YOLO11

Serverless Hosted API を通じて YOLO11 モデルファミリーを使用します

YOLO11 の物体検出は、 Serverless Hosted API、COCO で 640 の入力サイズ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.

コードサンプル

このサンプルは Serverless Hosted API を通じて推論を実行し、レスポンスを supervision、そして注釈付き画像をディスクに書き込みます。

1

API Key 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ます Roboflow API 設定ページ そしてシェルで利用できるようにします:

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 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、ボックスとラベルに注釈を付けます：

import os
import cv2
import numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
content = requests.get(image_url).content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

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)

設定する api_url をデプロイ先に合わせてください:

• https://serverless.roboflow.com Serverless Hosted API 用。

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

• あなたの Dedicated Deployment プライベートエンドポイントの URL。

事前学習済みモデルとベンチマーク

これらのいずれかのエイリアスを、次として渡します model_idからプログラムで画像にアクセスすることもできます。 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* プレフィックスのバリアントは同じモデルに解決されます。

別名	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 のインスタンスセグメンテーションは、 Serverless Hosted API、COCO で 640 の入力サイズ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.

コードサンプル

API キーを設定し、上記のとおり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 numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
content = requests.get(image_url).content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

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

これらのいずれかのエイリアスを、次として渡します model_id；その yolo11* プレフィックスのバリアントは同じモデルに解決されます。

別名	入力サイズ	Box mAP50-95	Mask 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

---

* レイテンシは以下で測定されています Roboflow Inference 1x NVIDIA L4、バッチサイズ1、1,000回の推論の平均（100回のウォームアップ）で。デフォルトの inference-gpu installでは、ONNXをCUDA実行プロバイダー上で実行します。さらに inference-models[trt10] extra は事前構築済みの TensorRT FP16 エンジンを自動的に選択します。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 val2017 仕様 (ソース).