Ultralytics YOLO11 已经到来！重新定义人工智能的可能性！

我们非常高兴地向您介绍Ultralytics 型号的下一代产品：YOLO11！在之前YOLO 模型版本令人印象深刻的进步基础上，YOLO11 带来了一系列强大的功能和优化，使其更快、更准确、用途更广泛。在Ultralytics一年一度的人工智能专家、创新者和开发者混合聚会YOLO Vision 2024 (YV24) 活动上发布的这款Ultralytics 系列的最新产品将重新定义计算机视觉的可能性。 

凭借其创新的架构，YOLO11 可用于各种计算机视觉任务，从实时物体检测到分类，使其成为开发人员和研究人员的新宠。主要改进包括：增强了特征提取功能，从而可以更精确地捕捉细节；以更少的参数实现更高的精度；以及更快的处理速度，从而显著提高了实时性能。在本文中，我们将详细介绍使 YOLO11 脱颖而出的功能，以及它如何改变您的计算机视觉应用。让我们开始吧！

了解 YOLO11

YOLO11 标志着YOLO 系列翻开了新的篇章，提供了功能更强、用途更广的模型，将计算机视觉 提升到了新的高度。凭借其完善的架构和增强的功能，该模型可支持姿势估计和实例分割等计算机视觉任务。 Ultralytics YOLOv8而且性能更强、精度更高。Ultralytics 创始人兼首席执行官Glenn Jocher 分享说："通过 YOLO11，我们致力于开发一种既强大又实用的模型，以满足现实世界的应用需求。它提高了效率和准确性，使其成为一个强大的工具，能够适应各行各业所面临的独特挑战。我迫不及待地想看到视觉人工智能社区如何利用 YOLO11 创造创新的解决方案，并将计算机视觉提升到一个新的水平。

‍

下面是 YOLO11 所支持的计算机视觉任务：

• 物体检测：识别并定位图像或视频帧中的物体，在其周围绘制边界框，用于监控、自动驾驶和零售分析等应用。
• 实例分割：它包括识别和分离图像中的单个对象，直至像素级别。它适用于医疗成像和制造业缺陷检测等应用。
• 图像分类：将整个图像归入预定义的类别，因此非常适合电子商务中的产品分类或野生动物监测等应用。
• 姿势估计：检测图像或视频帧中的特定关键点，以跟踪运动或姿势，有利于健身跟踪、运动分析和医疗保健应用。
• 定向物体检测 (OBB)：可检测带方向角的物体，从而更精确地定位旋转物体，这对于航空图像、机器人和仓库自动化任务尤为重要。
• 物体跟踪：在连续的视频帧中监控和跟踪物体的移动，这对许多实时应用来说都是必不可少的。

‍

YOLO11 为何与众不同？

YOLO11 以今年早些时候推出的YOLOv9和YOLOv10为基础，采用了改进的架构设计、增强的特征提取技术和优化的训练方法。真正让 YOLO11 脱颖而出的是其令人印象深刻的速度、准确性和效率组合，使其成为Ultralytics 迄今创建的最强大的模型之一。通过改进设计，YOLO11 可以提供更好的特征提取（即从图像中识别重要模式和细节的过程），从而可以更准确地捕捉错综复杂的方面，即使在具有挑战性的场景中也是如此。

值得注意的是，YOLO11m 在COCO 数据集上 获得了更高的平均精度 (mAP) 分数，而使用的参数却比 YOLO11m 少了 22%。 YOLOv8m相比，YOLO11m 在 COCO 数据集上获得了更高的平均精确度 (mAP)，同时使用的参数比这意味着它能提供更精确的结果，同时运行效率更高。此外，YOLO11 的处理速度更快，推理时间比 YOLOv10 快约 2%，非常适合实时应用。 

‍

它既能处理复杂的任务，又能更轻松地利用资源，旨在提高大规模模型的性能，因此非常适合要求苛刻的人工智能项目。增强管道的改进也改善了训练流程，使 YOLO11 更容易适应不同的任务，无论您是在处理小型项目还是大型应用。 

事实上，YOLO11 的处理能力非常高效，非常适合部署在云端和边缘设备上，确保了不同环境下的灵活性。简而言之，YOLO11 不仅仅是一个升级版，它还是一个更加精确、高效和灵活的模型，能够更好地应对任何计算机视觉挑战。无论是自动驾驶、监控、医疗成像、智能零售还是工业用例，YOLO11 都能满足几乎所有计算机视觉应用的需求。

YOLO11 已为您的系统和平台做好准备

YOLO11 可与您正在使用的系统和平台无缝集成。基于 YOLOv8提供的支持基础上，YOLO11 可与各种培训、测试和部署环境兼容。无论您是使用NVIDIA GPU、边缘设备，还是在云平台上进行部署，YOLO11 都经过优化，可以毫不费力地融入您的工作流程。

这些集成是很好的附加组件，使 YOLO11 能够适应不同的行业，帮助企业在现有流程中轻松实施该模型。例如，假设您想将 YOLO11 用于农业，特别是作物监测。您可能需要在无人机上部署该模型，以便在大片田地上实时识别植物健康问题。但是，如果您从事的是安防行业，您可能更愿意将 YOLO11 与基于云的系统结合使用，以监控多个摄像机馈送，进行物体检测。

‍

通过 YOLO11 增强人工智能社区的能力

随着 YOLO11 的推出，视觉人工智能领域有望取得令人振奋的进步。得益于其更高的准确性和效率，这个新模型有可能改变现有的应用并创造新的应用。这一进步的主要因素是Ultralytics HUB。 Ultralytics HUB 是一个用户友好型平台，可简化YOLO 模型（包括 YOLO11）的培训和部署。 

‍

Ultralytics HUB 允许用户上传数据集、访问一系列预训练模型，并在一个地方管理他们的项目，从而简化了开发流程。HUB 还支持协作，使团队能够轻松合作开展人工智能项目。以下是Ultralytics HUB 的其他一些主要功能：

• 云培训:Ultralytics HUB 提供基于云的无缝模型培训，以提高可扩展性和效率。
• 预训练模型:该平台可访问各种预训练的YOLOv5 、YOLOv8 和 YOLO11 模型。
• 模型导出：训练好的模型可导出为各种格式，以便部署。
• 集成:Ultralytics HUB 与Roboflow 、Google Colab 和Weights & Biases 等平台无缝集成。
• 详细的文档：Ultralytics HUB 提供全面的用户支持指南和常见问题。
• 社区支持：活跃的 Discord 社区可提供问题和讨论。

凭借 HUB 的直观设计，经验丰富的开发人员和新手都可以快速上手。随着越来越多的开发人员通过 HUB 使用 YOLO11，我们可以期待高性能应用的激增，这些应用将推动计算机视觉的发展，并塑造人工智能技术的未来。

亲身体验 YOLO11

与YOLOv8 一样，YOLO11 也将很快通过Ultralytics HUB 和 Ultralytics Python 软件包试用。您可以登录HUB 或查看我们的快速入门指南，逐步了解如何安装软件包。一旦发布，您就可以探索其功能，使用不同的数据集进行实验，并了解 YOLO11 在各种情况下的表现。我们迫不及待地想看到人工智能社区参与到 YOLO11 中来，为其开发、提供反馈或在其基础上进行改进做出贡献。

无论您是希望优化现有项目的开发人员，还是有兴趣创建新应用程序的人员，您的参与都有助于推动创新。加入讨论、分享经验并与他人合作，充分释放 YOLO11 的潜力。我们很高兴看到您如何使用 YOLO11 来应对现实世界的挑战，并将您的创意变为现实！

YOLO11 开启新篇章

YOLO11 是计算机视觉领域的下一个里程碑，集惊人的精度、速度和效率于一身。YOLO11 在 YV24 大会上发布，其先进的功能使其适用于从自动驾驶汽车到智能零售解决方案等各种实时应用。随着人工智能社区开始探索和使用这一模型，我们很高兴看到 YOLO11 将以创造性的方式推动创新，为生活带来新的可能性。如果您想探索人工智能领域的最新进展，请试用 YOLO11，看看它如何提升您的计算机视觉项目！

要了解有关人工智能的更多信息，请访问我们的GitHub 存储库并加入我们的活跃社区。了解人工智能如何在医疗保健和农业等领域取得长足进步。