Ultralytics YOLOv8 YOLO11: évolution architecturale et analyse des performances

Les architectures de détection d'objets ont évolué rapidement, chaque itération apportant des améliorations significatives en termes de précision, de vitesse et de convivialité. Ultralytics YOLOv8, lancé début 2023, a établi une nouvelle norme en matière de polyvalence et de facilité d'utilisation dans le domaine de la vision par ordinateur. Fin 2024, Ultralytics YOLO11 est arrivé, affinant l'architecture pour une efficacité et des performances encore plus grandes dans un éventail plus large de tâches.

Ce guide complet compare ces deux modèles puissants, en analysant leurs différences architecturales, leurs mesures de performance et leurs cas d'utilisation idéaux afin de vous aider à choisir l'outil adapté à votre prochain projet de vision par ordinateur.

Aperçu du modèle

Avant d'entrer dans les détails techniques, il est essentiel de comprendre le contexte et les objectifs qui ont présidé au développement de chaque modèle. Tous deux sont le fruit de l'engagement Ultralytics à créer une IA visuelle accessible et à la pointe de la technologie.

Ultralytics YOLOv8

Sorti en janvier 2023, YOLOv8 une étape importante en unifiant plusieurs tâches (détection, segmentation, classification, estimation de pose et OBB) sous une seule API conviviale. Il a introduit une nouvelle structure et une tête de détection sans ancrage, ce qui le rend très polyvalent pour diverses applications.

Détails importants :

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

En savoir plus sur YOLOv8

Ultralytics YOLO11

Lancé en septembre 2024, YOLO11 sur les bases solides de YOLOv8. Il se concentre sur des améliorations architecturales visant à optimiser l'efficacité de l'extraction des caractéristiques et la vitesse de traitement. YOLO11 conçu pour offrir une plus grande précision avec moins de paramètres, ce qui le rend particulièrement efficace pour les applications en temps réel.

Détails importants :

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

En savoir plus sur YOLO11

Dernière innovation : YOLO26

Si YOLO11 une avancée significative par rapport à YOLOv8, les développeurs à la recherche d'une technologie de pointe devraient s'intéresser à YOLO26. Lancé en 2026, il introduit une conception de bout en bout NMS, un optimiseur MuSGD et CPU jusqu'à 43 % plus rapide, établissant ainsi une nouvelle référence en matière d'IA de niveau production.

Différences architecturales

La transition de YOLOv8 YOLO11 plusieurs changements architecturaux majeurs visant à optimiser le compromis entre le coût de calcul et la précision.

Backbone et extraction de caractéristiques

YOLOv8 une structure CSPDarknet53 modifiée avec des modules C2f, qui ont remplacé les modules C3 des générations précédentes. Cette conception a amélioré le flux de gradient et la richesse des fonctionnalités.

YOLO11 encore cela en affinant les structures goulots d'étranglement et les mécanismes d'attention au sein de la structure principale. Ces changements permettent au modèle de capturer des modèles plus complexes et des hiérarchies spatiales avec une charge de calcul réduite. Cela est particulièrement avantageux pour les tâches difficiles telles que la détection de petits objets dans les images aériennes ou le contrôle qualité en fabrication.

Architecture principale

Les deux modèles utilisent des têtes sans ancrage, ce qui simplifie le processus d'apprentissage et améliore la généralisation entre différentes formes d'objets. Cependant, YOLO11 des techniques de fusion de caractéristiques plus avancées au niveau du cou et de la tête, ce qui se traduit par une meilleure précision de localisation et une meilleure séparation des classes par rapport à YOLOv8.

Analyse des performances

Lors du choix d'un modèle pour la production, des indicateurs tels que la précision moyenne (mAP), la vitesse d'inférence et la taille du modèle sont essentiels. Le tableau ci-dessous présente une comparaison détaillée des poids pré-entraînés sur l'ensemble COCO .

Modèle	Taille ^(pixels)	mAP^val 50-95	Vitesse ^{CPU ONNX (ms)}	Vitesse ^{T4 TensorRT10 (ms)}	paramètres ^(M)	FLOPs ^(B)
YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

Principaux enseignements sur les performances

Efficacité : YOLO11 sont systématiquement plus légers (moins de paramètres) et plus rapides (latence réduite) que leurs YOLOv8 , tout en offrant une précision supérieure. Par exemple, YOLO11n est environ 22 % plus rapide que YOLOv8n en matièreONNX sur CPU , YOLOv8n affichant un mAP supérieur.
Calcul : la réduction des FLOP dans YOLO11 un excellent choix pour les appareils alimentés par batterie ou aux ressources limitées, tels que les téléphones mobiles ou les capteurs IoT intégrés.
Précision : mAP dans YOLO11, en particulier dans les variantes de modèles plus petits (Nano et Small), sont significatives pour les applications nécessitant une grande fiabilité sans matériel lourd.

Entraînement et facilité d'utilisation

L'une des forces déterminantes de Ultralytics réside dans son expérience utilisateur unifiée et simplifiée. YOLOv8 YOLO11 la même API intuitive, ce qui permet aux développeurs de passer d'une architecture à l'autre en modifiant une seule ligne de code.

L'avantage Ultralytics

Contrairement aux modèles de transformateurs complexes qui nécessitent souvent d'énormes quantités de GPU et une configuration complexe, Ultralytics sont optimisés pour l'efficacité de l'entraînement. Ils peuvent être entraînés efficacement sur des GPU grand public, démocratisant ainsi l'accès à l'IA haute performance.

Les caractéristiques communes aux deux modèles sont les suivantes :

Python simple : chargez, entraînez et déployez des modèles en quelques minutes.
Documentation complète : guides détaillés sur le réglage des hyperparamètres, l'augmentation des données et le déploiement.
Intégration dans l'écosystème : compatibilité parfaite avec la Ultralytics pour la gestion des ensembles de données, la formation à distance et l'exportation de modèles en un clic.

Exemple de formation :

Le code suivant montre à quel point il est facile de passer de l'entraînement YOLOv8 YOLO11.

from ultralytics import YOLO

# Load a YOLOv8 model
model_v8 = YOLO("yolov8n.pt")
# Train YOLOv8
model_v8.train(data="coco8.yaml", epochs=100, imgsz=640)

# Load a YOLO11 model - Same API!
model_11 = YOLO("yolo11n.pt")
# Train YOLO11
model_11.train(data="coco8.yaml", epochs=100, imgsz=640)

Cas d'utilisation idéaux

Bien que les deux modèles soient très performants, leurs atouts spécifiques les rendent adaptés à différents scénarios.

Quand choisir YOLOv8

YOLOv8 un choix robuste et fiable, en particulier pour :

Projets hérités : pipelines existants déjà optimisés pour YOLOv8 nécessitent une stabilité sans besoin immédiat de mises à niveau architecturales.
Ressources communautaires étendues : grâce à sa longue présence sur le marché, YOLOv8 une vaste bibliothèque de tutoriels, de vidéos et d'implémentations communautaires tiers.
Vision à usage général : excellente pour les tâches standard de détection d'objets où l'optimisation extrême des contours n'est pas la contrainte principale.

Quand choisir YOLO11

YOLO11 le choix recommandé pour la plupart des nouveaux déploiements, en particulier pour :

Edge Computing : son nombre réduit de paramètres et sa vitesse d'inférence plus rapide le rendent idéal pour les déploiements sur Raspberry Pi, Jetson Nano et les appareils mobiles.
Applications en temps réel : essentielles pour des tâches telles que la conduite autonome ou les chaînes de fabrication à grande vitesse, où chaque milliseconde de latence compte.
Tâches complexes : les améliorations architecturales optimisent les performances dans des scénarios complexes, tels que l'estimation de la posture pour l'analyse sportive ou la segmentation d'instances pour l'imagerie médicale.

Polyvalence dans toutes les tâches

YOLOv8 YOLO11 tous deux YOLO11 un large éventail de tâches allant au-delà de la simple détection de cadres de sélection, notamment la segmentation d'instances, l'estimation de pose, les cadres de sélection orientés (OBB) et la classification. Cette polyvalence permet aux développeurs de résoudre des problèmes multiformes à l'aide d'un seul et même cadre.

Conclusion

YOLOv8 YOLO11 tous deux le summum de l'efficacité en matière de vision par ordinateur. YOLOv8 a établi une norme polyvalente et conviviale qui a alimenté d'innombrables applications d'IA à l'échelle mondiale. YOLO11 perfectionne cet héritage en proposant une architecture simplifiée, plus rapide et plus précise qui repousse les limites de ce qui est possible sur les appareils périphériques.

Pour les développeurs qui lancent aujourd'hui de nouveaux projets, YOLO11 offre un équilibre supérieur entre vitesse et précision. Cependant, pour ceux qui exigent les toutes dernières innovations, telles que la détection de bout en bout NMS et les fonctions de perte optimisées, nous recommandons vivement d'explorer la nouvelle version YOLO26, qui représente l'avenir de l'IA visuelle en temps réel.

Lectures complémentaires

Autres modèles à explorer

YOLO26: Le dernier modèle de pointe Ultralytics janvier 2026) doté d'une conception NMS.
RT-DETR: Détecteur à transformateur offrant une grande précision pour les situations où la vitesse est moins critique.
SAM : le modèle Segment Anything de Meta, idéal pour les tâches de segmentation sans apprentissage préalable.