YOLO11 vs YOLOv8#

Les architectures de détection d'objets continuent d'évoluer. Pour évaluer les modèles destinés au déploiement en conditions réelles, les développeurs comparent souvent Ultralytics YOLO11 à son prédécesseur largement adopté, Ultralytics YOLOv8. Les deux modèles sont réputés pour leur vitesse, leur précision et leur expérience de développement, mais ils répondent à des cycles de vie de projet et à des objectifs de performance légèrement différents.

Ce guide analyse leurs architectures, leurs méthodes d'entraînement et leurs cas d'utilisation idéaux pour t'aider à choisir le bon modèle pour tes projets d'intelligence artificielle.

Innovations architecturales#

Le passage de YOLOv8 à YOLO11 a introduit plusieurs améliorations architecturales qui optimisent l'efficacité de l'extraction des caractéristiques tout en réduisant la surcharge de calcul.

Architecture de YOLO11#

YOLO11 met l'accent sur l'efficacité des paramètres. Il remplace les modules C2f par des blocs C3k2, qui améliorent le traitement des caractéristiques spatiales sans augmenter le nombre de paramètres. De plus, YOLO11 introduit le module C2PSA (attention spatiale partielle inter-étapes) dans son réseau dorsal. Ce mécanisme d'attention aide le modèle à se concentrer sur les régions d'intérêt critiques, améliorant la détection des petits objets et la gestion des occultations complexes.

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2024-09-27
• GitHub : Dépôt Ultralytics
• Documentation : Docs YOLO11

Architecture de YOLOv8#

Lancé un an plus tôt, YOLOv8 a doté Ultralytics YOLO d'une tête de détection sans ancres, éliminant le besoin de régler manuellement les boîtes d'ancrage et simplifiant la formulation de la fonction de perte. Son architecture repose sur le bloc C2f, une conception qui équilibre la profondeur du réseau et la propagation du gradient, et qui assure sa fiabilité dans une grande variété d'applications de vision par ordinateur.

• Auteurs : Glenn Jocher, Ayush Chaurasia et Jing Qiu
• Organisation : Ultralytics
• Date : 2023-01-10
• GitHub : Dépôt Ultralytics
• Documentation : Docs YOLOv8

Performances et benchmarks#

Que tu déploies des modèles sur des appareils en périphérie comme le Raspberry Pi ou sur des serveurs hautes performances exécutant NVIDIA TensorRT, il est essentiel de comprendre le compromis entre vitesse et précision. Le tableau ci-dessous montre que YOLO11 est plus précis que YOLOv8 pour toutes les tailles de modèle.

Analyse des mesures#

YOLO11 obtient une précision moyenne (mAP) plus élevée tout en réduisant à la fois le nombre de paramètres et les opérations en virgule flottante (FLOPs). Par exemple, le modèle YOLO11m nécessite 22 % de paramètres en moins que YOLOv8m, mais affiche un mAP supérieur de 1,3 point sur le jeu de données COCO. De plus, les vitesses d'inférence sur CPU après export au format ONNX montrent que YOLO11 est plus rapide à toutes les tailles (56,1 ms contre 80,4 ms pour les modèles nano), ce qui en fait un bon candidat pour les déploiements sans accélération GPU dédiée.

Les avantages de l’écosystème Ultralytics#

Que tu choisisses YOLO11 ou YOLOv8, les deux modèles tirent parti de l'écosystème Ultralytics, qui simplifie le cycle de vie de l'apprentissage automatique.

Facilité d’utilisation et API simple#

Le package Python ultralytics fournit une API simplifiée qui permet aux ingénieurs et aux chercheurs d’entraîner, de valider et d’exporter des modèles en quelques lignes de code. Il masque les complexités habituelles de la configuration des environnements d’apprentissage profond dans PyTorch.

Efficacité de l'entraînement et besoins en mémoire#

Contrairement aux Transformers de vision lourds (comme RT-DETR), les modèles Ultralytics YOLO sont réputés pour leur faible consommation de mémoire pendant l’entraînement. Cette efficacité mémoire permet aux développeurs d’entraîner des réseaux précis sur des GPU grand public ou dans des environnements cloud comme Google Colab, sans rencontrer d’erreurs de mémoire insuffisante.

Polyvalence pour les tâches de vision#

YOLO11 et YOLOv8 sont tous deux des modèles multitâches. En plus de la détection d’objets par boîtes englobantes classique, ils prennent nativement en charge la segmentation d’instances, la classification d’images, l’estimation de pose humaine et les boîtes englobantes orientées (OBB) pour l’imagerie aérienne.

Cas d’utilisation et recommandations#

Choisir entre YOLO11 et YOLOv8 dépend des exigences précises de ton projet, des contraintes de déploiement et de tes préférences en matière d’écosystème.

Quand choisir YOLO11#

YOLO11 est un excellent choix pour :

• Déploiement en périphérie en production : applications commerciales sur des appareils comme Raspberry Pi ou NVIDIA Jetson, où la fiabilité et la maintenance active sont primordiales.
• Applications de vision multitâches : Projets nécessitant la détection, la segmentation, la classification, l'estimation de pose et l'OBB dans un même framework unifié.
• Prototypage et déploiement rapides : équipes qui doivent passer rapidement de la collecte de données à la production à l’aide de l’API Python Ultralytics simplifiée.

Quand choisir YOLOv8#

YOLOv8 est recommandé pour :

• Déploiement multitâche polyvalent : projets nécessitant un modèle éprouvé pour la détection, la segmentation, la classification, l’estimation de pose et les OBB au sein de l’écosystème Ultralytics.
• Systèmes de production établis : les environnements de production existants déjà basés sur l’architecture YOLOv8 et dotés de pipelines de déploiement stables et bien testés.
• Large soutien de la communauté et de l’écosystème : les applications qui tirent parti des nombreux tutoriels, intégrations tierces et ressources communautaires actives de YOLOv8.

Quand choisir Ultralytics (YOLO26)#

Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre le meilleur équilibre entre performances et expérience développeur :

• Déploiement en périphérie sans NMS : les applications qui exigent des inférences à faible latence et constantes, sans la complexité du post-traitement par suppression non maximale.
• Environnements sans GPU : Les appareils dépourvus d'accélération GPU dédiée, où l'inférence CPU jusqu'à 43 % plus rapide de YOLO26 (YOLO26n par rapport à YOLO11n) procure un avantage décisif.
• Détection de petits objets : dans des scénarios exigeants comme les images aériennes prises par drone ou l’analyse de capteurs IoT, ProgLoss et STAL améliorent la précision sur les petits objets.

Exemple de code : pour commencer#

L’entraînement et le déploiement d’un modèle Ultralytics ne nécessitent que quelques lignes de code. L’exemple suivant montre comment charger un modèle YOLO11 préentraîné, l’affiner sur un jeu de données personnalisé et l’exporter pour un déploiement en périphérie avec Apple CoreML :

from ultralytics import YOLO

# Initialiser le petit modèle YOLO11
model = YOLO("yolo11s.pt")

# Entraîner efficacement le modèle avec des besoins en mémoire optimisés
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Évaluer les performances sur l'ensemble de validation
metrics = model.val()

# Lancer une inférence en temps réel sur une image de test
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporter au format CoreML pour un déploiement mobile rapide
export_path = model.export(format="coreml")

Perspectives : l’IA edge avec YOLO26#

YOLO11 est une architecture mature et performante, mais pour les développeurs qui démarrent de nouveaux projets, Ultralytics YOLO26 (publié en janvier 2026) est le modèle recommandé.

YOLO26 ajoute plusieurs nouvelles fonctionnalités :

• Conception de bout en bout sans NMS : en s’appuyant sur les concepts explorés dans YOLOv10, YOLO26 propose une tête facultative à correspondance un-à-un (nms=False) qui ignore le post-traitement par suppression non maximale (NMS), ce qui réduit la latence et la rend plus prévisible sur les différents matériels de déploiement.
• Inférence CPU jusqu’à 43 % plus rapide : avec la suppression de la branche Distribution Focal Loss (DFL), YOLO26n s’exécute jusqu’à 43 % plus rapidement que YOLO11n sur CPU, ce qui convient aux appareils d’informatique en périphérie dépourvus de GPU puissant.
• Optimiseur MuSGD : inspiré des techniques d’entraînement des grands modèles de langage (LLM), YOLO26 utilise MuSGD, un hybride de SGD et de Muon, pour une convergence d’entraînement stable et rapide.
• ProgLoss + STAL : la perte progressive et l’assignation d’étiquettes tenant compte des petites cibles (STAL) améliorent la reconnaissance des petits objets et des objets occultés, essentielle à la robotique autonome et à l’analyse par drone.

Que tu t’appuies sur la fiabilité éprouvée de YOLOv8, l’architecture optimisée de YOLO11 ou les capacités de nouvelle génération de YOLO26, Ultralytics Platform fournit les outils nécessaires pour faire passer tes applications d’IA visuelle du concept à la production. Les intégrations Ultralytics connectent tes modèles aux flux de travail d’entreprise et aux tableaux de bord analytiques.