YOLO11 是 Ultralytics YOLO 系列实时物体检测器的最新版本，重新定义了在尖端准确度、速度和效率方面的可能性。在前几代 YOLO 版本的显著进步基础上，YOLO11 在架构和训练方法上引入了重大改进，使其成为广泛计算机视觉任务的灵活选择。
增强特征提取：YOLO11 使用了改进的主干和颈部架构，这增强了特征提取能力，以实现更精确的物体检测和复杂任务的执行。
优化以提高效率和速度：YOLO11 引入了精简的架构设计和优化的训练管道，提供更快的处理速度，并保持了准确性与性能之间的最佳平衡。
参数更少，精度更高：随着模型设计的改进，YOLO11m 在 COCO 数据集上的平均精度（mAP）更高，同时比 YOLOv8m 使用的参数减少了 22%，使其在保持高精度的同时计算效率更高。
适应跨环境：YOLO11 可以无缝部署在各种环境中，包括边缘设备、云平台以及支持 NVIDIA GPU 的系统，确保最大程度的灵活性。
支持的任务范围广泛：无论是对象检测、实例分割、图像分类、姿态估计，还是定向对象检测（OBB），YOLO11 都旨在应对多样化的计算机视觉挑战
YOLO11 在 YOLOv8 引入的多功能模型系列基础上构建，提供了针对各种计算机视觉任务增强的支持：
这张表格提供了 YOLO11 模型变体的概览，展示了它们在特定任务中的适用性以及与推理、验证、训练和导出等操作模式的兼容性。这种灵活性使 YOLO11 适用于计算机视觉的广泛应用，从实时检测到复杂的分割任务。
Ultralytics YOLO11 相比于之前的版本，关键的改进有哪些？
增强特征提取：YOLO11 使用了改进的主干和颈部架构，增强了特征提取能力，从而实现更精确的物体检测。
优化效率与速度：精简的建筑设计和优化的训练管道在保持准确性和性能平衡的同时，提供更快的处理速度。
参数更少，精度更高：YOLO11m 在 COCO 数据集上使用比 YOLOv8m 少 22% 的参数实现了更高的平均精度（mAP），使其在保持高精度的同时计算效率更高。
适应不同环境：YOLO11 可以部署在各种环境中，包括边缘设备、云平台以及支持 NVIDIA GPU 的系统。
支持的任务范围广泛：YOLO11 支持多种计算机视觉任务，包括对象检测、实例分割、图像分类、姿态估计和定向对象检测（OBB）。
请移步到我之前的文章有详细的关于deepsort内容的介绍。
此次yolov11的出现，将把yolov11和目标跟踪SOTA：deepsort进行结合，实现更快，更准，更细致的跟踪。
将本次的实验使用pyqt打包，方便体验
其他功能演示参考yolov5+deepsort文章
视频，笔记和代码,以及注释都已经上传网盘，放在主页置顶文章