Ultralytics YOLO11是一个前沿的、最先进的（SOTA）模型，建立在之前YOLO版本的成功基础上，并引入了新的特性和改进，以进一步提升性能和灵活性。YOLO11旨在实现快速、准确和易用，使其成为各种目标检测、跟踪、实例分割、图像分类和姿态估计任务的首选。
主要功能
- 多种模型：YOLO11提供了检测（Detect）、分割（Segment）和姿态（Pose）模型，这些模型在COCO数据集上进行了预训练，同时还有基于ImageNet数据集的分类（Classify）模型。
- 自动下载：首次使用时，所有模型都会自动从最新的Ultralytics发布中下载。
- 高性能：YOLO11在保持高准确性的同时，也注重计算效率，适用于各种硬件平台。
- 集成与扩展：Ultralytics与W&B、Comet、Roboflow和OpenVINO等领先AI平台进行了集成，扩展了其功能，优化了AI工作流程。
安装和使用
安装
Pip 使用 PyTorch>=1.8 在 Python>=3.8 环境中安装 ultralytics 包（包括所有要求）。
https://pypi.org/project/ultralytics/
https://pepy.tech/project/ultralytics
https://pypi.org/project/ultralytics/
pip install ultralytics
有关包括 Conda、Docker 和 Git 在内的其他安装方法，请参阅快速入门指南。
https://anaconda.org/conda-forge/ultralytics
https://hub.docker.com/r/ultralytics/ultralytics
https://hub.docker.com/r/ultralytics/ultralytics
使用
命令行界面
YOLO 可以直接在命令行界面 （CLI） 中使用，其中包含以下命令：yolo
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
yolo可用于各种任务和模式，并接受其他参数，即 .有关示例，请参阅 YOLO CLI 文档。imgsz=640
Python
YOLO 也可以直接在 Python 环境中使用，并接受与上面的 CLI 示例中相同的参数：
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt")
# Train the model
train_results = model.train(
data="coco8.yaml", # path to dataset YAML
epochs=100, # number of training epochs
imgsz=640, # training image size
device="cpu", # device to run on, i.e. device=0 or device=0,1,2,3 or device=cpu
)
# Evaluate model performance on the validation set
metrics = model.val()
# Perform object detection on an image
results = model("path/to/image.jpg")
results[0].show()
# Export the model to ONNX format
path = model.export(format="onnx") # return path to exported model
有关更多示例，请参阅 YOLO Python 文档。
