YOLO11 vs YOLOv8
As arquiteturas de detecção de objetos continuam evoluindo. Ao avaliar modelos para implantação no mundo real, os desenvolvedores costumam comparar Ultralytics YOLO11 e seu antecessor amplamente adotado, Ultralytics YOLOv8. Ambos são conhecidos pela velocidade, precisão e experiência de desenvolvimento, mas são adequados a ciclos de vida de projeto e metas de desempenho ligeiramente diferentes.
Este guia analisa as arquiteturas, metodologias de treinamento e casos de uso ideais para ajudar-te a escolher o modelo certo para teus projetos de inteligência artificial.
Inovações arquiteturais#
A transição do YOLOv8 para YOLO11 introduziu vários refinamentos arquitetônicos que melhoram a eficiência da extração de características e reduzem a sobrecarga computacional.
Arquitetura do YOLO11#
YOLO11 se concentra na eficiência de parâmetros. Ele substitui os módulos C2f por blocos C3k2, que melhoram o processamento de características espaciais sem aumentar a quantidade de parâmetros. Além disso, YOLO11 introduz o módulo C2PSA (Atenção Espacial Parcial entre Estágios) em seu backbone. Esse mecanismo de atenção ajuda o modelo a se concentrar em regiões de interesse importantes, melhorando a detecção de objetos pequenos e lidando com oclusões complexas.
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2024-09-27
- GitHub: Repositório da Ultralytics
- Documentação: Documentação do YOLO11
Arquitetura do YOLOv8#
Lançado um ano antes, YOLOv8 trouxe uma cabeça de detecção sem âncoras para Ultralytics YOLO, eliminando a necessidade de ajustar manualmente as caixas âncora e simplificando a formulação da perda. Sua arquitetura usa o bloco C2f, um design que equilibra a profundidade da rede e o fluxo de gradientes, tornando-o confiável em uma ampla variedade de aplicações de visão computacional.
- Autores: Glenn Jocher, Ayush Chaurasia e Jing Qiu
- Organização: Ultralytics
- Data: 2023-01-10
- GitHub: Repositório da Ultralytics
- Documentação: Documentação do YOLOv8
Enquanto YOLOv8 estabeleceu as bases para a detecção sem âncoras no ecossistema Ultralytics, YOLO11 refinou essa abordagem com mecanismos de atenção espacial, alcançando maior precisão com menos recursos computacionais.
Desempenho e benchmarks#
Ao implantar modelos em dispositivos de borda como o Raspberry Pi ou em servidores de alto desempenho com NVIDIA TensorRT, é essencial entender a compensação entre velocidade e precisão. A tabela abaixo mostra que YOLO11 é mais preciso que YOLOv8 em todos os tamanhos de modelo.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (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 |
Análise das métricas#
YOLO11 alcança maior média da precisão média (mAP) e reduz tanto a quantidade de parâmetros quanto as operações de ponto flutuante (FLOPs). Por exemplo, o modelo YOLO11m exige 22% menos parâmetros que o YOLOv8m, mas oferece 1,3 ponto a mais de mAP no conjunto de dados COCO. Além disso, as velocidades de inferência em CPU após a exportação para o formato ONNX mostram que YOLO11 é mais rápido em todos os tamanhos (56,1 ms contra 80,4 ms para os modelos nano), tornando-o uma boa opção para implantações sem aceleração por GPU.
A vantagem do ecossistema Ultralytics#
Independentemente de escolheres YOLO11 ou YOLOv8, os dois modelos se beneficiam do ecossistema Ultralytics, que simplifica o ciclo de vida do aprendizado de máquina.
Facilidade de uso e API simples#
O pacote Python ultralytics oferece uma API simplificada que permite a engenheiros e pesquisadores treinar, validar e exportar modelos com apenas algumas linhas de código. Ele abstrai as complexidades típicas associadas à configuração de ambientes de aprendizado profundo no PyTorch.
Eficiência de treinamento e requisitos de memória#
Ao contrário dos Vision Transformers pesados (como o RT-DETR), os modelos Ultralytics YOLO são conhecidos pelo baixo uso de memória durante o treinamento. Essa eficiência de memória permite que os desenvolvedores treinem redes precisas em GPUs de consumo ou em ambientes de nuvem como o Google Colab, sem enfrentar erros de falta de memória.
Versatilidade em tarefas de visão computacional#
YOLO11 e YOLOv8 são modelos multitarefa. Além da detecção de objetos padrão com caixas delimitadoras, eles oferecem suporte nativo a segmentação de instâncias, classificação de imagens, estimativa de pose humana e caixas delimitadoras orientadas (OBB) para imagens aéreas.
Casos de uso e recomendações#
A escolha entre YOLO11 e YOLOv8 depende dos requisitos específicos do teu projeto, das restrições de implantação e das preferências de ecossistema.
Quando escolher YOLO11#
YOLO11 é uma ótima opção para:
- Implantação de borda em produção: aplicações comerciais em dispositivos como Raspberry Pi ou NVIDIA Jetson, nos quais a confiabilidade e a manutenção ativa são fundamentais.
- Aplicações de visão multitarefa: Projetos que exigem detecção, segmentação, classificação, estimativa de pose e OBB em uma única estrutura unificada.
- Prototipagem e implantação rápidas: equipes que precisam avançar rapidamente da coleta de dados à produção usando a API Python da Ultralytics, simples e eficiente.
Quando escolher o YOLOv8#
O YOLOv8 é recomendado para:
- Implantação multitarefa versátil: projetos que exigem um modelo comprovado para detecção, segmentação, classificação, estimativa de pose e OBB no ecossistema Ultralytics.
- Sistemas de produção estabelecidos: Ambientes de produção existentes já baseados na arquitetura YOLOv8, com pipelines de implantação estáveis e bem testados.
- Amplo suporte da comunidade e do ecossistema: Aplicações que se beneficiam dos extensos tutoriais, integrações de terceiros e recursos da comunidade ativa do YOLOv8.
Quando escolher Ultralytics (YOLO26)#
Para a maioria dos projetos novos, Ultralytics YOLO26 oferece a melhor combinação de desempenho e experiência para desenvolvedores:
- Implantação de borda sem NMS: Aplicações que exigem inferência consistente e de baixa latência, sem a complexidade do pós-processamento com supressão não máxima.
- Ambientes somente com CPU: Dispositivos sem aceleração de GPU dedicada, nos quais a inferência na CPU até 43% mais rápida do YOLO26 (YOLO26n contra YOLO11n) oferece uma vantagem decisiva.
- Deteção de objetos pequenos: Cenários desafiantes, como imagens aéreas captadas por drones ou análise de sensores de IoT, nos quais ProgLoss e STAL melhoram a precisão na deteção de objetos pequenos.
Exemplo de código: primeiros passos#
Treinar e implantar um modelo Ultralytics exige apenas algumas linhas de código. O exemplo a seguir mostra como carregar um modelo YOLO11 pré-treinado, ajustá-lo a um conjunto de dados personalizado e exportá-lo para implantação na borda usando o Apple CoreML:
from ultralytics import YOLO
# Inicializa o modelo pequeno YOLO11
model = YOLO("yolo11s.pt")
# Treina o modelo de forma eficiente, com requisitos de memória otimizados
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Avalia o desempenho na validação
metrics = model.val()
# Executa inferência em tempo real numa imagem de teste
predictions = model("https://ultralytics.com/images/bus.jpg")
# Exporta para CoreML para uma implementação móvel rápida
export_path = model.export(format="coreml")Como a API Ultralytics é padronizada, atualizar um pipeline legado de YOLOv8 para YOLO11 geralmente requer apenas alterar a cadeia de pesos de "yolov8n.pt" para "yolo11n.pt".
O futuro: IA de borda com YOLO26#
YOLO11 é uma arquitetura madura e competente, mas, para os desenvolvedores que estão começando projetos novos, Ultralytics YOLO26 (lançado em janeiro de 2026) é o modelo recomendado.
YOLO26 adiciona vários recursos novos:
- Design ponta a ponta sem NMS: com base nos conceitos explorados no YOLOv10, YOLO26 oferece uma cabeça opcional um-para-um (
nms=False) que ignora o pós-processamento de supressão não máxima (NMS), resultando em latência menor e mais previsível em diferentes hardwares de implantação. - Inferência na CPU até 43% mais rápida: com a remoção do ramo Distribution Focal Loss (DFL), YOLO26n é até 43% mais rápido que YOLO11n na CPU, o que o torna adequado para dispositivos de computação de borda sem GPUs potentes.
- Otimizador MuSGD: inspirado em técnicas de treinamento de modelos de linguagem grandes (LLM), YOLO26 usa MuSGD, uma combinação de SGD e Muon, para uma convergência de treinamento estável e rápida.
- ProgLoss + STAL: Progressive Loss e Small-Target-Aware Label Assignment (STAL) melhoram o reconhecimento de objetos pequenos e ocluídos, algo essencial para robótica autônoma e análise com drones.
Quer utilizes a confiabilidade comprovada do YOLOv8, a arquitetura otimizada do YOLO11 ou os recursos de próxima geração do YOLO26, a Ultralytics Platform oferece ferramentas para levar as tuas aplicações de IA visual do conceito à produção. As integrações da Ultralytics conectam os teus modelos a fluxos de trabalho empresariais e painéis de análise.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.