Começar

YOLOv8 vs YOLO11

A rápida evolução da visão computacional tem sido impulsionada por avanços contínuos em frameworks de detecção de objetos em tempo real. Para desenvolvedores e pesquisadores, escolher o modelo certo é fundamental para equilibrar precisão, velocidade e eficiência de recursos. Esta comparação técnica explora as diferenças entre dois modelos fundamentais do ecossistema Ultralytics: Ultralytics YOLOv8 e Ultralytics YOLO11.

Os dois modelos compartilham características marcantes das arquiteturas Ultralytics: facilidade de uso, um ecossistema com manutenção contínua e treinamento eficiente com poucos requisitos de memória. As seções a seguir abordam seus designs arquitetônicos, métricas de desempenho e cenários ideais de implantação.

Visão geral dos modelos#

Antes de comparar os méritos técnicos específicos, vale a pena conhecer a origem e as especificações principais dos dois modelos.

Ultralytics YOLOv8#

Lançado no início de 2023, YOLOv8 introduziu a detecção sem âncoras e melhorias significativas nas funções de perda, sendo rapidamente adotado em muitas tarefas de visão.

Ultralytics YOLO11#

Com base em seus antecessores, YOLO11 aprimorou a arquitetura central para melhorar o equilíbrio entre precisão e latência, reduzindo o número de parâmetros e aumentando a precisão.

Outras arquiteturas

Se você está explorando abordagens alternativas, a Ultralytics também oferece suporte a modelos baseados em Transformer, como o RT-DETR, e a detectores de vocabulário aberto zero-shot, como o YOLO-World. No entanto, para obter latência e eficiência de memória ideais, as arquiteturas YOLO padrão costumam continuar sendo a opção preferida.

Diferenças arquitetônicas e metodológicas#

A transição do YOLOv8 para o YOLO11 representa uma evolução cuidadosa no design da rede neural, e não uma reformulação completa, garantindo a estabilidade do ecossistema bem mantido em torno dos modelos.

Otimizações do backbone e do neck#

YOLOv8 introduziu uma arquitetura CNN simplificada que se afastou das caixas-âncora tradicionais, tratando a detecção de objetos exclusivamente como um problema de previsão do ponto central. Essa abordagem sem âncoras reduziu significativamente a complexidade da regressão das caixas delimitadoras. YOLO11 partiu dessa base e introduziu uma rede de pirâmide de características (FPN) otimizada, além de modificar os blocos C2f para módulos C3k2. Essa mudança permite que YOLO11 extraia características espaciais mais ricas, resultando em maior precisão em objetos menores, normalmente encontrados no conjunto de dados COCO.

Requisitos de memória e eficiência de treinamento#

Uma das vantagens mais notáveis de YOLOv8 e YOLO11 são seus baixos requisitos de memória durante o treinamento. Ao contrário dos Transformers de visão pesados, que podem esgotar facilmente a VRAM em hardware para consumidores, esses modelos são otimizados para treinamento acessível com PyTorch em GPUs convencionais. YOLO11 reduz substancialmente o total de parâmetros — em até 42% na variante grande (L), em comparação com YOLOv8 — e, ao mesmo tempo, aumenta sua precisão média (mAP). Isso significa épocas mais rápidas e uma pegada de carbono menor no treinamento do modelo.

Métricas de desempenho#

As métricas objetivas mostram o equilíbrio de desempenho desses modelos. A tabela a seguir compara YOLOv8 e YOLO11 nas variantes de escala padrão (de nano a extra grande).

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Como mostra a tabela, YOLO11 supera YOLOv8 consistentemente em precisão, usando menos parâmetros e FLOPs. A velocidade de inferência na CPU, medida com ONNX Runtime, destaca a eficiência do YOLO11 para implantações de borda. Quando exportadas para NVIDIA TensorRT, as duas famílias de modelos ficam abaixo de 15 ms por imagem em uma GPU T4, o que é adequado para análise de transmissões de vídeo em cenários reais.

Ecossistema e facilidade de uso#

Os dois modelos usam o mesmo pacote Python ultralytics, então os engenheiros podem alternar entre YOLOv8 e YOLO11 alterando o arquivo de pesos. É possível treinar, validar e exportar com apenas algumas linhas de código.

from ultralytics import YOLO

# Carrega um modelo YOLO11 pré-treinado (você pode simplesmente trocar para "yolov8n.pt")
model = YOLO("yolo11n.pt")

# Treina o modelo com eficiência em um conjunto de dados local
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Exporta o modelo otimizado para ONNX
model.export(format="onnx")

A Ultralytics Platform amplia esse fluxo de trabalho com treinamento na nuvem, monitoramento de modelos e implantação, sem exigir conhecimentos avançados de DevOps.

Versatilidade e aplicações reais#

Um dos principais pontos fortes do framework Ultralytics é sua versatilidade. Tanto YOLOv8 quanto YOLO11 oferecem suporte a uma ampla variedade de tarefas de visão computacional além da detecção de objetos padrão:

YOLOv8 está disponível há mais tempo e conta com muitos tutoriais da comunidade e implantações empresariais testadas. Se você está integrando pipelines legados que exigem formatos de tensores específicos do YOLOv8, ele continua sendo uma opção confiável. Para novos projetos que priorizam a eficiência, como implantações em dispositivos de borda embarcados, por exemplo, um Raspberry Pi, YOLO11 é a melhor opção graças à maior precisão com menos parâmetros e menor latência na CPU.

Casos de uso e recomendações#

A escolha entre YOLOv8 e YOLO11 depende dos requisitos específicos do seu projeto, das restrições de implantação e das suas preferências de ecossistema.

Quando escolher o YOLOv8#

O YOLOv8 é uma ótima opção para:

  • Implantação versátil para várias tarefas: Projetos que precisam de um modelo comprovado para detecção, segmentação, classificação e estimativa de pose 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 YOLO11#

O YOLO11 é recomendado para:

  • Implantação de borda em produção: Aplicações comerciais em dispositivos como Raspberry Pi ou NVIDIA Jetson, para os quais confiabilidade e manutenção ativa são essenciais.
  • Aplicações visuais multitarefa: Projetos que exigem detecção, segmentação, 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 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 de supressão não máxima (NMS).
  • 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.
  • Detecção de objetos pequenos: cenários desafiadores, como imagens aéreas capturadas por drones ou análise de sensores IoT, em que ProgLoss e STAL melhoram a precisão em objetos minúsculos.

As vantagens do YOLO26#

YOLOv8 e YOLO11 são arquiteturas sólidas, mas, para novos projetos em 2026, o próximo passo recomendado é Ultralytics YOLO26.

O YOLO26 simplifica o pipeline de implantação. Ele apresenta um design ponta a ponta sem NMS, uma abordagem introduzida nos modelos YOLO pelo YOLOv10 que elimina o pós-processamento com NMS (com nms=False). A remoção de DFL (perda focal de distribuição) simplifica a lógica de exportação e melhora a compatibilidade com dispositivos de borda de baixo consumo, e o YOLO26n oferece inferência na CPU até 43% mais rápida que o YOLO11n.

A estabilidade do treinamento e a velocidade de convergência melhoram com o Otimizador MuSGD, uma combinação de SGD e Muon inspirada em técnicas de treinamento de LLMs. ProgLoss + STAL (Perda Progressiva e Atribuição de Rótulos Consciente de Alvos Pequenos) melhoram a detecção de objetos pequenos, um desafio de longa data para IoT e robótica. As melhorias específicas para cada tarefa incluem RLE para estimativa de pose e um módulo proto multiescala para segmentação.

Escolha do modelo certo

Escolha YOLOv8 se você depende de seus amplos recursos da comunidade e de implantações existentes. Escolha YOLO11 para obter um equilíbrio aprimorado entre velocidade e quantidade de parâmetros. Escolha YOLO26, o modelo recomendado atualmente, para inferência sem NMS otimizada para borda.

Conclusão#

A escolha entre YOLOv8 e YOLO11 depende, em última análise, do cronograma do seu projeto e das limitações do seu hardware. YOLOv8 é testado em produção e estável. YOLO11 aprimora essa arquitetura, oferecendo maior mAP com menos parâmetros, o que o torna atraente para aplicações de borda com recursos limitados. Em qualquer caso, a API Python compartilhada da Ultralytics mantém seu fluxo de desenvolvimento consistente e bem-sustentado; YOLO26 também está disponível quando você precisa do melhor desempenho em dispositivos de borda.

Colaboradores

Comentários1

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

  1. naps22GitHub(editado)

    A very informative breakdown! The YOLOv8 vs YOLO11 comparison highlights how far real-time object detection has come. YOLOv11 seems to push the boundaries in terms of speed and accuracy, but the YOLOv8 comparison still shows it holding its ground with impressive stability and ease of deployment. Excited to see how the gap narrows with future updates.