YOLOv8 vs YOLO11
La rapida evoluzione della computer vision è stata trainata dai continui progressi nei framework di rilevamento degli oggetti in tempo reale. Per sviluppatori e ricercatori, scegliere il modello giusto è fondamentale per bilanciare precisione, velocità ed efficienza delle risorse. Questo confronto tecnico analizza le differenze tra due modelli fondamentali dell'ecosistema Ultralytics: Ultralytics YOLOv8 e Ultralytics YOLO11.
Entrambi i modelli condividono le caratteristiche distintive delle architetture Ultralytics: facilità d'uso, un ecosistema ben mantenuto e un addestramento efficiente con requisiti di memoria ridotti. Le sezioni seguenti illustrano le architetture, i benchmark prestazionali e gli scenari di deployment ideali.
Panoramica dei modelli#
Prima di confrontare i meriti tecnici specifici, è utile descrivere le origini e le specifiche principali di entrambi i modelli.
Ultralytics YOLOv8#
Rilasciato all'inizio del 2023, YOLOv8 ha introdotto il rilevamento senza anchor e miglioramenti significativi alle funzioni di loss, diventando rapidamente molto diffuso in numerose attività di visione.
- Autori: Glenn Jocher, Ayush Chaurasia e Jing Qiu
- Organizzazione: Ultralytics
- Data: 2023-01-10
- GitHub: ultralytics/ultralytics
Ultralytics YOLO11#
Basandosi sui suoi predecessori, YOLO11 ha perfezionato l'architettura di base per migliorare il compromesso tra precisione e latenza, riducendo il numero di parametri e aumentando al contempo la precisione.
- Autori: Glenn Jocher e Jing Qiu
- Organizzazione: Ultralytics
- Data: 2024-09-27
- GitHub: ultralytics/ultralytics
Se stai valutando approcci alternativi, Ultralytics supporta anche modelli basati su Transformer come RT-DETR e rilevatori open-vocabulary zero-shot come YOLO-World. Tuttavia, per ottenere una latenza e un'efficienza di memoria ottimali, le architetture YOLO standard restano in genere la scelta preferita.
Differenze architetturali e metodologiche#
Il passaggio da YOLOv8 a YOLO11 rappresenta un'evoluzione ponderata della progettazione delle reti neurali, non una revisione totale, e garantisce così la stabilità dell'ecosistema curato e aggiornato con costanza che ruota attorno ai modelli.
Ottimizzazioni del backbone e del neck#
YOLOv8 ha introdotto un backbone CNN semplificato che abbandona le tradizionali anchor box e tratta il rilevamento degli oggetti come un problema di previsione del punto centrale. Questo approccio senza anchor ha ridotto notevolmente la complessità della regressione delle bounding box. YOLO11 ha ripreso questa base introducendo una rete piramidale di feature (FPN) ottimizzata e trasformando i blocchi C2f in moduli C3k2. Questa modifica consente a YOLO11 di estrarre feature spaziali più ricche, migliorando la precisione sugli oggetti più piccoli che si trovano spesso nel dataset COCO.
Requisiti di memoria ed efficienza di addestramento#
Uno dei vantaggi più notevoli sia di YOLOv8 sia di YOLO11 è il basso fabbisogno di memoria durante l'addestramento. A differenza dei pesanti Transformer per la visione, che possono esaurire facilmente la VRAM dell'hardware consumer, questi modelli sono ottimizzati per l'addestramento accessibile con PyTorch su GPU standard. YOLO11 riduce notevolmente il numero totale di parametri — fino al 42% in meno nella variante large (L) rispetto a YOLOv8 — aumentando al contempo la precisione media (mAP). Questo si traduce in epoche più rapide e in una minore impronta di carbonio per l'addestramento dei modelli.
Metriche di prestazione#
I benchmark oggettivi mostrano l'equilibrio prestazionale di questi modelli. La tabella seguente confronta YOLOv8 e YOLO11 nelle varianti di scala standard, da nano a extra-large.
| Modello | dimensione (pixel) | mAPval50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (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 | 165.1 |
| 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 | 21.6 |
| 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 |
Come si vede, YOLO11 supera costantemente YOLOv8 in precisione, usando meno parametri e FLOP. La velocità di inferenza CPU, misurata con ONNX Runtime, evidenzia l'efficienza di YOLO11 per i deployment edge. Con l'esportazione in NVIDIA TensorRT, entrambe le famiglie di modelli restano sotto i 15 ms per immagine su una GPU T4, risultando adatte all'analisi di flussi video in condizioni reali.
Ecosistema e facilità d’uso#
Entrambi i modelli condividono il pacchetto Python unificato ultralytics, quindi gli ingegneri possono passare da YOLOv8 a YOLO11 modificando il file dei pesi. Addestramento, convalida ed esportazione si eseguono con poche righe di codice.
from ultralytics import YOLO
# Carica un modello YOLO11 preaddestrato (puoi semplicemente sostituirlo con "yolov8n.pt")
model = YOLO("yolo11n.pt")
# Addestra il modello in modo efficiente su un dataset locale
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Esporta il modello ottimizzato in ONNX
model.export(format="onnx")Ultralytics Platform amplia questo flusso di lavoro con addestramento nel cloud, monitoraggio dei modelli e deployment, senza richiedere competenze DevOps avanzate.
Versatilità e applicazioni reali#
Uno dei principali punti di forza del framework Ultralytics è la sua versatilità. Sia YOLOv8 sia YOLO11 supportano un'ampia gamma di attività di computer vision oltre al normale rilevamento degli oggetti:
- Segmentazione delle istanze: maschere precise a livello di pixel, utili per l'imaging medico e la guida autonoma.
- Classificazione delle immagini: classificazione leggera tramite backbone addestrati su ImageNet.
- Stima della posa: rilevamento dei keypoint per l'analisi sportiva e l'interazione uomo-computer.
- Riquadri delimitatori orientati (OBB): essenziali per identificare oggetti ruotati nelle immagini satellitari.
Essendo disponibile da più tempo, YOLOv8 vanta un'ampia raccolta di tutorial della community e deployment aziendali collaudati. Se stai integrando pipeline legacy che richiedono rigorosamente forme dei tensori YOLOv8, resta una scelta affidabile. Per i nuovi progetti che danno priorità all'efficienza, ad esempio il deployment su dispositivi edge embedded come Raspberry Pi, YOLO11 è l'opzione migliore grazie alla maggiore precisione con meno parametri e a una latenza CPU inferiore.
Casi d'uso e consigli#
La scelta tra YOLOv8 e YOLO11 dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle tue preferenze in termini di ecosistema.
Quando scegliere YOLOv8#
YOLOv8 è un'ottima scelta per:
- Deployment versatile multi-attività: progetti che richiedono un modello collaudato per il rilevamento, la segmentazione, la classificazione e la stima della posa 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 YOLO11#
YOLO11 è consigliato per:
- Deployment edge in produzione: applicazioni commerciali su dispositivi come Raspberry Pi o NVIDIA Jetson, in cui affidabilità e manutenzione attiva sono essenziali.
- Applicazioni di visione multi-task: progetti che richiedono rilevamento, segmentazione, stima della posa e OBB all’interno di 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 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 un’inferenza costante e a bassa latenza, senza la complessità della post-elaborazione con Non-Maximum Suppression (NMS).
- 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 impegnativi come le immagini aeree da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano la precisione sugli oggetti minuscoli.
I vantaggi di YOLO26#
YOLOv8 e YOLO11 sono entrambi architetture valide, ma per i nuovi progetti nel 2026 il passo successivo consigliato è Ultralytics YOLO26.
YOLO26 semplifica la pipeline di distribuzione. Integra un design end-to-end senza NMS, un approccio introdotto nei modelli YOLO da YOLOv10, che (con nms=False) elimina la post-elaborazione NMS. La rimozione della DFL (perdita focale di distribuzione) semplifica la logica di esportazione e migliora la compatibilità con i dispositivi edge a basso consumo; inoltre, YOLO26n offre un'inferenza su CPU fino al 43% più veloce di YOLO11n.
La stabilità dell'addestramento e la velocità di convergenza migliorano grazie all'ottimizzatore MuSGD, un ibrido di SGD e Muon ispirato alle tecniche di addestramento degli LLM. ProgLoss + STAL (Progressive Loss e assegnazione delle etichette consapevole degli oggetti piccoli) migliorano il rilevamento degli oggetti piccoli, una sfida di lunga data per IoT e robotica. I miglioramenti specifici per attività includono RLE per la stima della posa e un modulo proto multiscala per la segmentazione.
Scegli YOLOv8 se ti affidi alle sue ampie risorse della community e ai deployment esistenti. Scegli YOLO11 per un equilibrio perfezionato tra velocità e numero di parametri. Scegli YOLO26, il modello attualmente consigliato, per un'inferenza senza NMS ottimizzata per l'edge.
Conclusione#
La scelta tra YOLOv8 e YOLO11 dipende in definitiva dalle tempistiche del progetto e dai vincoli hardware. YOLOv8 è collaudato sul campo e stabile. YOLO11 perfeziona questa architettura, offrendo un mAP superiore con meno parametri, una caratteristica che lo rende interessante per le applicazioni edge con risorse limitate. In entrambi i casi, l'API Python condivisa di Ultralytics mantiene il flusso di sviluppo coerente e ben supportato; YOLO26 è disponibile quando serve ottenere le migliori prestazioni edge.
Commenti1
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.
naps22(modificato)
A very informative breakdown! The YOLOv8 vs YOLO11 comparison highlights how far real-time object detection has come. YOLOv11 seems to push the boundaries in terms of speed and accuracy, but the YOLOv8 comparison still shows it holding its ground with impressive stability and ease of deployment. Excited to see how the gap narrows with future updates.