YOLOv8 vs YOLO11: Uma comparação técnica

A comparação entreYOLOv8 Ultralytics YOLOv8 e YOLO11 para deteção de objectos revela avanços na visão por computador em tempo real. Ambos os modelos, desenvolvidos pela Ultralytics, foram concebidos para velocidade e precisão, mas respondem a necessidades ligeiramente diferentes e baseiam-se em escolhas arquitectónicas distintas. Esta página fornece uma comparação técnica detalhada para ajudar os utilizadores a compreender as suas principais diferenças e aplicações ideais.

YOLOv8 Descrição geral

YOLOv8, introduzido pela Ultralytics em 2023-01-10, representa uma iteração significativa na série YOLO . Da autoria de Glenn Jocher, Ayush Chaurasia e Jing Qiu, YOLOv8 centra-se na versatilidade e facilidade de utilização numa série de tarefas de visão, incluindo deteção de objectos, segmentação, classificação e estimativa de pose. Baseia-se em arquitecturas YOLO anteriores, mas incorpora melhorias para um melhor desempenho e flexibilidade. A documentaçãoYOLOv8 realça a sua facilidade de utilização, tornando-o acessível tanto para principiantes como para profissionais experientes no domínio da deteção de objectos.

Arquitetura e caraterísticas principais:

YOLOv8 mantém um paradigma de deteção de fase única e sem âncoras, racionalizando a arquitetura do modelo e simplificando o processo de formação. As principais caraterísticas da arquitetura incluem:

• Backbone: Utiliza um backbone CSPDarknet refinado, optimizado para a eficiência da extração de caraterísticas.
• Pescoço: Utiliza uma rede parcial C2f de fase cruzada no pescoço para uma melhor fusão de caraterísticas, melhorando o fluxo de informação e a propagação do gradiente.
• Cabeça: Uma cabeça de deteção dissociada separa as tarefas de classificação e regressão, contribuindo para uma maior precisão e uma convergência mais rápida.

Métricas de desempenho:

YOLOv8 atinge o desempenho mais avançado em vários tamanhos de modelos. Para a deteção de objectos no conjunto de dados COCO, YOLOv8x, a maior variante, atinge 53,9 _mAPval50-95, enquanto a versão nano, YOLOv8n, atinge 37,3 _mAPval50-95, equilibrando precisão e velocidade. As velocidades de inferência variam de 80,4 ms na CPU ONNX para YOLOv8n a 479,1 ms para YOLOv8x, oferecendo opções para diferentes restrições computacionais. Explore as métricas de desempenho detalhadas YOLOv8 .

Casos de utilização:

A versatilidade do YOLOv8 torna-o adequado para um vasto espetro de aplicações, desde sistemas de alarme de segurança e implementações em cidades inteligentes até aplicações avançadas nos sectores da saúde e da indústria. O seu desempenho equilibrado torna-o uma escolha forte para projectos que exigem uma combinação de precisão e velocidade.

Pontos fortes:

• Suporte versátil de tarefas: Lida com deteção, segmentação, classificação e estimativa de pose.
• Elevada precisão e velocidade: Oferece um bom equilíbrio entre o mAP e a velocidade de inferência.
• Fácil de utilizar: bem documentado e fácil de utilizar com o Ultralytics Python e CLI interfaces.
• Comunidade ativa: Benefits from a large community and continuous updates from Ultralytics.

Pontos fracos:

• Intensivo em recursos: Os modelos de maior dimensão requerem recursos computacionais significativos para a sua formação e implementação.
• Necessidades de otimização: Pode exigir uma otimização adicional para ambientes com recursos extremamente limitados.

Saiba mais sobre o YOLOv8

YOLO11 Descrição geral

YOLO11O YOLO , o mais recente modelo da Ultralytics, lançado em 2024-09-27, e da autoria de Glenn Jocher e Jing Qiu, baseia-se na série YOLO , com o objetivo de obter mais avanços em termos de eficiência e desempenho. Embora partilhe a filosofia central de velocidade e precisão, YOLO11 introduz refinamentos arquitectónicos concebidos para otimizar a velocidade de inferência sem comprometer significativamente a precisão. A documentaçãoYOLO11 destaca a sua natureza de vanguarda e a sua adequação a aplicações em tempo real.

Arquitetura e caraterísticas principais:

YOLO11 também adopta uma abordagem de fase única e sem âncoras, centrando-se numa conceção simplificada e numa computação eficiente. Os principais aspectos arquitectónicos incluem:

• Backbone eficiente: Utiliza uma arquitetura de backbone optimizada que reduz a sobrecarga computacional enquanto mantém as capacidades de extração de caraterísticas.
• Desenho do pescoço: Apresenta uma estrutura de pescoço refinada que melhora a agregação de caraterísticas com menos parâmetros, contribuindo para uma inferência mais rápida.
• Cabeça optimizada: A cabeça de deteção foi concebida para uma latência mínima, dando prioridade à velocidade nas camadas de previsão finais.

Métricas de desempenho:

YOLO11 demonstra um desempenho competitivo com foco em melhorias de velocidade. Para a deteção de objectos no conjunto de dados COCO, o YOLO11x atinge um _mAPval50-95 ligeiramente superior de 54,7 em comparação com o YOLOv8x, mantendo velocidades de inferência mais rápidas na CPU e atingindo velocidades comparáveis na GPU. O modelo YOLO11n atinge 39,5 _mAPval50-95, mostrando melhorias em relação ao YOLOv8n. As velocidades de inferência são notavelmente mais rápidas na CPU, com o YOLO11n a 56,1 ms e o YOLO11x a 462,8 ms, o que o torna adequado para aplicações CPU. Consulte as métricas de desempenhoYOLO11 para obter referências detalhadas.

Casos de utilização:

YOLO11 é particularmente adequado para aplicações em que a velocidade de inferência é fundamental, como a análise de vídeo em tempo real, robótica e dispositivos de ponta com recursos computacionais limitados. A sua eficiência torna-o ideal para ser utilizado em cenários que exigem uma deteção rápida de objectos sem sacrificar a precisão. As aplicações incluem gestão de resíduos, conservação ambiental e soluções para automóveis.

Pontos fortes:

• Velocidade de inferência superior: Concebido para uma inferência mais rápida, especialmente na CPU.
• Precisão competitiva: Mantém uma elevada precisão, excedendo frequentemente YOLOv8 em modelos de menor dimensão.
• Arquitetura eficiente: Optimizada para ambientes com recursos limitados e implementação de ponta.
• Modelo Ultralytics mais recente: Beneficia dos mais recentes avanços e do apoio da Ultralytics.

Pontos fracos:

• Ganhos marginais de precisão em modelos maiores: Os modelos maiores YOLO11 apresentam apenas ligeiras melhorias de precisão em relação ao YOLOv8 , continuando a ser computacionalmente intensivos.
• Modelo mais recente: Por ser mais recente, pode ter uma comunidade mais pequena e menos integrações de terceiros em comparação com o YOLOv8.

Saber mais sobre YOLO11

Tabela de comparação de modelos

Conclusão

A escolha entre YOLOv8 e YOLO11 depende dos requisitos específicos da aplicação. YOLOv8 oferece uma solução robusta e versátil adequada a uma vasta gama de tarefas, equilibrando a precisão e a velocidade de forma eficaz. É um modelo maduro e bem suportado, ideal para as necessidades de deteção de objectos para fins gerais. YOLO11, por outro lado, foi concebido para otimização da velocidade, o que o torna uma escolha superior quando o tempo de inferência é crítico, especialmente em cenários de computação de ponta ou com CPU. Para aplicações que exigem o desempenho em tempo real mais rápido possível com precisão competitiva, YOLO11 é a opção preferida.

Os utilizadores interessados em explorar outros modelos também podem considerar:

• YOLOv5: Para um modelo bem estabelecido e amplamente utilizado com uma grande comunidade. Comparação entreYOLOv5 e YOLOv8 .
• YOLOv9: Para modelos centrados em melhorias de precisão e inovações arquitectónicas. Documentação do YOLOv9.
• FastSAM: Para tarefas de segmentação extremamente rápidas. DocumentaçãoFastSAM .

📅C riado há 1 ano ✏️ Atualizado há 1 mês

Comentários