YOLO11 vs YOLOv8
Le architetture di rilevamento degli oggetti continuano a evolversi. Quando valutano i modelli per la distribuzione nel mondo reale, gli sviluppatori spesso confrontano Ultralytics YOLO11 con il suo predecessore, ampiamente adottato, Ultralytics YOLOv8. Entrambi i modelli sono noti per velocità, accuratezza e facilità di sviluppo, ma si adattano a cicli di vita dei progetti e obiettivi di prestazione leggermente diversi.
Questa guida analizza le architetture, le metodologie di addestramento e i casi d'uso ideali dei due modelli per aiutarti a scegliere quello giusto per i tuoi progetti di intelligenza artificiale.
Innovazioni architetturali#
Il passaggio da YOLOv8 a YOLO11 ha introdotto diversi perfezionamenti architetturali che migliorano l'efficienza dell'estrazione delle caratteristiche e riducono al contempo il carico computazionale.
Architettura di YOLO11#
YOLO11 punta all'efficienza in termini di parametri. Sostituisce i moduli C2f con i blocchi C3k2, che migliorano l'elaborazione delle caratteristiche spaziali senza aumentare il numero di parametri. Inoltre, YOLO11 introduce il modulo C2PSA (attenzione spaziale parziale tra stadi) nel backbone. Questo meccanismo di attenzione aiuta il modello a concentrarsi sulle regioni di interesse critiche, migliorando il rilevamento di oggetti di piccole dimensioni e la gestione di occlusioni complesse.
- Autori: Glenn Jocher e Jing Qiu
- Organizzazione: Ultralytics
- Data: 2024-09-27
- GitHub: Repository Ultralytics
- Documentazione: Documentazione di YOLO11
Architettura di YOLOv8#
Lanciato un anno prima, YOLOv8 ha introdotto in Ultralytics YOLO una testa di rilevamento priva di anchor, eliminando la necessità di regolare manualmente gli anchor box e semplificando la formulazione della loss. La sua architettura si basa sul blocco C2f, un design che bilancia profondità della rete e flusso del gradiente, rendendolo affidabile in un'ampia gamma di applicazioni di visione artificiale.
- Autori: Glenn Jocher, Ayush Chaurasia e Jing Qiu
- Organizzazione: Ultralytics
- Data: 2023-01-10
- GitHub: Repository Ultralytics
- Documentazione: Documentazione di YOLOv8
YOLOv8 ha gettato le basi per il rilevamento senza anchor nell'ecosistema Ultralytics, mentre YOLO11 ha perfezionato questo approccio con meccanismi di attenzione spaziale, raggiungendo un'accuratezza superiore con meno risorse computazionali.
Prestazioni e benchmark#
Quando distribuisci modelli su dispositivi edge come Raspberry Pi o su server ad alte prestazioni che eseguono NVIDIA TensorRT, è essenziale comprendere il compromesso tra velocità e accuratezza. La tabella seguente mostra che YOLO11 è più accurato di YOLOv8 per ogni dimensione del modello.
| Modello | dimensione (pixel) | mAPval50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Analisi delle metriche#
YOLO11 ottiene una precisione media (mAP) più elevata riducendo sia il numero di parametri sia le operazioni in virgola mobile (FLOPs). Ad esempio, il modello YOLO11m richiede il 22% di parametri in meno rispetto a YOLOv8m, ma ottiene 1,3 punti mAP in più sul dataset COCO. Inoltre, le velocità di inferenza su CPU dopo l'esportazione nel formato ONNX mostrano che YOLO11 è più veloce a ogni dimensione (56,1 ms contro 80,4 ms per i modelli nano), rendendolo una buona scelta per le distribuzioni senza accelerazione GPU dedicata.
I vantaggi dell’ecosistema Ultralytics#
Che tu scelga YOLO11 o YOLOv8, entrambi i modelli beneficiano dell'ecosistema Ultralytics, che semplifica il ciclo di vita del machine learning.
Facilità d'uso e API semplice#
Il pacchetto Python ultralytics offre una API intuitiva che consente a ingegneri e ricercatori di addestrare, convalidare ed esportare modelli con poche righe di codice. In questo modo, astrae le consuete complessità legate alla configurazione degli ambienti di deep learning in PyTorch.
Efficienza dell'addestramento e requisiti di memoria#
A differenza dei pesanti Vision Transformer (come RT-DETR), i modelli Ultralytics YOLO sono noti per il basso consumo di memoria durante l'addestramento. Questa efficienza nell'uso della memoria consente agli sviluppatori di addestrare reti accurate su GPU di fascia consumer o in ambienti cloud come Google Colab, senza incorrere in errori di memoria esaurita.
Versatilità nelle attività di visione#
Sia YOLO11 sia YOLOv8 sono modelli multi-task. Oltre al tradizionale rilevamento degli oggetti tramite bounding box, supportano nativamente la segmentazione di istanze, la classificazione di immagini, la stima della posa umana e il rilevamento di bounding box orientate (OBB) per immagini aeree.
Casi d'uso e consigli#
La scelta tra YOLO11 e YOLOv8 dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle preferenze relative all'ecosistema.
Quando scegliere YOLO11#
YOLO11 è un'ottima scelta per:
- Deployment edge in produzione: applicazioni commerciali su dispositivi come Raspberry Pi o NVIDIA Jetson, per cui affidabilità e manutenzione attiva sono fondamentali.
- Applicazioni di visione multi-task: progetti che richiedono rilevamento, segmentazione, classificazione, stima della posa e OBB in un unico framework unificato.
- Prototipazione e deployment rapidi: team che devono passare rapidamente dalla raccolta dei dati alla produzione usando la API Python di Ultralytics, semplice e intuitiva.
Quando scegliere YOLOv8#
YOLOv8 è consigliato per:
- Distribuzione versatile multi-task: progetti che richiedono un modello collaudato per rilevamento, segmentazione, classificazione, stima della posa e OBB nell'ecosistema Ultralytics.
- Sistemi di produzione consolidati: ambienti di produzione esistenti già basati sull’architettura YOLOv8, con pipeline di distribuzione stabili e ben testate.
- Ampio supporto della community e dell’ecosistema: applicazioni che traggono vantaggio dagli estesi tutorial di YOLOv8, dalle integrazioni di terze parti e dalle risorse della community attiva.
Quando scegliere Ultralytics (YOLO26)#
Per la maggior parte dei nuovi progetti, Ultralytics YOLO26 offre la combinazione migliore di prestazioni ed esperienza per gli sviluppatori:
- Distribuzione edge senza NMS: applicazioni che richiedono inferenza costante a bassa latenza senza la complessità della post-elaborazione con soppressione non massima.
- Ambienti solo CPU: dispositivi senza accelerazione GPU dedicata, sui quali l'inferenza CPU di YOLO26, fino al 43% più rapida (YOLO26n rispetto a YOLO11n), offre un vantaggio decisivo.
- Rilevamento di oggetti piccoli: Scenari complessi come le immagini aeree riprese da droni o l’analisi dei sensori IoT, in cui ProgLoss e STAL migliorano la precisione sugli oggetti piccoli.
Esempio di codice: per iniziare#
Addestrare e distribuire un modello Ultralytics richiede poche righe di codice. L'esempio seguente mostra come caricare un modello YOLO11 preaddestrato, perfezionarlo su un dataset personalizzato ed esportarlo per la distribuzione edge usando Apple CoreML:
from ultralytics import YOLO
# Inizializza il modello YOLO11 small
model = YOLO("yolo11s.pt")
# Addestra il modello in modo efficiente con requisiti di memoria ottimizzati
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Valuta le prestazioni di validazione
metrics = model.val()
# Esegui l'inferenza in tempo reale su un'immagine di test
predictions = model("https://ultralytics.com/images/bus.jpg")
# Esporta in CoreML per un deployment rapido su dispositivi mobili
export_path = model.export(format="coreml")Poiché l'API Ultralytics è standardizzata, aggiornare una pipeline legacy da YOLOv8 a YOLO11 richiede in genere solo di modificare la stringa dei pesi da "yolov8n.pt" a "yolo11n.pt".
Uno sguardo al futuro: AI edge con YOLO26#
YOLO11 è un'architettura matura e capace, ma per gli sviluppatori che avviano nuovi progetti, Ultralytics YOLO26 (rilasciato a gennaio 2026) è il modello consigliato.
YOLO26 aggiunge diverse nuove funzionalità:
- Progettazione end-to-end senza NMS: basandosi sui concetti esplorati in YOLOv10, YOLO26 offre una testa opzionale one-to-one (
nms=False) che salta la fase di post-elaborazione di soppressione non massima (NMS), riducendo la latenza e rendendola più prevedibile su diverse piattaforme hardware di distribuzione. - Inferenza su CPU fino al 43% più veloce: rimuovendo il ramo Distribution Focal Loss (DFL), YOLO26n è fino al 43% più veloce di YOLO11n su CPU, risultando adatto ai dispositivi edge computing privi di GPU potenti.
- Ottimizzatore MuSGD: ispirato alle tecniche di addestramento dei modelli linguistici di grandi dimensioni (LLM), YOLO26 usa MuSGD, un ibrido di SGD e Muon, per una convergenza dell'addestramento stabile e rapida.
- ProgLoss + STAL: Progressive Loss e Small-Target-Aware Label Assignment (STAL) migliorano il riconoscimento degli oggetti piccoli e occlusi, essenziale per la robotica autonoma e l'analisi basata su droni.
Che tu faccia affidamento sull'affidabilità comprovata di YOLOv8, sull'architettura ottimizzata di YOLO11 o sulle capacità di nuova generazione di YOLO26, la piattaforma Ultralytics offre gli strumenti per portare le tue applicazioni di IA per la visione dall'ideazione alla produzione. Le integrazioni Ultralytics collegano i tuoi modelli ai flussi di lavoro aziendali e ai dashboard di analisi.
Commenti
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.