YOLOv8 vs YOLO11: un confronto tecnico

Il confronto tra Ultralytics YOLOv8 e YOLO11 per il rilevamento degli oggetti rivela i progressi della computer vision in tempo reale. Entrambi i modelli, sviluppati da Ultralytics, sono progettati per garantire velocità e precisione, ma rispondono a esigenze leggermente diverse e si basano su scelte architettoniche distinte. Questa pagina fornisce un confronto tecnico dettagliato per aiutare gli utenti a comprendere le differenze principali e le applicazioni ideali.

Panoramica di YOLOv8

YOLOv8presentato da Ultralytics il 2023-01-10, rappresenta un'importante iterazione della serie YOLO . Autore di Glenn Jocher, Ayush Chaurasia e Jing Qiu, YOLOv8 si concentra sulla versatilità e sulla facilità d'uso in una serie di attività di visione, tra cui il rilevamento di oggetti, la segmentazione, la classificazione e la stima della posa. Si basa sulle precedenti architetture di YOLO , ma incorpora miglioramenti per migliorare le prestazioni e la flessibilità. La documentazione di YOLOv8 ne sottolinea la facilità d'uso, rendendolo accessibile sia ai principianti che ai professionisti esperti nel campo del rilevamento di oggetti.

Architettura e caratteristiche principali:

YOLOv8 mantiene un paradigma di rilevamento a fase singola e senza ancore, snellendo l'architettura del modello e semplificando il processo di addestramento. Le principali caratteristiche architettoniche includono:

• Backbone: Utilizza un backbone CSPDarknet raffinato, ottimizzato per l'efficienza dell'estrazione delle caratteristiche.
• Collo: Impiega una rete parziale C2f a stadi incrociati nel collo per una migliore fusione delle caratteristiche, migliorando il flusso di informazioni e la propagazione del gradiente.
• Testa: una testa di rilevamento disaccoppiata separa i compiti di classificazione e regressione, contribuendo a migliorare l'accuratezza e a velocizzare la convergenza.

Metriche di prestazione:

YOLOv8 raggiunge lo stato dell'arte nelle varie dimensioni del modello. Per il rilevamento di oggetti sul dataset COCO, YOLOv8x, la variante più grande, raggiunge 53,9 _mAPval50-95, mentre la versione nano, YOLOv8n, raggiunge 37,3 _mAPval50-95, bilanciando precisione e velocità. La velocità di inferenza varia da 80,4 ms su CPU ONNX per YOLOv8n a 479,1 ms per YOLOv8x, offrendo opzioni per diversi vincoli computazionali. Esplorate le metriche dettagliate delle prestazioni diYOLOv8 .

Casi d'uso:

La versatilità di YOLOv8 lo rende adatto a un ampio spettro di applicazioni, dai sistemi di allarme di sicurezza e le implementazioni di smart city alle applicazioni avanzate nel settore sanitario e manifatturiero. Le sue prestazioni equilibrate lo rendono una scelta importante per i progetti che richiedono un mix di precisione e velocità.

Punti di forza:

• Supporto versatile per le attività: Gestisce rilevamento, segmentazione, classificazione e stima della posa.
• Alta precisione e velocità: Offre un buon equilibrio tra mAP e velocità di inferenza.
• Facilità d'uso: ben documentato e facile da usare con Ultralytics Python e CLI interfacce.
• Comunità attiva: Benefits from a large community and continuous updates from Ultralytics.

Punti deboli:

• Intenso di risorse: I modelli più grandi richiedono risorse computazionali significative per l'addestramento e la distribuzione.
• Esigenze di ottimizzazione: Può richiedere un'ulteriore ottimizzazione per ambienti con risorse estremamente limitate.

Per saperne di più su YOLOv8

Panoramica di YOLO11

YOLO11, l'ultimo modello di Ultralytics, rilasciato il 2024-09-27 e scritto da Glenn Jocher e Jing Qiu, si basa sulla serie YOLO , puntando a ulteriori progressi in termini di efficienza e prestazioni. Pur condividendo la filosofia di base della velocità e dell'accuratezza, YOLO11 introduce perfezionamenti architettonici progettati per ottimizzare la velocità di inferenza senza compromettere in modo significativo l'accuratezza. La documentazione di YOLO11 ne sottolinea la natura all'avanguardia e l'idoneità alle applicazioni in tempo reale.

Architettura e caratteristiche principali:

YOLO11 adotta inoltre un approccio a singolo stadio, privo di ancore, concentrandosi su una progettazione snella e su una computazione efficiente. I principali aspetti architettonici includono:

• Backbone efficiente: Impiega un'architettura backbone ottimizzata che riduce l'overhead computazionale mantenendo le capacità di estrazione delle caratteristiche.
• Design del collo: Presenta una struttura del collo raffinata che migliora l'aggregazione delle caratteristiche con un minor numero di parametri, contribuendo a un'inferenza più rapida.
• Testina ottimizzata: la testina di rilevamento è stata progettata per ridurre al minimo la latenza, dando priorità alla velocità negli strati finali di predizione.

Metriche di prestazione:

YOLO11 dimostra prestazioni competitive con particolare attenzione ai miglioramenti della velocità. Per il rilevamento di oggetti sul set di dati COCO, YOLO11x raggiunge un _mAPval50-95 leggermente superiore, pari a 54,7, rispetto a YOLOv8x, mantenendo velocità di inferenza più elevate sulla CPU e raggiungendo velocità comparabili sulla GPU. Il modello YOLO11n raggiunge 39,5 _mAPval50-95, mostrando miglioramenti rispetto a YOLOv8n. La velocità di inferenza è notevolmente superiore sulla CPU, con YOLO11n a 56,1 ms e YOLO11x a 462,8 ms, il che lo rende adatto per le applicazioni CPU. Per i benchmark dettagliati, consultare le metriche delle prestazioni diYOLO11 .

Casi d'uso:

YOLO11 è particolarmente adatto alle applicazioni in cui la velocità di inferenza è fondamentale, come l'analisi video in tempo reale, la robotica e i dispositivi edge con risorse computazionali limitate. La sua efficienza lo rende ideale per l'impiego in scenari che richiedono un rapido rilevamento degli oggetti senza sacrificare la precisione. Le applicazioni includono la gestione dei rifiuti, la conservazione dell'ambiente e le soluzioni automobilistiche.

Punti di forza:

• Velocità di inferenza superiore: Progettato per un'inferenza più veloce, soprattutto sulla CPU.
• Precisione competitiva: Mantiene un'elevata precisione, spesso superiore a quella di YOLOv8 nei modelli più piccoli.
• Architettura efficiente: Ottimizzata per ambienti con risorse limitate e per la distribuzione ai margini.
• Ultimo modello Ultralytics : Beneficia dei più recenti progressi e del supporto di Ultralytics.

Punti deboli:

• Guadagni di precisione marginali nei modelli più grandi: I modelli YOLO11 più grandi mostrano solo lievi miglioramenti di accuratezza rispetto a YOLOv8 , pur essendo ancora intensivi dal punto di vista computazionale.
• Modello più recente: Essendo più recente, potrebbe avere una comunità più piccola e meno integrazioni di terze parti rispetto a YOLOv8.

Per saperne di più su YOLO11

Tabella di confronto dei modelli

Conclusione

La scelta tra YOLOv8 e YOLO11 dipende dai requisiti specifici dell'applicazione. YOLOv8 offre una soluzione robusta e versatile adatta a un'ampia gamma di attività, bilanciando efficacemente precisione e velocità. È un modello maturo e ben supportato, ideale per le esigenze generali di rilevamento degli oggetti. YOLO11, invece, è stato progettato per l'ottimizzazione della velocità, il che lo rende una scelta superiore quando il tempo di inferenza è fondamentale, soprattutto in scenari CPU o di edge computing. Per le applicazioni che richiedono le prestazioni in tempo reale più veloci possibili con un'accuratezza competitiva, YOLO11 è l'opzione da preferire.

Gli utenti interessati a esplorare altri modelli possono anche considerare:

• YOLOv5: Per un modello consolidato e ampiamente utilizzato con una grande comunità. ConfrontoYOLOv5 vs YOLOv8 .
• YOLOv9: per i modelli che si concentrano sui miglioramenti della precisione e sulle innovazioni architettoniche. Documentazione YOLOv9.
• FastSAM: Per operazioni di segmentazione estremamente veloci. DocumentazioneFastSAM .

📅C reato 1 anno fa ✏️ Aggiornato 1 mese fa

Commenti