一颗改变视觉AI领域的重磅炸弹——YOLO 11

Ultralytics在2024年YOLO Vision活动上隆重推出全新计算机视觉模型——YOLO 11。YOLO 11于今日正式开源，为广大开发者带来更高效、更精准的视觉识别体验。

Homepage: https://www.ultralytics.com/zh/yolo

Github: https://github.com/ultralytics/ultralytics

· YOLO 11

YOLO 11标志着YOLO系列模型翻开新的篇章，它带来了一系列强大的功能和优化，使其更快，更准确，并且功能多样。凭借其创新的架构，YOLO 11可用于各种计算机视觉任务，从实时对象检测到分类，使其成为开发人员和研究人员的游戏规则改变者。主要改进包括增强的特征提取，以实现更精确的细节捕获，更高的精度和更少的参数，以及更快的处理速度，从而显着提高实时性能。Ultralytics的创始人兼首席执行官Glenn Jocher表示：“通过YOLO 11，我们致力于打造一款既强大又实用的模型，以适应现实世界应用。它不仅能提升工作效率，还降低了成本。”

以下为YOLO11支持的计算机视觉任务：

物体检测：在图像或视频帧中识别并定位物体，并在它们周围绘制边界框，用于监控、自动驾驶和零售分析等应用。

实例分割：涉及识别并分离图像中的单个物体，精确到像素级别。它适用于医学成像和制造业中的缺陷检测等应用。

图像分类：将整个图像归类为预定义的类别，适用于电子商务中的产品分类或野生动物监测等应用。

姿态估计：在图像或视频帧中检测特定关键点以追踪动作或姿态，适用于健身追踪、运动分析和医疗保健应用。

定向物体检测OBB：检测具有方向角度的物体，允许更精确地定位旋转物体，对于航拍图像、机器人和仓库自动化任务特别有价值。

对象跟踪：在连续的视频帧中监控并跟踪物体的移动，对于许多实时应用至关重要。

YOLO 11旨在与已经使用的系统和平台无缝集成。在YOLOv8提供的支持基础上，YOLO 11与广泛的环境兼容，适用于训练、测试和部署。无论您是使用NVIDIA GPU、边缘设备还是在云平台上部署。

值得注意的是，YOLO 11m在COCO数据集上实现了更高的平均精度（mAP）得分，同时使用的参数比YOLOv8m少22%，使其在不牺牲性能的情况下计算更轻。这意味着它提供了更准确的结果，同时运行效率更高。最重要的是，YOLO 11带来了更快的处理速度，推理时间比YOLO v10快约2%，使其成为实时应用程序的理想选择。

例如，假设您想将YOLO 11用于农业，特别是用于作物监测。您可能需要在无人机上部署模型，以实时识别大面积农田中的植物健康问题。如果您在安全领域，您可能更喜欢将YOLO 11与基于云的系统一起使用，以监控多个摄像头视频流进行物体检测。

· 赋能AI社区

加速创新，精准洞察。

YOLO 11算法现已在官方github repo更新，登录Coovally平台，将下载的YOLO 11模型算法添加至算法集成中，即可在国庆假期后畅享使用，为您带来极致的视觉AI识别体验！当然，平台内置了140+原生预训练深度学习模型，包括YOLO v5、YOLO v8、YOLO v10等，可一键使用。