README.zh-CN.md

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

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	56.12 ± 0.82 ms	1.55 ± 0.01 ms	2.6	6.5
YOLO11s	640	47.0	90.01 ± 1.17 ms	2.46 ± 0.00 ms	9.4	21.5
YOLO11m	640	51.5	183.20 ± 2.04 ms	4.70 ± 0.06 ms	20.1	68.0
YOLO11l	640	53.4	238.64 ± 1.39 ms	6.16 ± 0.08 ms	25.3	86.9
YOLO11x	640	54.7	462.78 ± 6.66 ms	11.31 ± 0.24 ms	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	mAPmask 50-95	速度 CPU ONNX (ms)	速度 T4 TensorRT10 (ms)	参数 (M)	FLOPs (B)
YOLO11n-seg	640	38.9	32.0	65.90 ± 1.14 ms	1.84 ± 0.00 ms	2.9	10.4
YOLO11s-seg	640	46.6	37.8	117.56 ± 4.89 ms	2.94 ± 0.01 ms	10.1	35.5
YOLO11m-seg	640	51.5	41.5	281.63 ± 1.16 ms	6.31 ± 0.09 ms	22.4	123.3
YOLO11l-seg	640	53.4	42.9	344.16 ± 3.17 ms	7.78 ± 0.16 ms	27.6	142.2
YOLO11x-seg	640	54.7	43.8	664.50 ± 3.24 ms	15.75 ± 0.67 ms	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

姿态 (COCO)

请参阅 姿态文档 以获取使用这些在 COCO-Pose 数据集上训练的模型的示例，其中包含 1 个预训练类别（人）。

模型	尺寸 (像素)	mAPpose 50-95	mAPpose 50	速度 CPU ONNX (ms)	速度 T4 TensorRT10 (ms)	参数 (M)	FLOPs (B)
YOLO11n-pose	640	50.0	81.0	52.40 ± 0.51 ms	1.72 ± 0.01 ms	2.9	7.6
YOLO11s-pose	640	58.9	86.3	90.54 ± 0.59 ms	2.57 ± 0.00 ms	9.9	23.2
YOLO11m-pose	640	64.9	89.4	187.28 ± 0.77 ms	4.94 ± 0.05 ms	20.9	71.7
YOLO11l-pose	640	66.1	89.9	247.69 ± 1.10 ms	6.42 ± 0.13 ms	26.2	90.7
YOLO11x-pose	640	69.5	91.1	487.97 ± 13.91 ms	12.06 ± 0.20 ms	58.8	203.3

• mAP^val 值针对单模型单尺度在 COCO Keypoints val2017 数据集上进行。
  复制命令 yolo val pose data=coco-pose.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 pose data=coco-pose.yaml batch=1 device=0|cpu

OBB (DOTAv1)

请参阅 OBB 文档 以获取使用这些在 DOTAv1 数据集上训练的模型的示例，其中包含 15 个预训练类别。

模型	尺寸 (像素)	mAPtest 50	速度 CPU ONNX (ms)	速度 T4 TensorRT10 (ms)	参数 (M)	FLOPs (B)
YOLO11n-obb	1024	78.4	117.56 ± 0.80 ms	4.43 ± 0.01 ms	2.7	17.2
YOLO11s-obb	1024	79.5	219.41 ± 4.00 ms	5.13 ± 0.02 ms	9.7	57.5
YOLO11m-obb	1024	80.9	562.81 ± 2.87 ms	10.07 ± 0.38 ms	20.9	183.5
YOLO11l-obb	1024	81.0	712.49 ± 4.98 ms	13.46 ± 0.55 ms	26.2	232.0
YOLO11x-obb	1024	81.3	1408.63 ± 7.67 ms	28.59 ± 0.96 ms	58.8	520.2

• mAP^test 值针对单模型多尺度在 DOTAv1 数据集上进行。
  复制命令 yolo val obb data=DOTAv1.yaml device=0 split=test 并提交合并结果到 DOTA 评估。
• 速度在使用 Amazon EC2 P4d 实例的 DOTAv1 验证图像上平均。
  复制命令 yolo val obb data=DOTAv1.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	224	70.0	89.4	5.03 ± 0.32 ms	1.10 ± 0.01 ms	1.6	3.3
YOLO11s-cls	224	75.4	92.7	7.89 ± 0.18 ms	1.34 ± 0.01 ms	5.5	12.1
YOLO11m-cls	224	77.3	93.9	17.17 ± 0.40 ms	1.95 ± 0.00 ms	10.4	39.3
YOLO11l-cls	224	78.3	94.3	23.17 ± 0.29 ms	2.76 ± 0.00 ms	12.9	49.4
YOLO11x-cls	224	79.5	94.9	41.41 ± 0.94 ms	3.82 ± 0.00 ms	28.4	110.4

• acc 值为在 ImageNet 数据集验证集上的模型准确率。
  复制命令 yolo val classify data=path/to/ImageNet device=0
• 速度在使用 Amazon EC2 P4d 实例的 ImageNet 验证图像上平均。
  复制命令 yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

集成

我们与领先的 AI 平台的关键集成扩展了 Ultralytics 产品的功能，增强了数据集标记、训练、可视化和模型管理等任务的能力。了解 Ultralytics 如何与 Roboflow、ClearML、Comet、Neural Magic 和 OpenVINO 合作，优化您的 AI 工作流程。

Roboflow	ClearML ⭐ NEW	Comet ⭐ NEW	Neural Magic ⭐ NEW
Label and export your custom datasets directly to YOLO11 for training with Roboflow	Automatically track, visualize and even remotely train YOLO11 using ClearML (open-source!)	Free forever, Comet lets you save YOLO11 models, resume training, and interactively visualize and debug predictions	Run YOLO11 inference up to 6x faster with Neural Magic DeepSparse

Ultralytics HUB

体验无缝 AI 使用 Ultralytics HUB ⭐，一个集数据可视化、YOLO11 🚀 模型训练和部署于一体的解决方案，无需编写代码。利用我们最先进的平台和用户友好的 Ultralytics 应用，将图像转换为可操作见解，并轻松实现您的 AI 愿景。免费开始您的旅程！

贡献

我们欢迎您的意见！没有社区的帮助，Ultralytics YOLO 就不可能实现。请参阅我们的 贡献指南 开始，并填写我们的 调查问卷 向我们提供您体验的反馈。感谢所有贡献者 🙏！

许可

Ultralytics 提供两种许可选项以适应各种用例：

• AGPL-3.0 许可：这是一个 OSI 批准 的开源许可，适合学生和爱好者，促进开放协作和知识共享。有关详细信息，请参阅 LICENSE 文件。
• 企业许可：专为商业使用设计，此许可允许将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中，无需满足 AGPL-3.0 的开源要求。如果您的场景涉及将我们的解决方案嵌入到商业产品，请通过 Ultralytics Licensing 联系我们。

联系

如需 Ultralytics 的错误报告和功能请求，请访问 GitHub Issues。成为 Ultralytics Discord、Reddit 或 论坛 的成员，提出问题、分享项目、探讨学习讨论，或寻求所有 Ultralytics 相关的帮助！