> 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/ja/supported-models/yolo11.md).

# YOLO11

## YOLO11物体検出API

このサンプルは Serverless Cloud API を通じて推論を実行し、レスポンスを次の方法でデコードします [`supervision`](https://supervision.roboflow.com/)、注釈付き画像をディスクに書き込みます。

{% stepper %}
{% step %}

#### API Key を取得する

Roboflow アカウントを作成し、次のページでキーを見つけてください [Roboflow の API 設定ページ](https://app.roboflow.com/settings/api) そしてシェルで利用できるようにします:

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

{% endstep %}

{% step %}

#### 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。

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

{% endstep %}

{% step %}

#### モデルを実行する

実行 `yolov11n-640` をサンプル画像で実行し、ボックスとラベルに注釈を付けます：

```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://1194881119-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" %}
設定 `api_url` をデプロイ先に合わせて設定します:

* `https://serverless.roboflow.com` Serverless Cloud API 用。
* `http://localhost:9001` ローカルの [Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) サーバー用。
* あなたの [専用デプロイ](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) プライベートエンドポイント用の URL。
  {% endhint %}

## YOLO11物体検出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 `model_id`。 `inference-sdk` 各エイリアスを事前学習済みの Roboflow Universe モデルに解決します。 `yolo11*` という接頭辞のバリアントは同じモデルに解決されます。

<table data-search="false"><thead><tr><th>別名</th><th>入力サイズ</th><th>mAP50-95</th><th>ONNX レイテンシ（ms）*</th><th>TensorRT FP16 レイテンシ（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、次のものを通じて実行されます [サーバーレス・クラウドAPI](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api)、COCOで640入力サイズで事前学習されています。セルフホスト型デプロイについては、次を参照してください [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

## YOLO11インスタンスセグメンテーションAPI

上で示したように API キーを設定して依存関係をインストールし、次に `yolov11n-seg-640` を使ってマスクとラベルを注釈付けします:

```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://1194881119-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インスタンスセグメンテーション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 `model_id`; つまり `yolo11*` という接頭辞のバリアントは同じモデルに解決されます。

<table data-search="false"><thead><tr><th>別名</th><th>入力サイズ</th><th>Box mAP50-95</th><th>マスク mAP50-95</th><th>ONNX レイテンシ（ms）*</th><th>TensorRT FP16 レイテンシ（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>

***

\* レイテンシは以下で計測しています [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 1x NVIDIA L4、バッチサイズ 1、1,000 回の推論の平均（100 回のウォームアップ）で計測しています。デフォルトの `inference-gpu` のインストールでは CUDA 実行プロバイダー上で ONNX が実行されます。 `inference-models[trt10]` extraを選ぶと、事前構築済みのTensorRT FP16エンジンが自動的に選択されます。FP16はCOCO `val2017`で FP32 の精度と 0.2 mAP 以内で一致します。精度は公開されている COCO `val2017` 仕様（[ソース](https://docs.ultralytics.com/models/yolo11/)).

## カスタム重みをアップロード

Roboflowの外で学習したYOLO11モデルを実行するには、その重みを、次を含むProjectにアップロードしてください [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
```

設定 `-t` を、モデルのサイズとタスクに合わせて選んでください（例： `yolov11s-seg`, `yolov11m-pose`）。詳しくは [カスタム重みをアップロード](https://docs.roboflow.com/models/ja/moderunomi/upload-custom-weights.md) Python SDK と学習バージョンの要件を参照してください。

## ライセンス

YOLO11 は AGPL-3.0 の下で公開されています。商用利用においてそれが意味すること：

* **Roboflowクラウドでは:** 無料プランを含むすべてのユーザーに商用ライセンスが含まれています。
* **セルフホスト型では:** Enterpriseライセンスのアドオンが必要です。さもなければ、AGPL-3.0の下でアプリケーションをオープンソース化する必要があります。
* **寛容な代替案:** [RF-DETR](https://docs.roboflow.com/models/ja/supported-models/rf-detr.md) はApache 2.0で、どこでも商用利用が無料です。

参照 [RoboflowのUltralyticsライセンス](https://roboflow.com/ultralytics) 詳細について。
