YOLO11

हमारे सर्वरलेस क्लाउड API के माध्यम से YOLO11 मॉडल परिवार का उपयोग करें

YOLO11 ऑब्जेक्ट डिटेक्शन के माध्यम से चलता है सर्वरलेस क्लाउड API के माध्यम से समर्थित करते हैं, COCO पर 640 इनपुट आकार पर प्री-ट्रेंड। स्व-होस्टेड डिप्लॉयमेंट के लिए, देखें Roboflow Inference.

कोड नमूना

यह नमूना Serverless Cloud API के माध्यम से इन्फ़रेंस चलाता है, प्रतिक्रिया को डिकोड करता है supervision, और एक एनोटेटेड छवि को डिस्क पर लिखता है।

1

अपनी API कुंजी प्राप्त करें

एक Roboflow खाता बनाएँ, अपनी कुंजी यहाँ ढूँढें Roboflow API सेटिंग्स पेज और इसे अपने शेल में उपलब्ध कराएँ:

export ROBOFLOW_API_KEY="आपकी-कुंजी-यहाँ"

2

निर्भरताएँ इंस्टॉल करें

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

pip install -U inference-sdk supervision

3

मॉडल चलाएँ

चलाएँ yolov11n-640 एक नमूना image पर और boxes तथा labels को annotate करें:

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-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)

सेट करें api_url को अपने डिप्लॉयमेंट लक्ष्य से मिलाएँ:

• https://serverless.roboflow.com सर्वरलेस Cloud API के लिए।

• http://localhost:9001 एक स्थानीय Inference सर्वर।

• आपका समर्पित डिप्लॉयमेंट निजी एंडपॉइंट के लिए URL।

Pretrained मॉडल और बेंचमार्क

इनमें से किसी भी alias को के रूप में पास करें model_id। inference-sdk प्रत्येक उपनाम को एक प्री-ट्रेंड Roboflow Universe मॉडल से जोड़ता है; यह yolo11* प्रिफ़िक्स वेरिएंट्स समान मॉडलों पर रेज़ॉल्व होते हैं।

उपनाम	इनपुट आकार	mAP50-95	ONNX लेटेंसी (ms)*	TensorRT FP16 (ms)*
yolov11n-640	640x640	39.5	3.4	2.2
yolov11s-640	640x640	47.0	4.5	2.5
yolov11m-640	640x640	51.5	8.3	3.5
yolov11l-640	640x640	53.4	10.7	4.3
yolov11x-640	640x640	54.7	18.8	7.1

# YOLO11 इंस्टेंस सेगमेंटेशन

YOLO11 इंस्टेंस सेगमेंटेशन के माध्यम से चलता है सर्वरलेस क्लाउड API के माध्यम से समर्थित करते हैं, COCO पर 640 इनपुट आकार पर प्री-ट्रेंड। स्व-होस्टेड डिप्लॉयमेंट के लिए, देखें Roboflow Inference.

कोड नमूना

ऊपर दिखाए अनुसार अपना API key सेट करें और dependencies इंस्टॉल करें, फिर चलाएँ yolov11n-seg-640 और मास्क तथा लेबल्स को एनोटेट करें:

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)

Pretrained मॉडल और बेंचमार्क

इनमें से किसी भी alias को के रूप में पास करें model_id; yolo11* प्रिफ़िक्स वेरिएंट्स समान मॉडलों पर रेज़ॉल्व होते हैं।

उपनाम	इनपुट आकार	Box mAP50-95	Mask mAP50-95	ONNX लेटेंसी (ms)*	TensorRT FP16 (ms)*
yolov11n-seg-640	640x640	38.9	32.0	7.3	5.7
yolov11s-seg-640	640x640	46.6	37.8	10.0	7.5
yolov11m-seg-640	640x640	51.5	41.5	14.5	9.1
yolov11l-seg-640	640x640	53.4	42.9	16.8	9.7
yolov11x-seg-640	640x640	54.7	43.8	27.5	13.1

---

* लेटेंसी को के साथ मापा जाता है Roboflow Inference 1x NVIDIA L4 पर, batch size 1, 1,000 inferences के औसत के साथ (100 warmup)। डिफ़ॉल्ट inference-gpu install ONNX को CUDA execution provider पर चलाता है; जोड़ने से inference-models[trt10] extra स्वचालित रूप से एक पूर्वनिर्मित TensorRT FP16 इंजन चुनता है। FP16, COCO पर 0.1 mAP के भीतर FP32 सटीकता से मेल खाता है val2017. सटीकता प्रकाशित COCO val2017 स्पेक (स्रोत).