YOLOv8 YOLO11技術比較
Ultralytics YOLOv8 YOLO11 物体検出のために比較すると、リアルタイムコンピュータビジョンの進歩が明らかになる。Ultralytics社によって開発された両モデルは、スピードと精度を重視して設計されていますが、若干異なるニーズに対応し、異なるアーキテクチャーの選択に基づいています。このページでは、ユーザーが両モデルの主な違いや理想的なアプリケーションを理解するのに役立つ詳細な技術比較を提供します。
YOLOv8 概要
YOLOv8Ultralytics 社が2023-01-10に発表したYOLO 8は、YOLO シリーズの重要なイテレーションである。Glenn Jocher氏、Ayush Chaurasia氏、Jing Qiu氏によって執筆されたYOLOv8 、物体検出、セグメンテーション、分類、姿勢推定など、さまざまなビジョンタスクにおける汎用性と使いやすさに重点を置いています。YOLO 8は、これまでのYOLO アーキテクチャをベースに構築されているが、性能と柔軟性を向上させるための機能強化が盛り込まれている。YOLOv8 ドキュメントでは、使いやすさが強調されており、物体検出分野の初心者から経験豊富な実務者までが利用できるようになっている。
建築と主な特徴：
YOLOv8 、シングルステージ、アンカーなしの検出パラダイムを維持し、モデルアーキテクチャを合理化し、トレーニングプロセスを簡素化します。主なアーキテクチャの特徴は以下の通り：
- バックボーン：CSPDarknetバックボーンを改良し、特徴抽出効率を最適化。
- ネック頸部にC2fクロスステージ部分ネットワークを採用し、特徴融合を強化し、情報の流れと勾配伝搬を改善する。
- ヘッド：分離型検出ヘッドは、分類と回帰のタスクを分離し、精度の向上と収束の高速化に貢献します。
パフォーマンス指標：
YOLOv8 、様々なモデルサイズで最先端の性能を達成している。COCOデータセットの物体検出では、最大のバリエーションであるYOLOv8x53.9mAPval50-95を達成し、ナノバージョンであるYOLOv8n37.3 mAPval50-95を達成し、精度と速度のバランスをとっている。推論速度は、YOLOv8n CPU ONNX 80.4ミリ秒からYOLOv8x479.1ミリ秒の範囲で、さまざまな計算制約に対応するオプションを提供します。YOLOv8 パフォーマンス・メトリクスの詳細をご覧ください。
使用例：
YOLOv8汎用性が高いため、セキュリティアラームシステムや スマートシティの導入から、ヘルスケアや 製造業の高度なアプリケーションまで、幅広い用途に適しています。バランスの取れた性能により、精度とスピードの融合を必要とするプロジェクトに最適です。
強みだ：
- 多彩なタスクサポート：検出、セグメンテーション、分類、姿勢推定に対応。
- 高精度とスピード：mAPと推論スピードのバランスが良い。
- ユーザーフレンドリー： Ultralytics 文書化されており、簡単に使用できます。 Pythonと CLIインターフェース
- 活発なコミュニティ：大規模なコミュニティとUltralytics継続的なアップデートによるメリット。
弱点がある：
- リソース集約型：大規模なモデルは、トレーニングと展開に多大な計算リソースを必要とする。
- 最適化の必要性：リソースが極端に制限された環境では、さらなる最適化が必要な場合がある。
YOLO11 概要
YOLO11Ultralytics最新モデルであるYOLO 11は、2024-09-27にリリースされ、Glenn JocherとJing Qiuが執筆した。YOLO11 、スピードと精度という基本理念を共有しながらも、精度を大きく損なうことなく推論スピードを最適化するために設計されたアーキテクチャの改良を導入している。YOLO11 ドキュメントは、その最先端性とリアルタイム・アプリケーションへの適性を強調している。
建築と主な特徴：
YOLO11 また、合理的な設計と効率的な計算に重点を置き、シングルステージ、アンカーフリーのアプローチを採用している。主なアーキテクチャは以下の通り：
- 効率的なバックボーン：特徴抽出機能を維持しながら計算オーバーヘッドを削減する最適化されたバックボーンアーキテクチャを採用。
- ネックデザイン：より少ないパラメータで特徴集約を強化する洗練されたネック構造が特徴で、推論の高速化に貢献。
- 最適化されたヘッド：検出ヘッドはレイテンシーを最小限に抑えるよう設計されており、最終予測レイヤーのスピードを優先している。
パフォーマンス指標：
YOLO11 、速度の改善に重点を置いた競争力のある性能を示している。COCOデータセットの物体検出において、YOLO11xはYOLOv8x比較して54.7というわずかに高いmAPval50-95を達成し、CPU より高速な推論速度を維持し、GPU同等の速度を達成した。YOLO11nモデルは39.5 mAPval50-95を達成し、YOLOv8n改善されています。推論速度はCPU顕著に速く、YOLO11nは56.1 ms、YOLO11xは462.8 msであり、CPUアプリケーションに適しています。詳細なベンチマークについては、YOLO11 パフォーマンス・メトリクスを参照。
使用例：
YOLO11 11は、リアルタイムのビデオ解析、ロボット工学、計算リソースが限られたエッジデバイスなど、推論速度が最優先されるアプリケーションに特に適している。その効率性により、精度を犠牲にすることなく、迅速な物体検出を必要とするシナリオでの展開に最適です。アプリケーションには、廃棄物管理、環境保全、自動車ソリューションなどがあります。
強みだ：
- 優れた推論速度：特にCPU推論を高速化するように設計されています。
- 競争力のある精度：高い精度を維持し、小さいモデルサイズではYOLOv8 上回ることが多い。
- 効率的なアーキテクチャ：リソースに制約のある環境やエッジ展開に最適化されています。
- Ultralytics 最新モデル： Ultralytics最新の進化とサポートをご利用いただけます。
弱点がある：
- 大型モデルでのわずかな精度向上：より大きなYOLO11 モデルは、YOLOv8 比較してわずかな精度向上しか示さないが、依然として計算量が多い。
- 新しいモデル： YOLOv8新しいため、コミュニティが小さく、サードパーティとの統合が少ない可能性がある。
モデル比較表
| モデル | サイズ (ピクセル) |
mAPval 50-95 |
速度 CPU ONNX (ms) |
スピード T4TensorRT10 (ms) |
params (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 |
結論
YOLOv8 YOLO11 どちらを選ぶかは、具体的なアプリケーションの要件によって決まります。YOLOv8 、精度とスピードのバランスを効果的にとりながら、幅広いタスクに適した堅牢で汎用性の高いソリューションを提供します。YOLOv8は、汎用的な物体検出のニーズに理想的な、成熟したよくサポートされたモデルです。一方、YOLO11、スピードの最適化のために設計されており、推論時間が重要な場合、特にCPUエッジコンピューティングのシナリオにおいて、優れた選択肢となります。可能な限り高速なリアルタイム性能と競争力のある精度を必要とするアプリケーションには、YOLO11 最適です。
他のモデルにも興味がある方は、こちらをご覧ください：
- YOLOv5:コミュニティが大きく、広く使われているモデル。YOLOv5 YOLOv8 比較。
- YOLOv9: 精度の向上とアーキテクチャの革新に焦点を当てたモデル用。YOLOv9ドキュメント
- FastSAM:非常に高速なセグメンテーションタスク用。FastSAM ドキュメント
