YOLOv8 vs YOLO11: Evolução da deteção de objectos em tempo real

A escolha da arquitetura de visão por computador correta é uma decisão crítica que tem impacto na velocidade, precisão e escalabilidade dos seus projectos de IA. Este guia fornece uma comparação técnica aprofundada entre Ultralytics YOLOv8um padrão da indústria amplamente adotado, lançado em 2023, e o Ultralytics YOLO11a mais recente evolução da série YOLO , concebida para uma eficiência e desempenho superiores. Analisaremos as suas diferenças arquitectónicas, as métricas de referência e os casos de utilização ideais para o ajudar a selecionar o melhor modelo para as suas necessidades.

Ultralytics YOLOv8

Autores: Glenn Jocher, Ayush Chaurasia e Jing Qiu
Organização:Ultralytics
Data: 2023-01-10
GitHubultralytics
Docsyolov8

Lançado no início de 2023, YOLOv8 constituiu um marco significativo na história da deteção de objectos. Introduziu uma estrutura unificada que suporta várias tarefas de visão computacional - incluindo deteção, segmentação de instâncias, estimativa de pose e classificação de imagens - numúnico repositório. YOLOv8 passou de uma deteção baseada em âncoras para uma abordagem sem âncoras, o que simplifica o design e melhora a generalização entre diferentes formas de objectos.

Arquitetura e Principais Características

YOLOv8 substituiu os módulos C3 presentes no YOLOv5 pelo módulo C2f (Cross-Stage Partial bottleneck with two convolutions). Esta alteração melhorou o fluxo de gradiente e a integração de caraterísticas, mantendo uma pegada leve. A arquitetura também apresenta uma cabeça desacoplada, separando as tarefas de objetividade, classificação e regressão para aumentar a precisão.

Forças e Fraquezas

• Forças:
  • Ecossistema maduro: Apoiado por uma vasta gama de tutoriais da comunidade, integrações e guias de implantação.
  • Versatilidade: Suporta nativamente OBB (Oriented Bounding Box) e classificação juntamente com a deteção padrão.
  • Estabilidade comprovada: Uma escolha segura para ambientes de produção que requerem um modelo com um longo track .
• Fraquezas:
  • Eficiência de velocidade: Embora rápido, é superado pelo YOLO11 em termos de velocidade de inferência CPU e eficiência de parâmetros.
  • Requisitos de computação: As variantes maiores (L, X) exigem mais VRAM e FLOPs em comparação com os equivalentes YOLO11 optimizados.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)

Saiba mais sobre o YOLOv8.

Ultralytics YOLO11

Autores: Glenn Jocher e Jing Qiu
Organização:Ultralytics
Data: 2024-09-27
GitHubultralytics
Docsyolo11

YOLO11 representa a vanguarda da família de modelos Ultralytics . Concebido para redefinir a inferência em tempo real, baseia-se nos sucessos do YOLOv8 , mas introduz refinamentos arquitectónicos substanciais. YOLO11 concentra-se em maximizar a precisão e minimizar o custo computacional, tornando-o a principal escolha para aplicações modernas de IA, desde dispositivos de ponta até servidores em nuvem.

Arquitetura e Principais Características

YOLO11 introduz o bloco C3k2 e o módulo C2PSA (Cross-Stage Partial with Spatial Attention). Estes componentes melhoram a capacidade do modelo para extrair caraterísticas complexas e lidar com a oclusão de forma mais eficaz do que nas iterações anteriores. A arquitetura é otimizada para velocidade, proporcionando tempos de processamento significativamente mais rápidos em CPUs - um fator crítico para implantações de IA de borda onde os recursos GPU podem não estar disponíveis.

O modelo mantém a interface unificada caraterística do Ultralytics, garantindo que os programadores possam alternar entre tarefas como OBB ou segmentação sem alterar o seu fluxo de trabalho.

Forças e Fraquezas

• Forças:
  • Eficiência superior: Atinge maior mAP com até 22% menos parâmetros do que YOLOv8, reduzindo o tamanho do modelo e as necessidades de armazenamento.
  • Inferência mais rápida: Optimizado especificamente para hardware moderno, oferecendo velocidades mais rápidas em backends CPU e GPU .
  • Extração de caraterísticas melhorada: A nova espinha dorsal melhora a deteção de pequenos objectos e o desempenho em cenas desordenadas.
  • Menor uso de memória: Requer menos memória CUDA durante o treinamento em comparação com modelos baseados em transformadores como RT-DETRpermitindo o treinamento em hardware mais acessível.
• Fraquezas:
  • Versão mais recente: Sendo um modelo recente, as ferramentas específicas de terceiros podem demorar algum tempo a atualizar totalmente o suporte, embora o ecossistema principal Ultralytics o suporte desde o primeiro dia.

from ultralytics import YOLO

# Load the latest YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

Saiba mais sobre o YOLO11.

Comparação Direta de Desempenho

A comparação abaixo destaca os ganhos de eficiência do YOLO11. Embora YOLOv8 continue a ser um concorrente poderoso, YOLO11 fornece consistentemente uma maior precisãomAP) com uma complexidade computacional reduzida (FLOPs) e velocidades de inferência mais rápidas. Isso é particularmente percetível nos modelos "Nano" e "Small", onde o YOLO11n atinge um mAP de 39,5 em comparação com os 37,3 do YOLOv8n, tudo isso enquanto funciona significativamente mais rápido na CPU.

Ecossistema e facilidade de utilização

Ambos os modelos beneficiam do robusto ecossistemaUltralytics , que foi concebido para democratizar a IA, tornando a tecnologia de ponta acessível a todos.

• API unificada: Alternar entre YOLOv8 e YOLO11 é tão simples como alterar a cadeia de modelos de yolov8n.pt para yolo11n.pt. Não é necessário refactorizar o código.
• Eficiência de treinamento: Ultralytics fornece conjuntos de dados de descarregamento automático e pesos pré-treinados, simplificando o pipeline desde a recolha de dados até ao treino do modelo.
• Versatilidade de implantação: Ambos os modelos suportam a exportação com um clique para formatos como ONNX, TensorRT, CoreML e TFLite, facilitando a implantação em diversos hardwares, incluindo Raspberry Pis, telefones celulares e instâncias de nuvem.
• Bem mantido: Atualizações frequentes garantem a compatibilidade com as versões mais recentes do PyTorch e CUDA, com o apoio de uma comunidade ativa no Discord e no GitHub.

Conclusão e Recomendações

Enquanto YOLOv8 continua a ser um modelo fiável e altamente capaz, adequado para a manutenção de sistemas antigos, YOLO11 é a recomendação clara para todos os novos desenvolvimentos.

• Escolha YOLO11 se: Necessita da maior precisão possível, de velocidades de inferência mais rápidas (especialmente na CPU), ou está a implementar em dispositivos de periferia com recursos limitados, onde a memória e o armazenamento são de primeira qualidade. As suas melhorias arquitectónicas proporcionam uma base à prova de futuro para aplicações comerciais.
• Escolha YOLOv8 se: Tem um pipeline existente fortemente ajustado para comportamentos específicos da v8 ou está limitado por requisitos de projeto rigorosos que impedem a atualização para a arquitetura mais recente.

Para os interessados em explorar outras arquitecturas, os documentos Ultralytics também abrangem modelos como YOLOv9, YOLOv10e RT-DETR. Pode ver comparações mais alargadas na nossa página de comparação de modelos.

Comentários