---

YOLO11，作為 Ultralytics 推出的最新一代即時物件偵測模型，正掀起電腦視覺領域的新一波革命。它不僅完美承襲了「You Only Look Once」系列與生俱來的極致速度，更在偵測精度、運算效率與多任務支援上實現了全面性的進化。

物件偵測作為電腦視覺的核心基石，其應用遍及工業自動化檢測、自動駕駛、智能監控系統等關鍵領域。在眾多技術方案中，YOLO 系列憑藉其卓越的推論速度與可靠的檢測精度，始終是業界實踐中的首選。近日，Ultralytics 正式推出 YOLO11，這項里程碑式的發布，標誌著即時物件檢測技術邁向了全新的高度。

本文將深入剖析該模型的核心技術創新、具體效能提升以及其在多任務學習上的重大突破，為您全面解讀這一劃時代的模型。

什麼是 YOLO11 ?

該模型是由 Ultralytics 推出的最新一代 You Only Look Once 系列模型，是目前最先進的即時物件偵測（Real-Time Object Detection）架構之一。
它的設計理念延續了 YOLO 系列「一次看全圖」的高效特性，透過單次前向傳播（single forward pass）即可同時完成目標定位與分類，大幅降低運算延遲。

與前代模型相比，該模型在多項關鍵層面上實現了顯著升級：

• 採用更輕量且高效的網路架構，使推論速度再提升。
• 引入改進的特徵融合與注意力機制，提升對細小目標與複雜場景的檢測精度。
• 支援多任務學習（multi-task learning），涵蓋物件偵測、實例分割（instance segmentation）、姿態估計（pose estimation）與分類（classification）等任務。
• 提供多種模型尺寸（如 YOLO11n、s、m、l、x），可依硬體資源與應用場景彈性部署。

總體而言，該模型不僅是一個速度與精度兼具的模型，更是能靈活應對多樣 AI 視覺任務的全方位引擎。

YOLO 的核心運作模式

YOLO（You Only Look Once） 的核心理念在於：「只看一次，就能完成整張影像的物件偵測」。
不同於傳統方法需先產生候選區域（Region Proposals）再進行分類，YOLO 採用**端到端（End-to-End）**的單階段偵測架構，使推論速度遠超過兩階段模型（如 R-CNN、Faster R-CNN）。

其運作流程可概括為以下三個關鍵步驟：

• 影像分格（Grid Division）
  YOLO 將輸入影像切分為固定大小的網格（grids），每個格子負責偵測該區域內的物件。
• 邊界框與分類預測（Bounding Box & Class Prediction）
  每個格子同時預測多個邊界框（bounding boxes），並對每個框輸出物件類別與置信度（confidence score）。
• 非極大值抑制（Non-Maximum Suppression, NMS）
  模型會移除重疊或低置信度的框，保留最有代表性的檢測結果。

這種「單次前向傳播（Single Forward Pass）」的設計，使 YOLO 能在毫秒級完成偵測，真正實現 Real-Time Object Detection（即時物件偵測）。
因此，它在速度與準確度之間取得了理想平衡，也成為邊緣運算與即時應用場景的首選方案。

YOLO 可以做哪些事情？

YOLO 不僅是一個物件偵測模型，也是多功能的 AI 視覺引擎，支援多種任務與應用場景：

• 即時物件偵測（Real-Time Object Detection）: 偵測各類物件，如人、車、動物、工業零件等。適用於監控系統、自駕車、智能工廠等場景
• 實例分割（Instance Segmentation）: 不只辨識物件類別，還能精確描繪物件輪廓。適合醫療影像、工業瑕疵檢測、AR/VR 應用
• 姿態估計（Pose Estimation）: 偵測人體關鍵點與動作。適合運動分析、行為識別、健身輔助系統
• 分類任務（Classification）: 對影像或物件進行分類，支援自訂類別。適用於零售、影像搜尋、品質檢測
• 多任務整合（Multi-Task Learning）: 同時處理多種任務，無需分開模型。提升邊緣運算效率與整體部署便利性

開發環境

Ultralytics 提供了官方 Python 套件與命令列工具，只需幾步即可完成環境建置。

系統需求 :

項目	建議配置
作業系統	Windows / macOS / Linux
Python 版本	Python 3.8 以上
GPU 支援	建議使用 NVIDIA GPU（CUDA 11+）以加速訓練與推論
框架依賴	PyTorch（自動安裝）

建立 YOLO 虛擬環境

為了保持開發環境乾淨、避免與其他 Python 專案的套件衝突，建議先建立一個專屬的虛擬環境：

python -m venv yoloenv

接著啟用環境：

# macOS / Linux
source yoloenv/bin/activate

# Windows
yoloenv\Scripts\activate

當你看到命令列前方出現 (yoloenv) 時，就表示虛擬環境已經啟用成功。

安裝 YOLO 套件

Ultralytics 提供官方的 YOLO 工具包，其中已包含該模型模型與命令列介面。只需一行指令即可安裝：

pip install ultralytics

安裝完成後，你可以使用以下指令檢查是否成功：

yolo version

若顯示版本號為如 8.3.x，就代表安裝完成 。

Code

在 Python 中執行以下程式碼，如果成功載入模型且沒有報錯，則說明環境基本配置正確。

# ===============================
# YOLO Complete Python Example
# ===============================

import os
from ultralytics import YOLO

# Set up project folder
project_dir = "/Users/kdm4/Desktop/yoloenv/main/outputs"  # Customize the save folder
os.makedirs(project_dir, exist_ok=True)  # Automatically create if it doesn't exist

# Load YOLO pre-trained model
# This is the nano version – lightweight and fast
model = YOLO("yolo11n.pt")

# Run inference on an image and save results
image_source = "https://ultralytics.com/images/bus.jpg"

results = model(
    image_source,
    save=True,                 # Automatically save the output
    project=project_dir,       # Specify the save location
    name="demo",               # Subfolder name
)

# Display inference results
results[0].show()  # Opens a window showing detection boxes

# Print bounding box details
for i, box in enumerate(results[0].boxes):
    cls_id = int(box.cls)                    # Class index
    conf = float(box.conf)                   # Confidence score
    xyxy = box.xyxy[0].tolist()             # Bounding box coordinates [x1, y1, x2, y2]
    print(f"Object {i+1}: Class {cls_id}, Confidence {conf:.2f}, BBox {xyxy}")

# Show save directory
print(f"Results saved to: {results[0].save_dir}")

程式說明

導入套件 :

import os
from ultralytics import YOLO

• os 用來建立資料夾或操作檔案路徑。
• ultralytics.YOLO 是該模型的 Python 模組，用來載入模型、進行推論、管理結果。

設定專案資料夾 :

project_dir = "/Users/kdm4/Desktop/yoloenv/main/outputs"
os.makedirs(project_dir, exist_ok=True)

• project_dir：指定該模型儲存推論結果的主資料夾。
• os.makedirs(..., exist_ok=True)：如果資料夾不存在會自動建立，避免程式報錯。

載入模型 :

model = YOLO("yolo11n.pt")

• yolo11n.pt 是 YOLO11 nano 版，輕量且快速。
• 這行程式會載入模型到 Python，準備進行推論。

推論圖片並自動儲存 :

results = model(
    "https://ultralytics.com/images/bus.jpg",
    save=True,
    project=project_dir,
    name="demo",
)

• "https://ultralytics.com/images/bus.jpg"：推論的圖片，可以是本地檔案或網路圖片。
• save=True：自動把結果存成帶標註的圖片。
• project：儲存主資料夾。
• name：建立子資料夾名稱，避免多次執行覆蓋舊結果。

顯示圖片結果 :

results[0].show()

• 打開一個視窗，顯示推論後的圖片，框出偵測到的物件並標示類別與信心分數。

列印偵測框資料 :

for i, box in enumerate(results[0].boxes):
    cls_id = int(box.cls)
    conf = float(box.conf)
    xyxy = box.xyxy[0].tolist()
    print(f"Object {i+1}: Class {cls_id}, Confidence {conf:.2f}, BBox {xyxy}")

• results[0].boxes：所有偵測框的集合，每個物件的詳細資訊都在這裡。
• cls_id：物件類別編號。
• conf：模型對該物件的信心分數（0~1）。
• xyxy：邊界框座標 [x1, y1, x2, y2]。
• 這段程式會逐一列印每個物件的資訊到終端機。

顯示儲存路徑 :

print(f"Results saved to: {results[0].save_dir}")

• results[0].save_dir：推論結果儲存的資料夾路徑，方便你打開檢視。

執行後你會看到 :

• 彈出視窗：圖片中所有偵測到的物件都有標註框與類別名稱。
• 終端機輸出：每個偵測物件的類別、信心分數與座標。
• 資料夾結果：outputs/demo/ 內會有標註後的圖片，方便保存或分析。

結論

YOLO11，不只是 YOLO 系列的進化，更是一場即時物件偵測的革命。

它像是一道閃電，以驚人的速度劃破視覺處理的天空，同時又以鷹眼般的精準鎖定每一個細節。無論是街頭監控、智慧零售，還是自駕車的即時判讀，YOLO 都能在毫秒之間完成辨識，為 AI 應用注入前所未有的效率與可靠性。

更令人驚艷的是，該模型不僅「看得快、看得準」，還能「看得多」——從物件偵測、語義分割、姿態估計，到圖像分類，一個模型就能搞定多種任務，徹底顛覆傳統電腦視覺的工作流程。

對於研究人員，它是探索未來的利器；對於開發者，它是快速落地的橋樑；對於企業，它是智慧轉型的加速器。在這個 AI 高速演進的時代，該模型不只是技術的突破，更是智慧視覺普及化的關鍵一步——讓每一個設備都能「看見」世界，讓每一個應用都能「理解」現實。

---