OpenCV与AI深度学习 | YOLOv11来了：将重新定义AI的可能性

本文来源公众号“OpenCV与AI深度学习”，仅用于学术分享，侵权删，干货满满。

原文链接：YOLOv11来了：将重新定义AI的可能性

    Ultralytics YOLOv11的问世标志着人工智能领域，尤其是计算机视觉领域的一个突破性时刻。随着 Ultralytics YOLOv11 的发布，人工智能历史上的一个分水岭已经到来。这在计算机视觉领域尤其如此。延续 YOLO（You Only Look Once）系列的强大传统，这一新版本旨在提高实时对象检测和图片分割能力，实现前所未有的效率和性能水平。

https://www.ultralytics.com/zh/blog/ultralytics-yolo11-has-arrived-redefine-whats-possible-in-ai

YOLO 进化简述

    YOLO 系列自诞生以来，不断推动着物体检测技术的前沿发展。每次迭代都有实质性的改进：

• • YOLOv1（2016）：首个将对象检测概念化为单一回归问题的模型。

  • YOLOv2（2017）：使用批量标准化和锚框提高精度。

  • YOLOv3（2018）：通过更高效的主干架构提高功效。

  • YOLOv4（2020）：引入了 Mosaic 数据增强和新颖的损失函数等进步。

  • YOLOv5（2020）：强调性能和以用户为中心的功能的增强。

  • YOLOv6（2022）：美团开源，专门针对自动配送应用进行了优化。

  • YOLOv7（2022）：引入了增强功能，包括姿势估计。

  • YOLOv8（2023）：提高了对各种视觉 AI 应用的适应性。

    Ultralytics 致力于通过结合最先进的方法来提高速度、精度和用户友好性，从而增强 YOLOv11 的进步。

探索 YOLO11

    YOLO11 是一种更强大、更灵活的模型，可将计算机视觉提升到新的水平，它为 YOLO 家族开启了新纪元。该模型在计算机视觉任务（如姿势估计和实例分割）的性能和准确性方面比 Ultralytics YOLOv8 有所改进。它的架构经过了微调，功能也得到了扩展。“我们的目标是开发 YOLO11，创建一个为实际应用提供强大功能和实用性的模型，”Ultralytics 创始人兼首席执行官 Glenn Jocher 解释道。由于其精度和效率的提高，它是一种多功能工具，可以根据不同行业的特定需求进行调整。我热切期待 Vision AI 社区将使用 YOLO11 开发和实施独特的解决方案，以提升计算机视觉。

YOLO11支持的计算机视觉任务的概述：

• • 对象检测：识别并精确定位图片或视频帧中的对象，用边界框勾勒出它们，用于监控、自动驾驶和零售分析等用途。实例分割需要在像素级别识别和勾勒出图像中的离散对象。它对医学成像和制造业缺陷识别等应用大有裨益。

  • 图像分类：将整张照片分配到已建立的类别，使其适用于电子商务中的产品分类或野生动物监视等应用。

  • 姿势估计：识别图像或视频帧中的某些重要点以监控运动或姿势，有利于健身追踪、运动分析和医疗保健应用。

  • 定向物体检测：（OBB）识别具有特定方向角的物体，有助于更准确地定位旋转物体，特别有利于航空成像、机器人和仓库自动化应用。

  • 对象跟踪：观察并追踪连续视频帧中对象的动作，这对于众多实时应用来说至关重要。

YOLOv11 的主要特点

    1. 无与伦比的速度和精度：

    YOLOv11 的设计目标是在不牺牲精度的情况下实现快速运行。自动驾驶汽车、安全系统和工业自动化只是实时应用的几个例子，这些应用可以从该模型架构优化的快速推理时间中受益。需要快速决策的情况需要在速度和准确性之间取得平衡。

其次，卓越的物体检测技能。

    2. 高级物体检测功能：

    YOLOv11 的一个显著改进是其在复杂环境中的物体检测功能。得益于其广泛的特征提取技术，该模型能够容忍遮挡并比早期版本更好地区分重叠物体。拥挤环境中的应用（如城市监控或事件监控）依赖于此功能。

    3. 应用多功能性：

• • 实例分割：区分图像中的各个对象。

  • 姿势估计：识别人体姿势以用于体育分析和医疗保健应用。

  • 跟踪：跨框架跟踪移动物体，以进行交通监控或库存管理。

    这种多功能性使 YOLOv11 可应用于从医疗保健到农业的各个领域。

YOLO11 有何不同？

    YOLO11 在 YOLOv9 和 YOLOv10 的创新基础上进行了扩展，集成了卓越的架构框架、精炼的特征提取方法和优化的训练协议。YOLO11 以其速度、准确性和效率的出色结合而著称，是 Ultralytics 迄今为止开发的最熟练的模型之一。YOLO11 凭借其增强的设计，提供了卓越的特征提取，能够精确识别图像中的重要模式和细节，从而更正确地捕捉复杂元素，尤其是在困难条件下。

    值得注意的是，YOLO11m 在 COCO 数据集上获得了更高的平均精度 (mAP) 得分，尽管使用的参数比 YOLOv8m 少 22%，这使其在不影响性能的情况下具有更高的计算效率。这表明它在以更高的效率运行的同时产生了更精确的结果。此外，YOLO11 的处理速度有所提高，推理时间比 YOLOv10 快了约 2%，使其适用于实时应用。

    它旨在管理复杂的活动，同时优化资源利用率并提高广泛模型的性能，使其非常适合严格的 AI 计划。增强管道的改进优化了训练过程，使 YOLO11 能够适应各种任务，无论项目规模如何。

    YOLO11 的处理能力极其高效，非常适合部署在云端和边缘设备上，可在多种情况下提供灵活性。YOLO11 不仅是一种增强功能；它是一种明显更精确、更高效、适应性更强的模型，经过优化设计，可应对各种计算机视觉挑战。YOLO11 具有足够的适应性，可适应各种计算机视觉应用，包括自动驾驶、监控、医疗成像、智能零售和工业用例。

  详细介绍可参考：

https://www.ultralytics.com/zh/blog/ultralytics-yolo11-has-arrived-redefine-whats-possible-in-ai

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。