---

YOLO系列博文：

1. 【第1篇：概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】
2. 【第2篇：YOLO系列论文、代码和主要优缺点汇总】
3. 【第3篇：YOLOv1——YOLO的开山之作】
4. 【第4篇：YOLOv2——更好、更快、更强】
5. 【第5篇：YOLOv3——多尺度预测】
6. 【第6篇：YOLOv4——最优速度和精度】
7. 【第7篇：YOLOv5——使用Pytorch框架、AutoAnchor、多尺度预训练模型】
8. 【第8篇：YOLOv6——更高的并行度、引入量化和蒸馏以提高性能加速推理】
9. 【第9篇：YOLOv7——跨尺度特征融合】
10. 【第10篇：YOLOv8——集成检测、分割和跟踪能力】
11. 【第11篇：YOLO变体——YOLO+Transformers、DAMO、PP、NAS】
12. 【第12篇：YOLOv9——可编程梯度信息(PGI)+广义高效层聚合网络(GELAN)】
13. 【第13篇：YOLOv10——实时端到端物体检测】
14. 【第14篇：YOLOv11——在速度和准确性方面具有无与伦比的性能】
15. 【第15篇（完结）：讨论和未来展望】

---

1 摘要

• 发布日期：2024年9月
• 作者：Ultralytics团队
• 论文：无
• 代码：https://github.com/ultralytics/ultralytics
• 主要优缺点：
  • YOLOv11是在YOLOv8基础上进行了改进，同等精度下参数量降低20%，在速度和准确性方面具有无与伦比的性能；
  • 其流线型设计使其适用于各种应用，并可轻松适应从边缘设备到云 API 等不同硬件平台，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

2 改进点

YOLO11 是 UltralyticsYOLO 是实时物体检测器系列中的最新产品，以最先进的精度、速度和效率重新定义了可能实现的目标。在之前YOLO 版本令人印象深刻的进步基础上，YOLO11 在架构和训练方法上进行了重大改进，使其成为广泛的计算机视觉任务的多功能选择。

• 增强型特征提取： YOLO11 采用改进的骨干和颈部架构，增强了特征提取能力，从而实现更精确的目标检测和复杂任务性能。

• 优化效率和速度： YOLO11 引入了完善的架构设计和优化的训练管道，提供更快的处理速度，并在准确性和性能之间保持最佳平衡。

• 参数更少，精度更高：随着模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的平均精度(mAP)，同时使用的参数比YOLOv8m 减少了 22%，从而在不影响精度的情况下提高了计算效率。

• 跨环境适应性： YOLO11 可在各种环境中无缝部署，包括边缘设备、云平台和支持NVIDIA GPU 的系统，确保最大的灵活性。

• 支持的任务范围广泛：包括目标检测、实例分割、图像分类、姿态估计、面向对象检测 (OBB)等等。

3 模型性能

YOLOv11各系列模型：

在COCO上的检测性能：

4 模型架构

图片来源：https://blog.csdn.net/weixin_44779079/article/details/142676560