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)	mAP^val 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)	mAP^box 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.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.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	5.0 ± 0.3	1.1 ± 0.0	1.6	3.3
YOLO11s-cls	224	75.4	92.7	7.9 ± 0.2	1.3 ± 0.0	5.5	12.1
YOLO11m-cls	224	77.3	93.9	17.2 ± 0.4	2.0 ± 0.0	10.4	39.3
YOLO11l-cls	224	78.3	94.3	23.2 ± 0.3	2.8 ± 0.0	12.9	49.4
YOLO11x-cls	224	79.5	94.9	41.4 ± 0.9	3.8 ± 0.0	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

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)	mAP^pose 50-95	mAP^pose 50	速度 ^{CPU ONNX (ms)}	速度 ^{T4 TensorRT10 (ms)}	参数 ^(M)
YOLO11n-obb	1024	78.4	117.6 ± 0.8	4.4 ± 0.0	2.7	17.2
YOLO11s-obb	1024	79.5	219.4 ± 4.0	5.1 ± 0.0	9.7	57.5
YOLO11m-obb	1024	80.9	562.8 ± 2.9	10.1 ± 0.4	20.9	183.5
YOLO11l-obb	1024	81.0	712.5 ± 5.0	13.5 ± 0.6	26.2	232.0
YOLO11x-obb	1024	81.3	1408.6 ± 7.7	28.6 ± 1.0	58.8	520.2

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)	mAP^test 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	4.43 ± 0.01	2.7	17.2
YOLO11s-obb	1024	79.5	219.41 ± 4.00	5.13 ± 0.02	9.7	57.5
YOLO11m-obb	1024	80.9	562.81 ± 2.87	10.07 ± 0.38	20.9	183.5
YOLO11l-obb	1024	81.0	712.49 ± 4.98	13.46 ± 0.55	26.2	232.0
YOLO11x-obb	1024	81.3	1408.63 ± 7.67	28.59 ± 0.96	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

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，提升了数据集标注、训练、可视化和模型管理等任务。探索 Ultralytics 如何通过与 W&B、Comet、Roboflow 和 OpenVINO 的合作，优化您的 AI 工作流程。

Ultralytics active learning integrations

Ultralytics HUB 🚀	W&B	Comet ⭐ 全新	Neural Magic
简化 YOLO 工作流程：通过 Ultralytics HUB 轻松标注、训练和部署。立即试用！	使用 Weights & Biases 跟踪实验、超参数和结果	永久免费，Comet 允许您保存 YOLO11 模型、恢复训练，并交互式地可视化和调试预测结果	使用 Neural Magic DeepSparse 运行 YOLO11 推理，速度提升至 6 倍

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！

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

README.zh-CN.md

README.zh-CN.md

文档

CLI

Python

模型

集成

Ultralytics HUB

贡献

许可

联系

Files

README.zh-CN.md

Latest commit

History

README.zh-CN.md

File metadata and controls

文档

CLI

Python

模型

集成

Ultralytics HUB

贡献

许可

联系