Ultralytics YOLOv11，性能与创新的全新高度

计算机

今天，Ultralytics官方开源了全新的YOLO11。这是目前最先进的目标检测技术，能够在各种计算机视觉任务中提供无与伦比的精度和效率。需要注意的是，它的名字是YOLO11，而不是YOLOv11。这一新版本带来了显著的改进，不仅优化了模型性能，还提升了处理速度，适用于更广泛的应用场景。无论是实时检测还是复杂环境下的多目标识别，YOLO11都展现出了卓越的能力。这项技术的开放将为研究者和开发者提供更多可能性，推动计算机视觉领域进一步发展。欢迎 everyone 前往官方渠道了解详情并参与贡献。

Ultralytics 在2023年1月发布了YOLOv8系列，距今已逾一年。作为最新官方版本，YOLO11带来了哪些新变化和功能升级？这些改进将为用户带来更高效的使用体验。

新增C2PSA模块以增强特征，本质上是一个小型自注意力机制。

Python

假设已使用 miniconda 构建好 ultralytics 项目所需的 Python 环境，并安装了导出 ONNX 模型所需的第三方依赖库，可直接进行后续操作。完成对 ultralytics 项目的安装。以下Python脚本可下载、运行并导出YOLOv11s的ONNX模型文件，便于进一步使用。操作流程如下所示

执行后会得到 yolo11s.onnx 模型，以及用测试图 ssd_horse.jpg 推理得出的结果。在用pulsar2工具链转换前，先对上一步得到的yolo11s.onnx模型进行计算图优化，以提升模型部署效率。执行后会得到 yolo11s-cut.onnx 模型文件。假设已搭建好基于 Docker 的 Pulsar2 工具链环境。为提升学习效率，我们已在网盘提供全部所需材料。转换后，会在./output目录生成yolo11s.axmodel文件，这是用于上板运行的最终文件。假设已完成 AX650N 开发板的测试环境搭建，可通过 SSH 登录控制台。请参考 ax-samples 项目进行编译以获取 ax_yolo11。以下是执行结果：

基于AX650N平台，算力达18TOPs@Int8，性能强劲。本文将依据用户反馈持续优化更新，毕竟 YOLO11 的部署步骤与 YOLOv8 完全一致，难免会有出错的地方……