Ultralytics YOLO11 任务
YOLO11 是一个支持多种计算机视觉 任务的 AI 框架。该框架可用于执行检测、分割、OBB、分类和姿态估计。这些任务各有不同的目标和应用场景。
观看： 探索 Ultralytics YOLO 任务：目标检测、分割、OBB、跟踪和姿态估计。
检测
检测是 YOLO11 支持的主要任务。它涉及在图像或视频帧中检测物体并在其周围绘制边界框。检测到的物体根据其特征被分类为不同的类别。YOLO11 可以在单张图像或视频帧中以高精度和速度检测多个物体。
分割
分割任务涉及根据图像内容将图像分割成不同的区域。每个区域根据其内容被分配一个标签。此任务在图像分割和医学成像等应用中非常有用。YOLO11 使用 U-Net 架构的变体来执行分割。
分类
分类任务涉及将图像分类为不同的类别。YOLO11 可用于根据图像内容对其进行分类。它使用 EfficientNet 架构的变体来执行分类。
姿态
姿态/关键点检测任务涉及在图像或视频帧中检测特定点。这些点被称为关键点，用于跟踪运动或姿态估计。YOLO11 可以在图像或视频帧中以高精度和速度检测关键点。
OBB
定向目标检测比常规目标检测更进一步，引入额外的角度以在图像中更准确地定位物体。YOLO11 可以在图像或视频帧中以高精度和速度检测旋转的物体。
结论
YOLO11 支持多种任务，包括检测、分割、分类、定向目标检测和关键点检测。这些任务各有不同的目标和应用场景。通过理解这些任务之间的差异，您可以选择适合您计算机视觉应用的适当任务。
常见问题
Ultralytics YOLO11 可以执行哪些任务？
Ultralytics YOLO11 是一个多功能的 AI 框架，能够以高精度和速度执行各种计算机视觉任务。这些任务包括：
- 检测： 通过在图像或视频帧中绘制边界框来识别和定位物体。
- 分割： 根据内容将图像分割成不同的区域，适用于医学成像等应用。
- 分类： 根据内容对整个图像进行分类，利用 EfficientNet 架构的变体。
- 姿态估计： 在图像或视频帧中检测特定关键点以跟踪运动或姿态。
- 定向目标检测 (OBB)： 通过增加方向角度来检测旋转的物体，以提高准确性。
如何使用 Ultralytics YOLO11 进行目标检测？
要使用 Ultralytics YOLO11 进行目标检测，请按照以下步骤操作：
- 以适当的格式准备您的数据集。
- 使用检测任务训练 YOLO11 模型。
- 通过输入新图像或视频帧来使用模型进行预测。
示例
```python from ultralytics import YOLO
加载预训练的 YOLO 模型（根据需要调整模型类型）
``` model = YOLO("yolo11n.pt") # 提供 n, s, m, l, x 版本
对图像执行目标检测
results = model.predict(source="image.jpg") # 也可以使用视频、目录、URL等
显示结果
results[0].show() # 显示第一张图像的结果 ```
```bash
从命令行运行YOLO检测
yolo detect model=yolo11n.pt source="image.jpg" # 根据需要调整模型和源 ```
更多详细说明，请查看我们的检测示例。
使用YOLO11进行分割任务的好处是什么？
使用YOLO11进行分割任务有以下几个优势：
- 高精度： 分割任务利用U-Net架构的变体来实现精确的分割。
- 速度： YOLO11针对实时应用进行了优化，即使对于高分辨率图像也能快速处理。
- 多应用场景： 它非常适合医学影像、自动驾驶和其他需要详细图像分割的应用。
在分割部分了解更多关于YOLO11分割的好处和用例。
Ultralytics YOLO11能否处理姿态估计和关键点检测？
是的，Ultralytics YOLO11能够以高精度和速度有效地执行姿态估计和关键点检测。这一功能对于体育分析、医疗保健和人机交互应用中的运动跟踪特别有用。YOLO11在图像或视频帧中检测关键点，从而实现精确的姿态估计。
更多详情和实现技巧，请访问我们的姿态估计示例。
为什么我应该选择Ultralytics YOLO11进行定向目标检测（OBB）？
使用YOLO11进行定向目标检测（OBB）通过检测带有额外角度参数的物体，提供了增强的精度。这一功能对于需要精确本地化旋转物体的应用（如航空影像分析和仓库自动化）非常有利。
- 提高精度： 角度成分减少了旋转物体的误报。
- 多用途应用： 适用于地理空间分析、机器人等任务。
查看定向目标检测部分了解更多详情和示例。
