YOLO11 物体検出

YOLO11 モデルファミリーを Serverless Cloud API で使用します

YOLO11 オブジェクト検出は、 Serverless Cloud API、COCOで入力サイズ640で事前学習済みです。セルフホスト型デプロイについては、 Roboflow Inference.

コード例

このサンプルは Serverless Cloud API 経由で推論を実行し、レスポンスを supervisionでデコードして、注釈付き画像をディスクに書き込みます。

1

API キーを取得する

Roboflow アカウントを作成し、キーを次の場所で見つけてください。 Roboflow API 設定ページ そしてシェルから使えるようにします。

export ROBOFLOW_API_KEY="your-key-here"

2

依存関係をインストールする

これら2つのパッケージはモデルを呼び出し、その結果を描画します:

pip install -U inference-sdk supervision

3

モデルを実行する

実行 yolov11n-640 サンプル画像に対して、ボックスとラベルを注釈付きで表示します:

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)

設定してください api_url をデプロイ先に合わせてください：

• https://serverless.roboflow.com Serverless Cloud API 用です。

• http://localhost:9001 ローカルの Inference サーバー。

• あなたの 専用デプロイメント プライベートエンドポイント用の URL。

事前学習済みモデルとベンチマーク

これらのエイリアスのいずれかを次の引数として渡します model_id。 inference-sdk 各エイリアスを事前学習済みの Roboflow Universe モデルに対応付けます。 yolo11* プレフィックスのバリエーションは同じモデルに解決されます。

エイリアス	入力サイズ	mAP50-95	ONNXレイテンシ（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 インスタンスセグメンテーション

YOLO11 インスタンスセグメンテーションは、 Serverless Cloud API、COCOで入力サイズ640で事前学習済みです。セルフホスト型デプロイについては、 Roboflow Inference.

コード例

APIキーを設定し、上記のように依存関係をインストールしてから、次を実行します yolov11n-seg-640 そしてマスクとラベルに注釈を付けます:

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)

事前学習済みモデルとベンチマーク

これらのエイリアスのいずれかを次の引数として渡します model_id； yolo11* プレフィックスのバリエーションは同じモデルに解決されます。

エイリアス	入力サイズ	Box mAP50-95	マスクmAP50-95	ONNXレイテンシ（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

---

* レイテンシは以下を用いて測定されています Roboflow Inference 1x NVIDIA L4、バッチサイズ1、1,000回の推論（100回のウォームアップ）の平均。デフォルトの inference-gpu インストールではONNXをCUDA実行プロバイダーで実行します。以下を追加すると inference-models[trt10] extraを選択すると、事前ビルド済みのTensorRT FP16エンジンが自動的に選択されます。FP16はCOCOでFP32の精度と0.1 mAP以内で一致します val2017。精度は公開されているCOCOの val2017 仕様（出典).