YOLOv11是最新的实时目标检测系统，也是对象检测算法家族中的一员。与传统方法不同，YOLOv11能够在单次处理中即时检测出图像中的对象及其位置，这使得它在需要高速且不牺牲准确性的任务中表现出色。自Joseph Redmon在2016年引入YOLO以来，它通过将图像作为整体处理，而不是分别分析各个区域，从而显著提高了检测速度，同时保持了合理的准确性。
YOLO模型经历了多次迭代，每一次都在前一个版本的基础上进行了改进。以下是各版本的简要总结：
YOLO版本 关键特性 局限性
YOLOv1 (2016) 首个实时检测模型 对小物体检测能力较弱
YOLOv2 (2017) 增加锚框和批量归一化 小物体检测仍显不足
YOLOv3 (2018) 多尺度检测 计算成本较高
YOLOv4 (2020) 速度和准确性提升 极端情况下存在权衡
YOLOv5 PyTorch实现用户友好 非官方发布
YOLOv6/YOLOv7 增强架构 逐步改进
YOLOv8/YOLOv9 更好地处理密集物体 复杂度增加
YOLOv10 (2024) 引入变换器，无NMS训练 边缘设备的可扩展性有限
YOLOv11 (2024) 基于变换器，动态头部，无NMS训练，PSA模块 高度受限的边缘设备上的可扩展性具有挑战性
YOLO的每个版本都在速度、准确性以及检测小物体的能力上带来了改进，YOLOv11是目前最先进的版本。
YOLOv11引入了几项开创性的特性，使其与前代产品区别开来：
YOLOv11在速度和准确性方面超越了以前的YOLO版本，如下表所示：
模型 速度(FPS) 准确性(mAP) 参数 用例
YOLOv3 30 FPS 53.0% 62M 平衡性能
YOLOv4 40 FPS 55.4% 64M 实时检测
YOLOv5 45 FPS 56.8% 44M 轻量级模型
YOLOv10 50 FPS 58.2% 48M 边缘部署
YOLOv11 60 FPS 61.5% 40M 更快、更准确
YOLOv11以更少的参数实现了速度和准确性的提升，使其适用于各种应用场景。
YOLOv11的架构整合了以下创新：
这种架构使YOLOv11能够在高端系统和移动电话等边缘设备上高效运行。
步骤1：安装YOLOv11依赖项
!pip install ultralytics
!pip install torch torchvision
步骤2：加载YOLOv11模型
from ultralytics import YOLO
# 加载COCO预训练的YOLO11n模型
model = YOLO('yolo11n.pt')
步骤3：在数据集上训练模型
# 在COCO8示例数据集上训练模型100个周期
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
测试模型
# 在图像上运行推理
results = model("path/to/your/image.png")
# 显示结果
results[0].show()
原始和输出图像
对未见图像进行了模型预测检查，它提供了最准确的输出。
YOLOv11的进步使其适用于各种实际应用：
YOLOv11为对象检测树立了新的标准，结合了速度、准确性和灵活性。其基于变换器的架构、动态头部设计和双重标签分配使其在从自动驾驶车辆到医疗保健的一系列实时应用中表现出色。YOLOv11有望成为开发人员和研究人员的关键工具，为未来对象检测技术的进步铺平了道路。
Q1. 什么是YOLO？
A1. YOLO，或称“You Only Look Once”，是一种实时对象检测系统，能够在单次处理中识别图像中的对象，使其高效快速。它由Joseph Redmon在2016年引入，并以整体处理图像而非单独分析区域的方式，革新了对象检测领域。
Q2. YOLOv11的关键特性是什么？
A2. YOLOv11引入了几项创新，包括基于变换器的主干、动态头部设计、无NMS训练、双重标签分配和部分自注意力（PSA）。这些特性提高了速度、准确性和效率，使其适合实时应用。
Q3. YOLOv11与早期版本相比如何？
A3. YOLOv11以60 FPS的处理速度和61.5%的mAP准确性超越了以前的版本。与YOLOv10的48M参数相比，它有更少的参数（40M），提供了更快、更准确的对象检测，同时保持效率。