You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
 
 
 

30 KiB

YOLO Vision banner

中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

Ultralytics CI Ultralytics Downloads Ultralytics YOLO Citation Ultralytics Discord Ultralytics Forums Ultralytics Reddit
Run Ultralytics on Gradient Open Ultralytics In Colab Open Ultralytics In Kaggle Open Ultralytics In Binder

Ultralytics YOLO11 是一个尖端的、最先进(SOTA)的模型,基于之前 YOLO 版本的成功,并引入了新功能和改进以进一步提升性能和灵活性。YOLO11 被设计得快速、准确且易于使用,是进行广泛对象检测和跟踪、实例分割、图像分类和姿态估计任务的理想选择。

我们希望这里的资源能帮助你充分利用 YOLO。请浏览 Ultralytics 文档 以获取详细信息,在 GitHub 上提出问题或讨论,成为 Ultralytics DiscordReddit论坛 的成员!

想申请企业许可证,请完成 Ultralytics Licensing 上的表单。

YOLO11 performance plots
Ultralytics GitHub space Ultralytics LinkedIn space Ultralytics Twitter space Ultralytics YouTube space Ultralytics TikTok space Ultralytics BiliBili space Ultralytics Discord

文档

请参阅下方的快速开始安装和使用示例,并查看我们的 文档 以获取有关训练、验证、预测和部署的完整文档。

安装

Python>=3.8 环境中使用 PyTorch>=1.8 通过 pip 安装包含所有依赖项 的 ultralytics 包。

PyPI - Version Ultralytics Downloads PyPI - Python Version

pip install ultralytics

有关其他安装方法,包括 CondaDocker 和 Git,请参阅 快速开始指南

Conda Version Docker Image Version Ultralytics Docker Pulls

使用

CLI

YOLO 可以直接在命令行接口(CLI)中使用 yolo 命令:

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

yolo 可以用于各种任务和模式,并接受额外参数,例如 imgsz=640。请参阅 YOLO CLI 文档 以获取示例。

Python

YOLO 也可以直接在 Python 环境中使用,并接受与上述 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 YAML 路径
    epochs=100,  # 训练轮次
    imgsz=640,  # 训练图像尺寸
    device="cpu",  # 运行设备,例如 device=0 或 device=0,1,2,3 或 device=cpu
)

# 评估模型在验证集上的性能
metrics = model.val()

# 在图像上执行对象检测
results = model("path/to/image.jpg")
results[0].show()

# 将模型导出为 ONNX 格式
path = model.export(format="onnx")  # 返回导出模型的路径

请参阅 YOLO Python 文档 以获取更多示例。

模型

YOLO11 检测分割姿态 模型在 COCO 数据集上进行预训练,这些模型可在此处获得,此外还有在 ImageNet 数据集上预训练的 YOLO11 分类 模型。所有检测、分割和姿态模型均支持 跟踪 模式。所有模型在首次使用时自动从最新的 Ultralytics 发布下载。

Ultralytics YOLO supported tasks

检测 (COCO)

请参阅 检测文档 以获取使用这些在 COCO 数据集上训练的模型的示例,其中包含 80 个预训练类别。

模型 尺寸
(像素)
mAPval
50-95
速度
CPU ONNX
(ms)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
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
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
  • mAPval 值针对单模型单尺度在 COCO val2017 数据集上进行。
    复制命令 yolo val detect data=coco.yaml device=0
  • 速度在使用 Amazon EC2 P4d 实例的 COCO 验证图像上平均。
    复制命令 yolo val detect data=coco.yaml batch=1 device=0|cpu
分割 (COCO)

请参阅 分割文档 以获取使用这些在 COCO-Seg 数据集上训练的模型的示例,其中包含 80 个预训练类别。

模型 尺寸
(像素)
mAPbox
50-95
mAPmask
50-95
速度
CPU ONNX
(ms)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(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
  • mAPval 值针对单模型单尺度在 COCO val2017 数据集上进行。
    复制命令 yolo val segment data=coco.yaml device=0
  • 速度在使用 Amazon EC2 P4d 实例的 COCO 验证图像上平均。
    复制命令 yolo val segment data=coco.yaml batch=1 device=0|cpu
分类 (ImageNet)

请参阅 分类文档 以获取使用这些在 ImageNet 数据集上训练的模型的示例,其中包含 1000 个预训练类别。

模型 尺寸
(像素)
acc
top1
acc
top5
速度
CPU ONNX
(ms)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B) at 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 值为在 ImageNet 数据集验证集上的模型准确率。
    复制命令 yolo val classify data=path/to/ImageNet device=0
  • 速度在使用 Amazon EC2 P4d 实例的 ImageNet 验证图像上平均。
    复制命令 yolo val classify data=path/to/ImageNet batch=1 device=0|cpu
姿态 (COCO)

请参阅 姿态文档 以获取使用这些在 COCO-Pose 数据集上训练的模型的示例,其中包含 1 个预训练类别(人)。

模型 尺寸
(像素)
mAPpose
50-95
mAPpose
50
速度
CPU ONNX
(ms)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(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
  • mAPval 值针对单模型单尺度在 COCO Keypoints val2017 数据集上进行。
    复制命令 yolo val pose data=coco-pose.yaml device=0
  • 速度在使用 Amazon EC2 P4d 实例的 COCO 验证图像上平均。
    复制命令 yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
OBB (DOTAv1)

请参阅 OBB 文档 以获取使用这些在 DOTAv1 数据集上训练的模型的示例,其中包含 15 个预训练类别。

模型 尺寸
(像素)
mAPtest
50
速度
CPU ONNX
(ms)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
YOLO11n-obb 1024 78.4 117.56 ± 0.80 4.43 ± 0.01 2.7 17.2
YOLO11s-obb 1024 79.5 219.41 ± 4.00 5.13 ± 0.02 9.7 57.5
YOLO11m-obb 1024 80.9 562.81 ± 2.87 10.07 ± 0.38 20.9 183.5
YOLO11l-obb 1024 81.0 712.49 ± 4.98 13.46 ± 0.55 26.2 232.0
YOLO11x-obb 1024 81.3 1408.63 ± 7.67 28.59 ± 0.96 58.8 520.2
  • mAPtest 值针对单模型多尺度在 DOTAv1 数据集上进行。
    复制命令 yolo val obb data=DOTAv1.yaml device=0 split=test 并提交合并结果到 DOTA 评估
  • 速度在使用 Amazon EC2 P4d 实例的 DOTAv1 验证图像上平均。
    复制命令 yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

集成

我们与领先的 AI 平台的关键集成扩展了 Ultralytics 产品的功能,提升了数据集标注、训练、可视化和模型管理等任务。探索 Ultralytics 如何通过与 W&BCometRoboflowOpenVINO 的合作,优化您的 AI 工作流程。

Ultralytics active learning integrations

Ultralytics HUB 🚀 W&B Comet 全新 Neural Magic
简化 YOLO 工作流程:通过 Ultralytics HUB 轻松标注、训练和部署。立即试用! 使用 Weights & Biases 跟踪实验、超参数和结果 永久免费,Comet 允许您保存 YOLO11 模型、恢复训练,并交互式地可视化和调试预测结果 使用 Neural Magic DeepSparse 运行 YOLO11 推理,速度提升至 6 倍

Ultralytics HUB

体验无缝 AI 使用 Ultralytics HUB ,一个集数据可视化、YOLO11 🚀 模型训练和部署于一体的解决方案,无需编写代码。利用我们最先进的平台和用户友好的 Ultralytics 应用,将图像转换为可操作见解,并轻松实现您的 AI 愿景。免费开始您的旅程!

Ultralytics HUB preview image

贡献

我们欢迎您的意见!没有社区的帮助,Ultralytics YOLO 就不可能实现。请参阅我们的 贡献指南 开始,并填写我们的 调查问卷 向我们提供您体验的反馈。感谢所有贡献者 🙏

Ultralytics open-source contributors

许可

Ultralytics 提供两种许可选项以适应各种用例:

  • AGPL-3.0 许可:这是一个 OSI 批准 的开源许可,适合学生和爱好者,促进开放协作和知识共享。有关详细信息,请参阅 LICENSE 文件。
  • 企业许可:专为商业使用设计,此许可允许将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中,无需满足 AGPL-3.0 的开源要求。如果您的场景涉及将我们的解决方案嵌入到商业产品,请通过 Ultralytics Licensing 联系我们。

联系

如需 Ultralytics 的错误报告和功能请求,请访问 GitHub Issues。成为 Ultralytics DiscordReddit论坛 的成员,提出问题、分享项目、探讨学习讨论,或寻求所有 Ultralytics 相关的帮助!


Ultralytics GitHub space Ultralytics LinkedIn space Ultralytics Twitter space Ultralytics YouTube space Ultralytics TikTok space Ultralytics BiliBili space Ultralytics Discord