github.com/airockchip/ultralytics_yolo11 @v8.3.28

<a href="https://www.ultralytics.com/events/yolovision" target="_blank">
  <img width="100%" src="https://raw.githubusercontent.com/ultralytics/assets/main/yolov8/banner-yolov8.png" alt="YOLO Vision banner"></a>

中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yaml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yaml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://pepy.tech/project/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://zenodo.org/badge/latestdoi/264818686"><img src="https://zenodo.org/badge/264818686.svg" alt="Ultralytics YOLO Citation"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://reddit.com/r/ultralytics"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>



<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo11"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>

Ultralytics YOLO11 是一个尖端的、最先进（SOTA）的模型，基于之前 YOLO 版本的成功，并引入了新功能和改进以进一步提升性能和灵活性。YOLO11 被设计得快速、准确且易于使用，是进行广泛对象检测和跟踪、实例分割、图像分类和姿态估计任务的理想选择。

我们希望这里的资源能帮助你充分利用 YOLO。请浏览 Ultralytics 文档 以获取详细信息，在 GitHub 上提出问题或讨论，成为 Ultralytics Discord、Reddit 和 论坛 的成员！

想申请企业许可证，请完成 Ultralytics Licensing 上的表单。

文档

请参阅下方的快速开始安装和使用示例，并查看我们的 文档 以获取有关训练、验证、预测和部署的完整文档。

安装

在 Python>=3.8 环境中使用 PyTorch>=1.8 通过 pip 安装包含所有依赖项 的 ultralytics 包。

pip install ultralytics

有关其他安装方法，包括 Conda、Docker 和 Git，请参阅 快速开始指南。

使用

CLI

YOLO 可以直接在命令行接口（CLI）中使用 yolo 命令：

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

yolo 可以用于各种任务和模式，并接受额外参数，例如 imgsz=640。请参阅 YOLO CLI 文档 以获取示例。

Python

YOLO 也可以直接在 Python 环境中使用，并接受与上述 CLI 示例中相同的参数：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")

# 训练模型
train_results = model.train(
    data="coco8.yaml",  # 数据集 YAML 路径
    epochs=100,  # 训练轮次
    imgsz=640,  # 训练图像尺寸
    device="cpu",  # 运行设备，例如 device=0 或 device=0,1,2,3 或 device=cpu
)

# 评估模型在验证集上的性能
metrics = model.val()

# 在图像上执行对象检测
results = model("path/to/image.jpg")
results[0].show()

# 将模型导出为 ONNX 格式
path = model.export(format="onnx")  # 返回导出模型的路径

请参阅 YOLO Python 文档 以获取更多示例。

模型

YOLO11 检测、分割 和 姿态 模型在 COCO 数据集上进行预训练，这些模型可在此处获得，此外还有在 ImageNet 数据集上预训练的 YOLO11 分类 模型。所有检测、分割和姿态模型均支持 跟踪 模式。

所有模型在首次使用时自动从最新的 Ultralytics 发布下载。

检测 (COCO)

请参阅 检测文档 以获取使用这些在 COCO 数据集上训练的模型的示例，其中包含 80 个预训练类别。

| 模型 | 尺寸

^{(像素) | mAPval}

50-95 | 速度

^{CPU ONNX}

(ms) | 速度

^{T4 TensorRT10}

(ms) | 参数

^{(M) | FLOPs}

^{(B) | | ------------------------------------------------------------------------------------ | ------------------- | -------------------- | ----------------------------- | ---------------------------------- | ---------------- | ----------------- | | YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 1.5 ± 0.0 | 2.6 | 6.5 | | YOLO11s | 640 | 47.0 | 90.0 ± 1.2 | 2.5 ± 0.0 | 9.4 | 21.5 | | YOLO11m | 640 | 51.5 | 183.2 ± 2.0 | 4.7 ± 0.1 | 20.1 | 68.0 | | YOLO11l | 640 | 53.4 | 238.6 ± 1.4 | 6.2 ± 0.1 | 25.3 | 86.9 | | YOLO11x | 640 | 54.7 | 462.8 ± 6.7 | 11.3 ± 0.2 | 56.9 | 194.9 |}

• mAP^val 值针对单模型单尺度在 COCO val2017 数据集上进行。

复制命令 yolo val detect data=coco.yaml device=0 - 速度在使用 Amazon EC2 P4d 实例的 COCO 验证图像上平均。

复制命令 yolo val detect data=coco.yaml batch=1 device=0|cpu

分割 (COCO)

请参阅 分割文档 以获取使用这些在 COCO-Seg 数据集上训练的模型的示例，其中包含 80 个预训练类别。

| 模型 | 尺寸

^{(像素) | mAPbox}

50-95 | mAP^mask

50-95 | 速度

^{CPU ONNX}

(ms) | 速度

^{T4 TensorRT10}

(ms) | 参数

^{(M) | FLOPs}

^{(B) | | -------------------------------------------------------------------------------------------- | ------------------- | -------------------- | --------------------- | ----------------------------- | ---------------------------------- | ---------------- | ----------------- | | YOLO11n-seg | 640 | 38.9 | 32.0 | 65.9 ± 1.1 | 1.8 ± 0.0 | 2.9 | 10.4 | | YOLO11s-seg | 640 | 46.6 | 37.8 | 117.6 ± 4.9 | 2.9 ± 0.0 | 10.1 | 35.5 | | YOLO11m-seg | 640 | 51.5 | 41.5 | 281.6 ± 1.2 | 6.3 ± 0.1 | 22.4 | 123.3 | | YOLO11l-seg | 640 | 53.4 | 42.9 | 344.2 ± 3.2 | 7.8 ± 0.2 | 27.6 | 142.2 | | YOLO11x-seg | 640 | 54.7 | 43.8 | 664.5 ± 3.2 | 15.8 ± 0.7 | 62.1 | 319.0 |}

• mAP^val 值针对单模型单尺度在 COCO val2017 数据集上进行。

复制命令 yolo val segment data=coco-seg.yaml device=0 - 速度在使用 Amazon EC2 P4d 实例的 COCO 验证图像上平均。

复制命令 yolo val segment data=coco-seg.yaml batch=1 device=0|cpu

分类 (ImageNet)

请参阅 分类文档 以获取使用这些在 ImageNet 数据集上训练的模型的示例，其中包含 1000 个预训练类别。

| 模型 | 尺寸

^{(像素) | acc}

^{top1 | acc}

^{top5 | 速度}

^{CPU ONNX}

(ms) | 速度

^{T4 TensorRT10}

(ms) | 参数

^{(M) | FLOPs}

^{(B) at 640 | | -------------------------------------------------------------------------------------------- | ------------------- | ---------------- | ---------------- | ----------------------------- | ---------------------------------- | ---------------- | ------------------------ | | [YOLO11n-cls](https://github.com/ultralytics/a}