> 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/roboflow/roboflow-jp/deploy/supported-models/yolo11.md).

# YOLO11

YOLO11 の物体検出は、 [Serverless Hosted API](/roboflow/roboflow-jp/deploy/serverless-hosted-api-v2.md)、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](https://inference.roboflow.com/).

## 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`](https://supervision.roboflow.com/)、そして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、キーを次の場所で見つけます [Roboflow 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 inference-sdk supervision
```

{% endstep %}

{% step %}

#### 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：

```python
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)
```

<figure><img src="/files/d3cfba5914053d3a03829a0b52c449635324f723" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

{% hint style="info" %}
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](https://inference.roboflow.com/) サーバー用。
* あなたの [Dedicated Deployment](/roboflow/roboflow-jp/deploy/dedicated-deployments.md) プライベートエンドポイントの URL。
  {% endhint %}

## 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。

<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（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 のインスタンスセグメンテーションは、 [Serverless Hosted API](/roboflow/roboflow-jp/deploy/serverless-hosted-api-v2.md)、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](https://inference.roboflow.com/).

## 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:

```python
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)
```

<figure><img src="/files/02297aef2de810407c9166a775c3c84a817f1d85" alt=""><figcaption></figcaption></figure>

## 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。

<table data-search="false"><thead><tr><th>別名</th><th>入力サイズ</th><th>Box mAP50-95</th><th>Mask mAP50-95</th><th>ONNXレイテンシ（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>

***

\* レイテンシは以下で測定されています [Roboflow Inference](https://inference.roboflow.com/) 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](https://docs.ultralytics.com/models/yolo11/)).