YOLO11是由Ultralytics公司开发的一系列计算机视觉模型。截至YOLO11发布之时，该模型在所有Ultralytics模型中准确度最高。在Microsoft COCO基准测试中，系列中最大的YOLO11x模型据报道达到了54.7%的mAP得分，而最小的YOLO11n模型在同一数据集上的得分为39.5%。YOLO11支持与YOLOv8相同的任务类型，包括对象检测、分类、图像分割、关键点检测和定向边界框（Oriented Bounding Box, OBB）检测。
要开始使用YOLO11，可以查看关于如何在自定义数据集上训练YOLOv8的指南。要了解其他人如何使用YOLO11，可以浏览Roboflow Universe，寻找其他YOLO11模型、数据集和灵感。此外，除了使用Roboflow托管的API进行部署外，还可以使用Roboflow Inference，这是一个开源的推理解决方案，支持CPU和GPU，让能够立即访问从NVIDIA Jetson（例如Jetson Nano或Orin）到ARM CPU设备的各种设备。使用Roboflow Inference，可以在设备上自托管并部署模型。
部署模型的第一步是将模型权重上传到Roboflow。训练完YOLOv8模型后，将拥有一组训练好的权重，这些权重可以用于与托管API端点一起使用。可以使用Roboflow pip包中的deploy()函数将模型权重上传到Roboflow Deploy，以便在云端使用训练好的权重。要上传模型权重，首先在Roboflow上创建一个新项目，上传数据集，并创建一个项目版本。然后，编写一个Python脚本，使用以下代码：
import roboflow
roboflow.login()
rf = roboflow.Roboflow()
project = rf.workspace().project(PROJECT_ID)
project.version(DATASET_VERSION).deploy(model_type="yolo11", model_path=f"{HOME}/runs/detect/train/")
将PROJECT_ID替换为项目ID，将DATASET_VERSION替换为与项目关联的版本号。完成上述代码运行后，模型将在Roboflow项目仪表板的部署页面上可供使用。
接下来，安装推理库。可以使用Inference Docker容器或pip包进行部署。这里使用pip包。首先运行：
pip install inference
然后，创建一个新的Python文件，并添加以下代码：
from inference import get_model
import supervision as sv
import cv2
image_file = "image.jpeg"
image = cv2.imread(image_file)
model = get_model(model_id="model-id")
# 在选择的图像上运行推理，图像可以是url、numpy数组、PIL图像等
results = model.infer(image)[0]
# 将结果加载到监督检测api中
detections = sv.Detections.from_inference(results)
# 创建监督注释器
bounding_box_annotator = sv.BoundingBoxAnnotator()
label_annotator = sv.LabelAnnotator()
# 使用推理结果注释图像
annotated_image = bounding_box_annotator.annotate(
scene=image, detections=detections)
annotated_image = label_annotator.annotate(
scene=annotated_image, detections=detections)
# 显示图像
sv.plot_image(annotated_image)
在上面的代码中，设置Roboflow工作空间ID、模型ID和API密钥（如果想使用在工作空间中训练的自定义模型）。还可以设置想要运行推理的图像的URL。这可以是一个本地文件。