Ir para o conteúdo

YOLOv8 vs YOLO11: Uma Comparação Técnica Detalhada

Ao selecionar um modelo de visão computacional, principalmente para detecção de objetos, é essencial entender os pontos fortes e fracos de diferentes arquiteturas. Esta página oferece uma comparação técnica detalhada entre Ultralytics YOLOv8 e Ultralytics YOLO11, dois modelos de última geração da Ultralytics projetados para detecção de objetos e outras tarefas de visão. Analisaremos suas nuances arquitetônicas, benchmarks de desempenho e aplicações adequadas para orientá-lo na tomada de uma decisão informada para seu projeto.

Ultralytics YOLOv8

Autores: Glenn Jocher, Ayush Chaurasia e Jing Qiu
Organização: Ultralytics
Data: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
Documentação: https://docs.ultralytics.com/models/yolov8/

Lançado no início de 2023, o YOLOv8 tornou-se rapidamente uma referência para a deteção de objetos em tempo real, oferecendo um salto significativo no desempenho em relação às versões anteriores. Introduziu um mecanismo de deteção sem âncoras e uma nova backbone baseada em CSPDarknet53, que melhorou tanto a precisão como a velocidade. O YOLOv8 é um modelo altamente versátil, suportando uma gama completa de tarefas de visão de IA, incluindo deteção, segmentação de instâncias, estimativa de pose e classificação de imagens.

Arquitetura e Principais Características

A arquitetura do YOLOv8 foi construída para eficiência e flexibilidade. Seu head sem âncoras reduz o número de predições de caixa, simplificando o pipeline de pós-processamento e acelerando a inferência. O modelo foi projetado como uma estrutura abrangente, e não apenas como um modelo único, fornecendo uma plataforma unificada para treinar modelos para várias tarefas. Essa integração no ecossistema Ultralytics significa que os usuários se beneficiam de um fluxo de trabalho simplificado, desde o treinamento até a implantação, com o apoio de extensa documentação e um conjunto robusto de ferramentas.

Pontos Fortes

  • Desempenho Comprovado: Um modelo altamente confiável e amplamente adotado que estabeleceu padrões da indústria para desempenho e velocidade.
  • Versatilidade da Tarefa: Uma única estrutura unificada capaz de lidar com detecção, segmentação, classificação e estimativa de pose.
  • Ecosistema Maduro: Beneficia-se de um vasto número de tutoriais da comunidade, integrações de terceiros e implementação generalizada em ambientes de produção.
  • Facilidade de Uso: Apresenta uma API Python e CLI simples, tornando-o acessível tanto para iniciantes quanto para especialistas.

Fraquezas

  • Embora ainda tenha um ótimo desempenho, sua precisão e velocidade foram superadas por seu sucessor, o YOLO11, especialmente em cenários com restrição de CPU.
  • Modelos maiores (YOLOv8l, YOLOv8x) podem ser computacionalmente intensivos, exigindo recursos significativos de GPU para desempenho em tempo real.

Casos de Uso

O YOLOv8 continua sendo uma excelente escolha para uma ampla gama de aplicações, especialmente onde a estabilidade e um ecossistema maduro são valorizados. Ele se destaca em:

  • Automação Industrial: Para controle de qualidade e detecção de defeitos na fabricação.
  • Sistemas de Segurança: Alimentando sistemas de segurança avançados para monitoramento em tempo real e detecção de intrusão.
  • Análise de Varejo: Melhorando o gerenciamento de estoque e analisando o comportamento do cliente.

Saiba mais sobre o YOLOv8.

Ultralytics YOLO11

Autores: Glenn Jocher e Jing Qiu
Organização: Ultralytics
Data: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
Docs: https://docs.ultralytics.com/models/yolo11/

YOLO11 é a mais recente evolução na série YOLO da Ultralytics, projetada para precisão e eficiência superiores. Construindo sobre a base sólida do YOLOv8, o YOLO11 introduz refinamentos arquitetônicos que otimizam a extração e o processamento de recursos. Isso resulta em maior precisão de detecção com menos parâmetros e velocidades de inferência mais rápidas, particularmente em CPUs. Como seu antecessor, o YOLO11 é um modelo multitarefa que suporta detecção, segmentação, classificação, estimativa de pose e caixas delimitadoras orientadas (OBB) dentro da mesma estrutura simplificada.

Arquitetura e Principais Características

YOLO11 refina a estrutura da rede para alcançar um melhor equilíbrio entre custo computacional e desempenho. Ele alcança maior precisão com uma contagem de parâmetros menor e menos FLOPs em comparação com o YOLOv8, como mostrado na tabela de desempenho abaixo. Essa eficiência o torna altamente adequado para implantação em uma ampla gama de hardware, desde dispositivos de borda com recursos limitados até servidores de nuvem poderosos. Uma vantagem fundamental do YOLO11 é sua integração perfeita no ecossistema Ultralytics bem mantido, o que garante uma excelente experiência do usuário, processos de treinamento eficientes com pesos pré-treinados prontamente disponíveis e menor uso de memória durante o treinamento e a inferência.

Pontos Fortes

  • Precisão de Última Geração: Oferece pontuações de mAP mais altas do que o YOLOv8 em todos os tamanhos de modelo, estabelecendo um novo padrão para detecção de objetos.
  • Eficiência Aprimorada: Oferece velocidades de inferência significativamente mais rápidas, especialmente na CPU, ao mesmo tempo que requer menos parâmetros e FLOPs.
  • Equilíbrio de Desempenho: Proporciona um equilíbrio excepcional entre velocidade e precisão, tornando-o ideal para diversas aplicações no mundo real.
  • Escalabilidade e Versatilidade: Tem bom desempenho em vários hardwares e suporta várias tarefas de visão computacional dentro de uma única estrutura fácil de usar.
  • Ecosistema Bem Mantido: Beneficia-se de desenvolvimento ativo, forte apoio da comunidade via GitHub e Discord, e atualizações frequentes.

Fraquezas

  • Por ser um modelo mais recente, pode inicialmente ter menos integrações de terceiros em comparação com o YOLOv8, que é mais estabelecido.
  • Os maiores modelos (por exemplo, YOLO11x) ainda exigem poder computacional substancial para treinamento e implantação, uma característica comum de detectores de alta precisão.

Casos de Uso

YOLO11 é a escolha recomendada para novos projetos que exigem os mais altos níveis de precisão e desempenho em tempo real. Sua eficiência o torna ideal para:

Saiba mais sobre o YOLO11.

Comparativo de Desempenho: YOLOv8 vs. YOLO11

A principal distinção entre o YOLOv8 e o YOLO11 reside no desempenho. O YOLO11 supera consistentemente o YOLOv8, oferecendo maior precisão (mAP) com maior eficiência (menos parâmetros e velocidades mais rápidas). Por exemplo, o YOLO11l atinge um mAP mais alto (53,4) do que o YOLOv8l (52,9) com quase 42% menos parâmetros e é significativamente mais rápido na CPU. Essa tendência se mantém em todas as variantes do modelo, tornando o YOLO11 um sucessor mais poderoso e eficiente.

Modelo tamanho
(pixels)
mAPval
50-95
Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(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

Conclusão e Recomendação

Tanto o YOLOv8 quanto o YOLO11 são modelos excepcionais, mas atendem a necessidades ligeiramente diferentes.

  • YOLOv8 é um modelo robusto e maduro, tornando-o uma aposta segura para projetos que já foram construídos sobre ele ou que dependem fortemente de seu extenso ecossistema de ferramentas e tutoriais de terceiros existentes. Continua sendo uma escolha formidável para uma ampla gama de tarefas de visão computacional.

  • O YOLO11 é o claro vencedor em termos de desempenho e eficiência. Representa o que há de mais moderno em detecção de objetos em tempo real. Para qualquer novo projeto, o YOLO11 é o ponto de partida recomendado. Sua precisão superior, velocidades de inferência mais rápidas (especialmente na CPU) e arquitetura mais eficiente proporcionam uma vantagem significativa e preparam sua aplicação para o futuro. O suporte contínuo e o desenvolvimento dentro do ecossistema Ultralytics solidificam ainda mais sua posição como a principal escolha para desenvolvedores e pesquisadores.

Para aqueles interessados em explorar outros modelos, a Ultralytics também suporta uma gama de arquiteturas, incluindo o fundamental YOLOv5, o recente YOLOv9, e modelos baseados em transformadores como RT-DETR. Você pode encontrar mais comparações na nossa página de comparação de modelos.



📅 Criado há 1 ano ✏️ Atualizado há 1 mês

Comentários