Ultralytics YOLO11是基于最新的深度学习和计算机视觉技术构建的，它在速度和准确性方面提供了无与伦比的性能。其简洁的设计使其适合各种应用，并且可以轻松适应不同的硬件平台，从边缘设备到云API。
探索 Ultralytics 文档，这是一个全面的资源，旨在帮助理解和利用其特性和功能。无论是经验丰富的机器学习从业者还是该领域的新手，这个中心都旨在最大化 YOLO 在项目中的潜力。
通过 pip 安装 ultralytics，几分钟内即可开始训练 YOLO 模型。预测新图像、视频和流媒体上的结果。训练自己的定制数据集上的新 YOLO 模型，或者加载并训练预训练模型。发现 YOLO 任务，如检测、分割、分类、姿态、OBB 和跟踪。
Ultralytics 提供两种 YOLO 许可选项：AGPL-3.0 许可证和企业许可证。Ultralytics 可在 GitHub 上找到。
YOLO（You Only Look Once）是由华盛顿大学的 Joseph Redmon 和 Ali Farhadi 开发的流行的目标检测和图像分割模型。自 2015 年推出以来，YOLO 以其高速度和准确性迅速赢得了流行。
YOLOv2 在 2016 年发布，改进了原始模型，引入了批量归一化、锚点框和尺寸聚类。YOLOv3 在 2018 年发布，进一步改进了模型性能，使用了更有效的背部网络、多个锚点和空间金字塔池化。
YOLOv4 在 2020 年发布，引入了诸如 Mosaic 数据增强、新的无锚检测头和新的损失函数等创新。YOLOv5 进一步提高了模型性能，并添加了新功能，如超参数优化、集成实验监控和自动导出到最流行的格式。
YOLOv6 由美团在 2022 年提供，并在该公司的许多自主交付机器人中使用。YOLOv7 添加了额外的任务，如在 COCO 关键点数据集上的姿态估计。
YOLOv8 由 Ultralytics 在 2023 年发布。YOLOv8 引入了新功能和改进，以增强性能、灵活性和效率，支持一系列视觉 AI 任务。YOLOv9 引入了创新方法，如可编程梯度信息（PGI）和通用高效层聚合网络（GELAN）。
YOLOv10 由清华大学的研究人员使用 Ultralytics Python 包创建。这个版本在实时目标检测方面取得了进展，引入了一个端到端的头部，消除了非最大抑制（NMS）的要求。
YOLO11 是 Ultralytics 的最新 YOLO 模型，提供最先进的性能，涵盖多个任务，包括检测、分割、姿态估计、跟踪和分类，利用在各种 AI 应用和领域中的能力。
Ultralytics 提供两种 YOLO 许可选项：AGPL-3.0 许可证和企业许可证。AGPL-3.0 许可证是开源的，由 OSI 批准，非常适合学生和爱好者使用，因为它促进了开放合作和知识共享。
企业许可证专为商业用途设计，允许将 Ultralytics 软件和人工智能模型完美集成到商业产品中，绕过 AGPL-3.0 的开源要求。如果场景涉及将解决方案集成到商业产品中，请通过 Ultralytics Licensing 与联系。