YOLOv8 vs YOLO11#

L’évolution rapide de la vision par ordinateur est portée par les progrès continus des frameworks de détection d’objets en temps réel. Pour les développeurs et les chercheurs, choisir le bon modèle est essentiel pour équilibrer précision, vitesse et efficacité en ressources. Cette comparaison technique examine les différences entre deux modèles fondateurs de l’écosystème Ultralytics : Ultralytics YOLOv8 et Ultralytics YOLO11.

Les deux modèles partagent les caractéristiques emblématiques des architectures Ultralytics : facilité d’utilisation, écosystème bien entretenu et entraînement efficace avec une faible empreinte mémoire. Les sections suivantes présentent leurs architectures, leurs performances de référence et leurs scénarios de déploiement idéaux.

Présentation des modèles#

Avant de comparer leurs caractéristiques techniques, il est utile de présenter l’origine et les spécifications fondamentales des deux modèles.

Ultralytics YOLOv8#

Sorti au début de 2023, YOLOv8 a introduit la détection sans ancres et apporté d’importantes améliorations aux fonctions de perte. Il a rapidement été largement adopté pour de nombreuses tâches de vision.

• Auteurs : Glenn Jocher, Ayush Chaurasia et Jing Qiu
• Organisation : Ultralytics
• Date : 2023-01-10
• GitHub : ultralytics/ultralytics

Ultralytics YOLO11#

S’appuyant sur ses prédécesseurs, YOLO11 a amélioré l’architecture de base afin d’optimiser le compromis entre précision et latence, en réduisant le nombre de paramètres tout en augmentant la précision.

• Auteurs : Glenn Jocher et Jing Qiu
• Organisation : Ultralytics
• Date : 2024-09-27
• GitHub : ultralytics/ultralytics

Différences architecturales et méthodologiques#

Le passage de YOLOv8 à YOLO11 représente une évolution réfléchie de la conception du réseau neuronal plutôt qu’une refonte complète, ce qui garantit la stabilité de l’écosystème bien entretenu qui entoure ces modèles.

Optimisations du backbone et du neck#

YOLOv8 a introduit un backbone CNN simplifié qui s’éloigne des boîtes d’ancrage traditionnelles et traite la détection d’objets comme un problème de prédiction de points centraux. Cette approche sans ancres a considérablement réduit la complexité de la régression des boîtes englobantes. YOLO11 s’est appuyé sur ces bases en introduisant un réseau pyramidal de caractéristiques (FPN) optimisé et en remplaçant les blocs C2f par des modules C3k2. Cette modification permet à YOLO11 d’extraire des caractéristiques spatiales plus riches, ce qui améliore la précision sur les petits objets généralement présents dans le jeu de données COCO.

Besoins en mémoire et efficacité de l’entraînement#

L’un des avantages les plus notables de YOLOv8 et de YOLO11 est leur faible empreinte mémoire pendant l’entraînement. Contrairement aux puissants Transformers de vision, qui peuvent facilement saturer la VRAM du matériel grand public, ces modèles sont optimisés pour l’entraînement PyTorch accessible sur des GPU standard. YOLO11 réduit considérablement le nombre total de paramètres — jusqu’à 42 % de moins dans la variante large (L) par rapport à YOLOv8 — tout en améliorant sa précision moyenne moyenne (mAP). Cela se traduit par des époques plus rapides et une empreinte carbone moindre pour l’entraînement des modèles.

Indicateurs de performance#

Les évaluations objectives mettent en évidence l’équilibre des performances de ces modèles. Le tableau ci-dessous compare YOLOv8 et YOLO11 dans les variantes d’échelle standard, de nano à extra-large.

Comme le montre le tableau, YOLO11 surpasse systématiquement YOLOv8 en précision, tout en utilisant moins de paramètres et de FLOPs. La vitesse d’inférence sur CPU, mesurée avec ONNX Runtime, souligne l’efficacité de YOLO11 pour les déploiements edge. Une fois exportées vers NVIDIA TensorRT, les deux familles de modèles traitent une image en moins de 15 ms sur un GPU T4, ce qui convient à l’analyse de flux vidéo en conditions réelles.

Écosystème et facilité d'utilisation#

Les deux modèles utilisent le package Python unifié ultralytics ; les ingénieurs peuvent donc passer de YOLOv8 à YOLO11 en modifiant le fichier de poids. L’entraînement, la validation et l’exportation ne nécessitent que quelques lignes de code.

from ultralytics import YOLO

# Charger un modèle YOLO11 préentraîné (tu peux simplement le remplacer par "yolov8n.pt")
model = YOLO("yolo11n.pt")

# Entraîner efficacement le modèle sur un jeu de données local
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Exporter le modèle optimisé au format ONNX
model.export(format="onnx")

Ultralytics Platform complète ce workflow avec l’entraînement dans le cloud, la surveillance des modèles et le déploiement, sans nécessiter de connaissances avancées en DevOps.

Polyvalence et applications concrètes#

La polyvalence est l’un des principaux atouts du framework Ultralytics. YOLOv8 et YOLO11 prennent tous deux en charge un large éventail de tâches de vision par ordinateur allant au-delà de la détection d’objets standard :

• Segmentation d’instances : masques précis au niveau du pixel, utiles en imagerie médicale et pour la conduite autonome.
• Classification d’images : catégorisation légère avec des backbones entraînés sur ImageNet.
• Estimation de pose : détection de points clés pour l’analyse sportive et l’interaction humain-machine.
• Boîtes englobantes orientées (OBB) : essentielles pour repérer les objets pivotés dans les images satellite.

Disponible depuis plus longtemps, YOLOv8 bénéficie d’un vaste ensemble de tutoriels communautaires et de déploiements d’entreprise éprouvés. Si tu intègres le modèle à des pipelines existants qui exigent strictement des tenseurs de forme YOLOv8, il reste un choix fiable. Pour les nouveaux projets privilégiant l’efficacité, comme le déploiement sur des appareils edge embarqués tels qu’un Raspberry Pi, YOLO11 est une meilleure option grâce à sa précision supérieure, à son nombre de paramètres réduit et à sa latence CPU plus faible.

Cas d’utilisation et recommandations#

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

Quand choisir YOLOv8#

YOLOv8 est un bon choix pour :

• Déploiement polyvalent multitâche : projets nécessitant un modèle éprouvé pour la détection, la segmentation, la classification et l’estimation de pose dans 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 YOLO11#

YOLO11 est recommandé pour :

• Déploiement edge en production : applications commerciales sur des appareils comme le Raspberry Pi ou le NVIDIA Jetson, où la fiabilité et la maintenance active sont essentielles.
• Applications de vision multitâches : projets nécessitant la détection, la segmentation, l’estimation de pose et l’OBB au sein d’un 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 Ultralytics (YOLO26)#

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

• Déploiement edge sans NMS : applications nécessitant une inférence cohérente à faible latence, sans la complexité du post-traitement par suppression non maximale (NMS).
• 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 : scénarios difficiles comme les images aériennes capturées par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent la précision sur les objets minuscules.

Les atouts de YOLO26#

YOLOv8 et YOLO11 sont tous deux des architectures performantes, mais pour les nouveaux projets en 2026, Ultralytics recommande de passer à YOLO26.

YOLO26 simplifie le pipeline de déploiement. Il propose une conception de bout en bout sans NMS, une approche introduite dans les modèles YOLO par YOLOv10, qui élimine le post-traitement par NMS (avec nms=False). La suppression de la DFL (perte focale de distribution) simplifie la logique d’exportation et améliore la compatibilité avec les appareils edge basse consommation. YOLO26n offre une inférence sur CPU jusqu’à 43 % plus rapide que YOLO11n.

La stabilité de l’entraînement et la vitesse de convergence s’améliorent avec l’optimiseur MuSGD, un hybride de SGD et de Muon inspiré des techniques d’entraînement des LLM. ProgLoss + STAL (Progressive Loss et Small-Target-Aware Label Assignment) améliorent la détection des petits objets, un défi de longue date pour l’IoT et la robotique. Les améliorations propres aux tâches comprennent RLE pour l’estimation de pose et un module proto multi-échelle pour la segmentation.

Conclusion#

Le choix entre YOLOv8 et YOLO11 dépend en définitive du calendrier de ton projet et des contraintes matérielles. YOLOv8 est éprouvé et stable. YOLO11 améliore cette architecture en offrant une mAP supérieure avec moins de paramètres, ce qui le rend attrayant pour les applications edge aux ressources limitées. Dans les deux cas, l’API Python Ultralytics partagée assure un workflow de développement cohérent et bien pris en charge. YOLO26 est aussi disponible si tu recherches les meilleures performances edge.