YOLOVision (YOLOv11) 推出：目前为止我们知道的关于 YOLOv11 的一切

嗨，大家好，希望你们一切都好，今天我们要来聊聊最近YOLOVision发布的新版本YOLOv11。

YOLO（You Only Look Once）是一种图像识别模型，尤其是在对象检测、图像分割和姿态建模方面处于业界领先水平。

Ultralytics 是一家主要位于马德里和马里兰的大公司，全球各地均设有总部。他们一直是 YOLO 的主要开发力量。他们的许多开发成果包括：

• YOLOv5，他们的第一个YOLO模型，也是他们进入该领域的入口
• YOLOv8，他们最新的一款模型，以其在多个领域中的卓越表现而闻名
• Ultralytics Python库，让这些模型的训练变得既简单又快速的库。

自从 Ultralytics 上一次活动发布了 YOLOv8 以来，已经宣布了两个新的 YOLO 版本。

• YOLOv9，提供物体检测和语义分割，在这两个领域中比YOLOv8在精度和速度上更胜一筹
• YOLOv10，是世界上速度最快、精度最高的物体检测模型。

迄今为止，当涉及到诸如姿势（它描绘人体姿态）、OBB（定向包围框，它提供旋转而非直角矩形框）和分类（它只是对图像中的对象进行分类）等其他任务时，YOLOv8仍然占据主导地位。这种情况将在Ultralytics举办的YOLOVision活动中改变。

Glenn Jocher，Ultralytics 的创始人，扔出了一颗彻底改变了图像人工智能领域的炸弹消息：YOLOv11 模型。

Glenn Jocher 在YV24。（感谢）Credits

YOLOv11究竟是什么？

这只是对YOLOv11的一个非常肤浅的了解。以下是我们目前知道的，等它一出来，我会做深入探讨，但这部分信息来自他们的博客。

首先，YOLOv11 是 YOLO 图像人工智能模型的第十一世代。从发布第一天起，它就将支持：

• Ultralytics Python 包的兼容性：此 Python 包让训练这些模型变得非常简单，并且一发布即可立即使用。使用此包构建的先前数据集可以无缝地从旧模型转换为 YOLOv11。
• 使用 Ultralytics HUB 服务：Ultralytics HUB 是他们的一个应用，可简化数据集处理工作。
• GitHub 贡献：有一个准备就绪的 GitHub 仓库，可以处理大量关于 YOLO 的问题和支持。GitHub 仓库也将准备接受开发者的贡献。

这个 YOLOv11 是什么样：

YOLOv11 提供内容。鸣谢

• 目标检测：YOLOv11可以检测物体，经过训练后，将在物体周围绘制出直边框，并为其分配标签。
• OBB：定向边界框超越了目标检测，允许边界框在不同方向上而不是只沿0度方向。
• 目标跟踪：现在可以使用目标检测来跟踪视频中物体的移动路径。
• 实例分割：经过训练的模型可以从图像中分割出物体，而不只是用边界框来划分。
• 图像分类：经过训练的模型可以将图像分类，并标注特定的标签。
• 姿态估计：如前所述，模型现在可以用简单的点线来展示图像中的人体姿态。

根据这篇博客文章，这些新功能相比于其他产品应该能让速度和准确度大幅提升。

正因为这样， Ultralytics, 再次夺回了 YOLO 模型之王的地位，在各个方面都表现出色。

YOLOv11 物体检测示例。致谢

从第一天起就准备好了

正如我之前所说的，Ultralytics 让用户从第一天起就可以无缝地使用他们的模型，只需在代码中将模型名称从 yolov… 改为 yolov10 即可。就像这样：

    from ultralytics import YOLO  

    # 旧模型  
    model = YOLO('yolov8.pt')  
    # YOLOv11版本  
    model = YOLO('yolov11.pt')

只有一行代码被改了！

Ultralytics HUB的支持将从发布那天起开始提供。

接下来呢？我该怎么用YOLOv11？

不幸的是，截至撰写之时，YOLOv11仍未完全对公众开放。当它完全发布时，Ultralytics将会把这上传到他们的文档中。根据我的预测，其完整的文档链接应该是这个，如果该链接有效，就说明它很可能已经完全发布了。

我们预计他们会在星期一，9月30日发布全部内容。

请继续关注这些地方哦。

• Ultralytics GitHub 仓库: 这是官方支持的仓库，你可以在这里寻求帮助。
• Ultralytics 文档: 这是官方文档，展示如何使用 YOLOv11 在第一天。
• 我的 Medium 页面: 我会在完整发布后写一篇关于 YOLOv10 的文章。您可以订阅以不错过任何更新。

总之，感谢您的支持。话说回来，您能看到这里真是太棒了，这说明您可能对我的文章感兴趣。如果您喜欢这篇文章，请别忘了点赞支持我，并在评论区分享您对YOLOv11的看法。

下次见，我要走了，回头见！