。
通过yolo val segment data=coco-seg.yaml device=0重现
使用 Amazon EC2 P4d 实例对 COCO val 图像进行平均速度。
通过yolo val segment data=coco-seg.yaml batch=1 device=0|cpu
请参阅分类文档，了解在 ImageNet 上训练的这些模型的使用示例，其中包括 1000 个预训练类。
| 模型 | 尺寸 （像素） | ACC 前1名 | ACC 前5名 | 速度 CPU ONNX （多发性硬化症） | 速度 T4 张量RT10 （多发性硬化症） | 参数 (男) | 失败次数 (B) 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 |
acc值是 ImageNet 数据集验证集上的模型精度。
由yolo val classify data=path/to/ImageNet device=0
使用 Amazon EC2 P4d 实例对 ImageNet val 图像进行平均速度。
由yolo val classify data=path/to/ImageNet batch=1 device=0|cpu
请参阅 Pose 文档，了解在 COCO-Pose 上训练的这些模型的使用示例，其中包括 1 个预训练类、人员。
| 模型 | 尺寸 （像素） | 地图位姿 50-95 | 地图位姿 50 | 速度 CPU ONNX （多发性硬化症） | 速度 T4 张量RT10 （多发性硬化症） | 参数 (男) | 失败次数 (二) |
|---|---|---|---|---|---|---|---|
| YOLO11n-姿势 | 640 | 50.0 | 81.0 | 52.4±0.5 | 1.7±0.0 | 2.9 | 7.6 |
| YOLO11s-姿势 | 640 | 58.9 | 86.3 | 90.5±0.6 | 2.6±0.0 | 9.9 | 23.2 |
| YOLO11m-姿势 | 640 | 64.9 | 89.4 | 187.3±0.8 | 4.9±0.1 | 20.9 | 71.7 |
| YOLO11l-姿势 | 640 | 66.1 | 89.9 | 247.7±1.1 | 6.4±0.1 | 26.2 | 90.7 |
| YOLO11x-姿势 | 640 | 69.5 | 91.1 | 488.0±13.9 | 12.1±0.2 | 58.8 | 203.3 |
mAP val值适用于 COCO Keypoints val2017 数据集上的单模型单尺度。
由yolo val pose data=coco-pose.yaml device=0重现
使用 Amazon EC2 P4d 实例对 COCO val 图像进行平均速度。
由yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
请参阅 OBB 文档，了解在 DOTAv1 上训练的这些模型的使用示例，其中包括 15 个预训练类。
| 模型 | 尺寸 （像素） | 映射测试 50 | 速度 CPU ONNX （多发性硬化症） | 速度 T4 张量RT10 （多发性硬化症） | 参数 (男) | 失败次数 (二) |
|---|---|---|---|---|---|---|
| YOLO11n-ob | 1024 | 78.4 | 117.6±0.8 | 4.4±0.0 | 2.7 | 17.2 |
| YOLO11s-ob | 1024 | 79.5 | 219.4±4.0 | 5.1±0.0 | 9.7 | 57.5 |
| YOLO11m-ob | 1024 | 80.9 | 562.8±2.9 | 10.1±0.4 | 20.9 | 183.5 |
| YOLO11l-ob | 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 |
mAP测试值适用于 DOTAv1 数据集上的单模型多尺度。
通过yolo val obb data=DOTAv1.yaml device=0 split=test重现并将合并结果提交给 DOTA 评估。
使用 Amazon EC2 P4d 实例对 DOTAv1 val 图像进行平均速度。
由yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
集成
我们与领先的人工智能平台的关键集成扩展了 Ultralytics 产品的功能，增强了数据集标记、培训、可视化和模型管理等任务。了解 Ultralytics 如何与 W&B、Comet、Roboflow 和 OpenVINO 合作优化您的 AI 工作流程。
| 超解集线器？ | 温布利 | 彗星 ⭐ 新 | 神经魔法 |
|---|---|---|---|
| 简化 YOLO 工作流程：使用 Ultralytics HUB 轻松标记、训练和部署。立即尝试！ | 使用权重和偏差跟踪实验、超参数和结果 | Comet 永久免费，可让您保存 YOLO11 模型、恢复训练以及交互式可视化和调试预测 | 使用 Neural Magic DeepSparse 将 YOLO11 推理速度提高 6 倍 |
超解集线器
通过 Ultralytics HUB 体验无缝 AI，这是数据可视化的一体化解决方案 YOLO11？模型训练和部署，无需任何编码。使用我们的尖端平台和用户友好的 Ultralytics 应用程序，将图像转化为可行的见解，并轻松将您的 AI 愿景变为现实。立即免费开始您的旅程！
贡献
我们喜欢您的意见！如果没有我们社区的帮助，Ultralytics YOLO 就不可能实现。请参阅我们的贡献指南以开始使用，并填写我们的调查问卷，向我们发送有关您的体验的反馈。谢谢 ？致我们所有的贡献者！
执照
Ultralytics 提供两种许可选项来适应不同的用例：
AGPL-3.0 许可证：此 OSI 批准的开源许可证非常适合学生和爱好者，促进开放协作和知识共享。有关更多详细信息，请参阅许可证文件。
企业许可证：该许可证专为商业用途而设计，允许将 Ultralytics 软件和人工智能模型无缝集成到商业产品和服务中，绕过 AGPL-3.0 的开源要求。如果您的方案涉及将我们的解决方案嵌入到商业产品中，请通过 Ultralytics 许可进行联系。
接触
有关 Ultralytics 错误报告和功能请求，请访问 GitHub 问题。成为 Ultralytics Discord、Reddit 或论坛的成员，以便提出问题、分享项目、学习讨论或寻求有关 Ultralytics 的所有帮助！
