YOLO11 и YOLOv8
Архитектуры обнаружения объектов продолжают развиваться. Выбирая модели для реального развертывания, разработчики часто сравнивают Ultralytics YOLO11 и ее широко используемую предшественницу — Ultralytics YOLOv8. Обе модели известны скоростью, точностью и удобством для разработчиков, но подходят для немного разных этапов жизненного цикла проекта и целевых показателей производительности.
В этом руководстве анализируются архитектуры, методики обучения и оптимальные сценарии использования, чтобы помочь тебе выбрать подходящую модель для проектов в области искусственного интеллекта.
Архитектурные инновации#
Переход от YOLOv8 к YOLO11 принес несколько архитектурных улучшений, которые повышают эффективность извлечения признаков и снижают вычислительные затраты.
Архитектура YOLO11#
YOLO11 ориентирована на эффективное использование параметров. Она заменяет блоки C2f блоками C3k2, улучшая обработку пространственных признаков без увеличения количества параметров. Кроме того, в базовую сеть YOLO11 добавлен модуль C2PSA (Cross-Stage Partial Spatial Attention). Этот механизм внимания помогает модели сосредоточиться на важных областях интереса, улучшая обнаружение небольших объектов и обработку сложных перекрытий.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2024-09-27
- GitHub: Репозиторий Ultralytics
- Документация: Документация YOLO11
Архитектура YOLOv8#
Выпущенная годом ранее YOLOv8 добавила в Ultralytics YOLO безанкерную голову обнаружения, устранив необходимость вручную настраивать анкерные рамки и упростив формулировку функции потерь. Ее архитектура основана на блоке C2f, который обеспечивает баланс глубины сети и распространения градиентов, благодаря чему модель надежно работает в широком спектре приложений компьютерного зрения.
- Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
- Организация: Ultralytics
- Дата: 2023-01-10
- GitHub: Репозиторий Ultralytics
- Документация: Документация YOLOv8
YOLOv8 заложила основу безанкорного обнаружения объектов в экосистеме Ultralytics, а YOLO11 усовершенствовала этот подход с помощью механизмов пространственного внимания, обеспечив более высокую точность при меньших вычислительных затратах.
Производительность и тесты#
При развертывании моделей на периферийных устройствах, таких как Raspberry Pi, или высокопроизводительных серверах с NVIDIA TensorRT важно понимать компромисс между скоростью и точностью. Таблица ниже показывает, что YOLO11 точнее YOLOv8 при любом размере модели.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (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 |
Анализ показателей#
YOLO11 обеспечивает более высокую среднюю точность (mAP), одновременно сокращая количество параметров и число операций с плавающей запятой (FLOPs). Например, модели YOLO11m требуется на 22% меньше параметров, чем YOLOv8m, при этом ее mAP на датасете COCO выше на 1,3 пункта. Кроме того, измерения скорости инференса на CPU после экспорта в формат ONNX показывают, что YOLO11 быстрее при любом размере модели (56,1 мс против 80,4 мс у nano-моделей), поэтому она хорошо подходит для развертывания без выделенного ускорения на GPU.
Преимущества экосистемы Ultralytics#
Независимо от того, выберешь ты YOLO11 или YOLOv8, обе модели получают преимущества от экосистемы Ultralytics, упрощающей жизненный цикл машинного обучения.
Простота использования и удобный API#
Python-пакет ultralytics предоставляет удобный API, с помощью которого инженеры и исследователи могут обучать, проверять и экспортировать модели всего за несколько строк кода. Он избавляет от типичных сложностей настройки сред глубокого обучения в PyTorch.
Эффективность обучения и требования к памяти#
В отличие от ресурсоёмких визуальных трансформеров (например, RT-DETR), модели Ultralytics YOLO известны низким потреблением памяти во время обучения. Благодаря такой эффективности разработчики могут обучать точные сети на потребительских GPU или в облачных средах, например Google Colab, не сталкиваясь с нехваткой памяти.
Универсальность для задач компьютерного зрения#
И YOLO11, и YOLOv8 — многозадачные модели. Помимо стандартного обнаружения объектов с помощью ограничивающих рамок, они изначально поддерживают сегментацию экземпляров, классификацию изображений, оценку позы человека и ориентированные ограничивающие рамки (OBB) для аэрофотоснимков.
Сценарии использования и рекомендации#
Выбор между YOLO11 и YOLOv8 зависит от требований твоего проекта, ограничений на развёртывание и предпочтений в отношении экосистемы.
Когда выбирать YOLO11#
YOLO11 — отличный выбор для следующих задач:
- Промышленное развертывание на периферийных устройствах: коммерческие приложения на устройствах вроде Raspberry Pi или NVIDIA Jetson, где особенно важны надёжность и активная поддержка.
- Приложения компьютерного зрения для решения нескольких задач: проекты, которым нужны обнаружение объектов, сегментация, классификация, оценка позы и OBB в рамках единого фреймворка.
- Быстрое прототипирование и развертывание: команды, которым нужно быстро пройти путь от сбора данных до промышленной эксплуатации с помощью удобного Python API Ultralytics.
Когда выбрать YOLOv8#
YOLOv8 подойдет для:
- Универсальное развёртывание для нескольких задач: проекты, которым нужна проверенная модель для обнаружения, сегментации, классификации, оценки позы и OBB в экосистеме Ultralytics.
- Уже работающие системы: существующие промышленные среды, построенные на архитектуре YOLOv8 и использующие стабильные, тщательно проверенные конвейеры развертывания.
- Широкая поддержка сообщества и экосистемы: приложения, которым помогают многочисленные руководства по YOLOv8, сторонние интеграции и активное сообщество.
Когда выбирать Ultralytics (YOLO26)#
Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:
- Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
- Среды только с CPU: Устройства без выделенного ускорения GPU, где инференс YOLO26 на CPU — до 43% быстрее (YOLO26n против YOLO11n), что даёт решающее преимущество.
- Обнаружение небольших объектов: сложные сценарии, например аэрофотосъемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность обнаружения небольших объектов.
Пример кода: начало работы#
Для обучения и развёртывания модели Ultralytics достаточно нескольких строк кода. В следующем примере показано, как загрузить предварительно обученную модель YOLO11, дообучить её на пользовательском наборе данных и экспортировать для развёртывания на периферийном устройстве с помощью Apple CoreML:
from ultralytics import YOLO
# Инициализируй малую модель YOLO11
model = YOLO("yolo11s.pt")
# Эффективно обучи модель с оптимизированными требованиями к памяти
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Оцени качество на валидационной выборке
metrics = model.val()
# Запусти инференс в реальном времени на тестовом изображении
predictions = model("https://ultralytics.com/images/bus.jpg")
# Экспортируй в CoreML для быстрого развертывания на мобильных устройствах
export_path = model.export(format="coreml")Благодаря стандартизированному API Ultralytics для обновления устаревшего конвейера с YOLOv8 до YOLO11 обычно достаточно изменить строку с весами с "yolov8n.pt" на "yolo11n.pt".
Взгляд в будущее: Edge AI с YOLO26#
YOLO11 — зрелая и функциональная архитектура, но разработчикам, начинающим новые проекты, рекомендуется модель Ultralytics YOLO26 (выпущена в январе 2026 года).
В YOLO26 добавлено несколько новых возможностей:
- Сквозная архитектура без NMS: Развивая идеи, проверенные в YOLOv10, YOLO26 предлагает дополнительную голову «один к одному» (
nms=False), которая пропускает постобработку с помощью подавления немаксимумов (NMS) и обеспечивает более низкую и предсказуемую задержку на разных устройствах. - До 43% быстрее инференс на CPU: После удаления ветви Distribution Focal Loss (DFL) YOLO26n работает на CPU до 43% быстрее YOLO11n, что подходит для периферийных вычислительных устройств без мощных GPU.
- Оптимизатор MuSGD: Вдохновлённая методами обучения больших языковых моделей (LLM), YOLO26 использует MuSGD — гибрид SGD и Muon, обеспечивающий стабильную и быструю сходимость при обучении.
- ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учётом малых объектов (STAL) улучшают распознавание небольших и перекрытых объектов, что важно для автономной робототехники и аналитики с дронов.
Независимо от того, полагаешься ли ты на проверенную надёжность YOLOv8, оптимизированную архитектуру YOLO11 или возможности нового поколения YOLO26, платформа Ultralytics предоставляет инструменты, которые помогут довести приложения компьютерного зрения на базе ИИ от концепции до промышленного внедрения. Интеграции Ultralytics связывают твои модели с корпоративными рабочими процессами и аналитическими панелями.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.