> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/models/hi/supported-models/yolo11.md).

# YOLO11

## YOLO11 ऑब्जेक्ट डिटेक्शन API

यह नमूना Serverless Cloud API के माध्यम से इन्फरेंस चलाता है, प्रतिक्रिया को के साथ डिकोड करता है [`supervision`](https://supervision.roboflow.com/)और एनोटेटेड छवि को डिस्क पर लिखता है।

{% stepper %}
{% step %}

#### अपनी API कुंजी प्राप्त करें

Roboflow खाता बनाएं, अपनी कुंजी यहाँ खोजें [Roboflow API सेटिंग्स पेज](https://app.roboflow.com/settings/api) और इसे अपने शेल में उपलब्ध कराएँ:

```bash
export ROBOFLOW_API_KEY="your-key-here"
```

{% endstep %}

{% step %}

#### निर्भरताएँ इंस्टॉल करें

ये दो पैकेज मॉडल को कॉल करते हैं और उसके परिणामों को चित्रित करते हैं:

```bash
pip install -U inference-sdk supervision
```

{% endstep %}

{% step %}

#### मॉडल चलाएँ

चलाएँ `yolov11n-640` एक नमूना छवि पर और बॉक्स तथा लेबल एनोटेट करें:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
).configure(InferenceConfiguration(api_key_transport="header"))

results = client.infer(image, model_id="yolov11n-640")
detections = sv.Detections.from_inference(results)

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)

cv2.imwrite("traffic-annotated.png", annotated)
```

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-3ca4d1ddb266c52f24973b0e78bb990b0ce72bb1%2Fyolo11-detection.webp?alt=media" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

{% hint style="info" %}
सेट करें `api_url` को अपने परिनियोजन लक्ष्य से मिलाएँ:

* `https://serverless.roboflow.com` Serverless Cloud API के लिए।
* `http://localhost:9001` एक स्थानीय [Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) सर्वर।
* आपका [समर्पित परिनियोजन](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) निजी एंडपॉइंट के लिए URL।
  {% endhint %}

## YOLO11 ऑब्जेक्ट डिटेक्शन मॉडल और बेंचमार्क

उपनाम को निम्न के रूप में पास करें `model_id`। यह `inference-sdk` प्रत्येक उपनाम को एक पूर्व-प्रशिक्षित Roboflow Universe मॉडल में मैप करता है; यह `yolo11*` उपसर्ग संस्करण उन्हीं मॉडलों पर हल होते हैं।

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>mAP50-95</th><th>ONNX विलंबता (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>yolov11n-640</code></td><td>640x640</td><td>39.5</td><td>3.4</td><td>2.2</td></tr><tr><td><code>yolov11s-640</code></td><td>640x640</td><td>47.0</td><td>4.5</td><td>2.5</td></tr><tr><td><code>yolov11m-640</code></td><td>640x640</td><td>51.5</td><td>8.3</td><td>3.5</td></tr><tr><td><code>yolov11l-640</code></td><td>640x640</td><td>53.4</td><td>10.7</td><td>4.3</td></tr><tr><td><code>yolov11x-640</code></td><td>640x640</td><td>54.7</td><td>18.8</td><td>7.1</td></tr></tbody></table>

\# YOLO11 इंस्टेंस सेगमेंटेशन

YOLO11 इंस्टेंस सेगमेंटेशन के माध्यम से चलता है [Serverless Cloud API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), COCO पर 640 इनपुट आकार पर पूर्व-प्रशिक्षित। स्व-होस्टेड परिनियोजन के लिए, देखें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

## YOLO11 इंस्टेंस सेगमेंटेशन API

अपनी API कुंजी सेट करें और ऊपर दिखाए अनुसार निर्भरताएँ इंस्टॉल करें, फिर चलाएँ `yolov11n-seg-640` और मास्क तथा लेबल एनोटेट करें:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)

results = client.infer(image, model_id="yolov11n-seg-640")
detections = sv.Detections.from_inference(results)

annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator(text_position=sv.Position.CENTER_OF_MASS).annotate(annotated, detections)

cv2.imwrite("traffic-annotated.png", annotated)
```

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-26ea00e0738033eab740a2078fd53360ff94bfa2%2Fyolo11-segmentation.webp?alt=media" alt=""><figcaption></figcaption></figure>

## YOLO11 इंस्टेंस सेगमेंटेशन मॉडल और बेंचमार्क

उपनाम को निम्न के रूप में पास करें `model_id`; यह `yolo11*` उपसर्ग संस्करण उन्हीं मॉडलों पर हल होते हैं।

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>बॉक्स mAP50-95</th><th>मास्क mAP50-95</th><th>ONNX विलंबता (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>yolov11n-seg-640</code></td><td>640x640</td><td>38.9</td><td>32.0</td><td>7.3</td><td>5.7</td></tr><tr><td><code>yolov11s-seg-640</code></td><td>640x640</td><td>46.6</td><td>37.8</td><td>10.0</td><td>7.5</td></tr><tr><td><code>yolov11m-seg-640</code></td><td>640x640</td><td>51.5</td><td>41.5</td><td>14.5</td><td>9.1</td></tr><tr><td><code>yolov11l-seg-640</code></td><td>640x640</td><td>53.4</td><td>42.9</td><td>16.8</td><td>9.7</td></tr><tr><td><code>yolov11x-seg-640</code></td><td>640x640</td><td>54.7</td><td>43.8</td><td>27.5</td><td>13.1</td></tr></tbody></table>

***

\* विलंबता निम्न के साथ मापी जाती है [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 1x NVIDIA L4 पर, बैच आकार 1, 1,000 इन्फ़रेंस का औसत (100 वार्मअप)। डिफ़ॉल्ट `inference-gpu` इंस्टॉल ONNX को CUDA execution provider पर चलाता है; निम्न जोड़ने पर `inference-models[trt10]` extra एक पूर्वनिर्मित TensorRT FP16 इंजन को स्वतः चुनता है। FP16, COCO पर FP32 सटीकता से 0.1 mAP के भीतर मेल खाता है `val2017`. सटीकता प्रकाशित COCO `val2017` स्पेक ([स्रोत](https://docs.ultralytics.com/models/yolo11/)).

## कस्टम वेट्स अपलोड करें

Roboflow के बाहर आपने जो YOLO11 मॉडल प्रशिक्षित किया है, उसे चलाने के लिए, उसकी weights को एक Project में उस [Roboflow CLI](https://docs.roboflow.com/reference/platform/cli/install-and-set-up-the-cli):

```bash
roboflow upload_model -p my-project -v 1 -t yolov11n -m ./runs/detect/train
```

सेट करें `-t` अपने मॉडल के आकार और कार्य के अनुसार (उदा. `yolov11s-seg`, `yolov11m-pose`). देखें [कस्टम वेट्स अपलोड करें](https://docs.roboflow.com/models/hi/model-weights/upload-custom-weights.md) Python SDK और प्रशिक्षण संस्करण आवश्यकताओं के लिए।

## लाइसेंस

YOLO11 AGPL-3.0 के अंतर्गत जारी किया गया है। वाणिज्यिक उपयोग के लिए इसका क्या अर्थ है:

* **Roboflow क्लाउड पर:** हर उपयोगकर्ता के लिए, जिसमें फ्री प्लान भी शामिल है, एक वाणिज्यिक लाइसेंस शामिल है।
* **स्व-होस्टेड:** आपको Enterprise लाइसेंस ऐड-ऑन की आवश्यकता है, या आपको अपने एप्लिकेशन को AGPL-3.0 के अंतर्गत ओपन-सोर्स करना होगा।
* **अनुमेय विकल्प:** [RF-DETR](https://docs.roboflow.com/models/hi/supported-models/rf-detr.md) Apache 2.0 के अंतर्गत है, और कहीं भी वाणिज्यिक उपयोग के लिए निःशुल्क है।

देखें [Roboflow की Ultralytics लाइसेंसिंग](https://roboflow.com/ultralytics) विवरण के लिए।
