Ultralytics YOLOv8 . YOLO11: Evoluzione architettonica e analisi delle prestazioni

L'evoluzione delle architetture di rilevamento degli oggetti è stata rapida, con ogni iterazione che ha portato miglioramenti significativi in termini di precisione, velocità e usabilità. Ultralytics YOLOv8, rilasciato all'inizio del 2023, ha stabilito un nuovo standard in termini di versatilità e facilità d'uso nella visione artificiale. Alla fine del 2024, Ultralytics YOLO11 ha perfezionato l'architettura per garantire efficienza e prestazioni ancora maggiori in una gamma più ampia di attività.

Questa guida completa mette a confronto questi due potenti modelli, analizzandone le differenze architetturali, le metriche prestazionali e i casi d'uso ideali per aiutarti a scegliere lo strumento giusto per il tuo prossimo progetto di visione artificiale.

Panoramica del modello

Prima di addentrarci nelle specifiche tecniche, è fondamentale comprendere il contesto e gli obiettivi alla base dello sviluppo di ciascun modello. Entrambi sono il risultato dell'impegno Ultralytics nella creazione di una visione AI accessibile e all'avanguardia.

Ultralytics YOLOv8

Rilasciato nel gennaio 2023, YOLOv8 una tappa fondamentale unificando più attività (rilevamento, segmentazione, classificazione, stima della posa e OBB) in un'unica API di facile utilizzo. Ha introdotto una nuova struttura portante e una testa di rilevamento senza ancoraggio, rendendolo altamente versatile per diverse applicazioni.

Dettagli chiave:

Autori: Glenn Jocher, Ayush Chaurasia e Jing Qiu
Organizzazione:Ultralytics
Data: 10 gennaio 2023
Documentazione:Documentazione YOLOv8
GitHub:Repository di Ultralytics

Scopri di più su YOLOv8

Ultralytics YOLO11

Lanciato nel settembre 2024, YOLO11 sulle solide fondamenta di YOLOv8. Si concentra sul perfezionamento dell'architettura per aumentare l'efficienza dell'estrazione delle caratteristiche e la velocità di elaborazione. YOLO11 progettato per offrire una maggiore precisione con un numero inferiore di parametri, rendendolo particolarmente efficace per le applicazioni edge in tempo reale.

Dettagli chiave:

Autori: Glenn Jocher e Jing Qiu
Organizzazione:Ultralytics
Data: 27 settembre 2024
Documentazione:Documentazione YOLO11
GitHub:Repository di Ultralytics

Scopri di più su YOLO11

Ultima innovazione: YOLO26

Sebbene YOLO11 un significativo passo avanti rispetto a YOLOv8, gli sviluppatori alla ricerca della tecnologia più all'avanguardia dovrebbero esplorare YOLO26. Rilasciato nel 2026, introduce un design end-to-end NMS, l'ottimizzatore MuSGD e CPU fino al 43% più veloce, stabilendo un nuovo punto di riferimento per l'IA di livello produttivo.

Differenze Architetturali

Il passaggio da YOLOv8 YOLO11 diversi cambiamenti architetturali fondamentali volti a ottimizzare il compromesso tra costo computazionale e accuratezza.

Backbone ed estrazione delle feature

YOLOv8 una struttura CSPDarknet53 modificata con moduli C2f, che hanno sostituito i moduli C3 delle generazioni precedenti. Questo design ha migliorato il flusso di gradiente e la ricchezza delle funzionalità.

YOLO11 ulteriormente questo aspetto perfezionando le strutture bottleneck e i meccanismi di attenzione all'interno della struttura portante. Queste modifiche consentono al modello di catturare modelli più complessi e gerarchie spaziali con un overhead computazionale ridotto. Ciò è particolarmente vantaggioso per compiti difficili come il rilevamento di piccoli oggetti nelle immagini aeree o il controllo della qualità di produzione.

Architettura della testa

Entrambi i modelli utilizzano teste senza ancoraggio, il che semplifica il processo di addestramento e migliora la generalizzazione tra oggetti di forme diverse. Tuttavia, YOLO11 tecniche di fusione delle caratteristiche più avanzate nel collo e nella testa, ottenendo una migliore precisione di localizzazione e separazione delle classi rispetto a YOLOv8.

Analisi delle prestazioni

Quando si seleziona un modello per la produzione, metriche quali la precisione media (mAP), la velocità di inferenza e le dimensioni del modello sono fondamentali. La tabella seguente fornisce un confronto dettagliato dei pesi pre-addestrati sul COCO .

Modello	dimensione ^(pixel)	mAP^val 50-95	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	165.2
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

Punti chiave sulle prestazioni

Efficienza: YOLO11 sono costantemente più leggeri (meno parametri) e più veloci (minore latenza) rispetto YOLOv8 loro YOLOv8 , pur raggiungendo una maggiore precisione. Ad esempio, YOLO11n è circa il 22% più veloceONNX CPU ONNX rispetto a YOLOv8n vantando YOLOv8n un mAP più elevato.
Calcolo: il numero ridotto di FLOP in YOLO11 lo YOLO11 una scelta eccellente per dispositivi alimentati a batteria o con risorse limitate, come telefoni cellulari o sensori IoT integrati.
Precisione: i mAP in YOLO11, in particolare nelle varianti di modello più piccole (Nano e Small), sono significativi per le applicazioni che richiedono un'elevata affidabilità senza hardware pesante.

Addestramento e facilità d'uso

Uno dei punti di forza Ultralytics è l'esperienza utente unificata e semplificata. Sia YOLOv8 YOLO11 la stessa API intuitiva, consentendo agli sviluppatori di passare da un'architettura all'altra con una sola riga di codice.

Il vantaggio di Ultralytics

A differenza dei modelli di trasformatori complessi che spesso richiedono enormi quantità di GPU e configurazioni intricate, Ultralytics sono ottimizzati per l'efficienza dell'addestramento. Possono essere addestrati in modo efficace su GPU di livello consumer, democratizzando l'accesso all'IA ad alte prestazioni.

Le caratteristiche comuni a entrambi i modelli includono:

Python semplice: carica, addestra e distribuisci modelli in pochi minuti.
Documentazione completa: guide esaurienti sulla regolazione degli iperparametri, l'aumento dei dati e l'implementazione.
Integrazione dell'ecosistema: perfetta compatibilità con la Ultralytics per la gestione dei set di dati, la formazione remota e l'esportazione dei modelli con un solo clic.

Esempio di formazione:

Il codice seguente mostra quanto sia facile passare dall'addestramento 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)

Casi d'uso ideali

Sebbene entrambi i modelli siano altamente performanti, i loro punti di forza specifici li rendono adatti a scenari diversi.

Quando scegliere YOLOv8

YOLOv8 una scelta solida e affidabile, in particolare per:

Progetti legacy: pipeline esistenti già ottimizzate per YOLOv8 richiedono stabilità senza necessità immediata di aggiornamenti architetturali.
Ampie risorse della comunità: grazie alla sua maggiore presenza sul mercato, YOLOv8 una vasta libreria di tutorial, video e implementazioni della comunità di terze parti.
Visione per uso generico: eccellente per attività di rilevamento di oggetti standard in cui l'ottimizzazione estrema dei bordi non è il vincolo principale.

Quando scegliere YOLO11

YOLO11 la scelta consigliata per la maggior parte delle nuove implementazioni, in particolare per:

Edge Computing: il numero ridotto di parametri e la maggiore velocità di inferenza lo rendono ideale per Raspberry Pi, Jetson Nano e implementazioni mobili.
Applicazioni in tempo reale: fondamentali per attività quali la guida autonoma o le linee di produzione ad alta velocità, dove ogni millisecondo di latenza è importante.
Compiti complessi: le migliorie architetturali migliorano le prestazioni in scenari complessi, come la stima della postura per l'analisi sportiva o la segmentazione delle istanze per l'imaging medico.

Versatilità tra le attività

Sia YOLOv8 YOLO11 un'ampia gamma di attività che vanno oltre il semplice rilevamento dei riquadri di delimitazione, tra cui la segmentazione delle istanze, la stima della posa, i riquadri di delimitazione orientati (OBB) e la classificazione. Questa versatilità consente agli sviluppatori di risolvere problemi complessi utilizzando un unico framework.

Conclusione

Sia YOLOv8 YOLO11 l'apice dell'efficienza nella visione artificiale. YOLOv8 ha stabilito uno standard versatile e intuitivo che ha alimentato innumerevoli applicazioni di intelligenza artificiale a livello globale. YOLO11 perfeziona questa eredità, offrendo un'architettura semplificata, più veloce e più accurata che amplia i confini di ciò che è possibile sui dispositivi edge.

Per gli sviluppatori che iniziano oggi nuovi progetti, YOLO11 offre un equilibrio superiore tra velocità e precisione. Tuttavia, per coloro che richiedono le innovazioni più recenti, come il rilevamento end-to-end NMS e le funzioni di perdita ottimizzate, consigliamo vivamente di esplorare il nuovo YOLO26, che rappresenta il futuro dell'intelligenza artificiale per la visione in tempo reale.

Letture aggiuntive

Altri modelli da esplorare

YOLO26: l'ultimo modello all'avanguardia di Ultralytics gennaio 2026) con design NMS.
RT-DETR: Un rilevatore basato su transformer che offre alta precisione per scenari in cui la velocità è meno critica.
SAM 2: Il Segment Anything Model di Meta, ideale per compiti di zero-shot segmentation.