Перейти к содержанию

YOLO11 против YOLOv8: Подробное сравнение

При выборе модели компьютерного зрения, особенно для обнаружения объектов, важно понимать сильные и слабые стороны различных архитектур. На этой странице представлено подробное техническое сравнение Ultralytics YOLO11 и Ultralytics YOLOv8, двух современных моделей, предназначенных для обнаружения объектов и других задач компьютерного зрения. Мы проанализируем их архитектурные нюансы, эталонные показатели производительности и подходящие приложения, чтобы помочь вам принять обоснованное решение для вашего следующего AI проекта.

Ultralytics YOLO11

Авторы: Гленн Джокер, Цзин Цю
Организация: Ultralytics
Дата: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
Документация: https://docs.ultralytics.com/models/yolo11/

Ultralytics YOLO11 представляет собой новейшую эволюцию в серии YOLO, разработанную для повышения точности и эффективности. Основываясь на прочном фундаменте предыдущих моделей YOLO, YOLO11 представляет архитектурные усовершенствования, направленные на улучшение точности обнаружения при сохранении исключительной производительности в реальном времени. Это очень универсальная модель, поддерживающая широкий спектр задач, включая сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

Архитектура и ключевые особенности

YOLO11 включает в себя достижения в структуре сети для оптимизации извлечения и обработки признаков. Он достигает более высокой точности с меньшим количеством параметров и FLOPs по сравнению со своими предшественниками, такими как YOLOv8, как показано в таблице производительности ниже. Эта эффективность приводит к более высокой скорости инференса и снижению вычислительных требований, что делает его пригодным для развертывания на различных платформах, от периферийных устройств до мощной облачной инфраструктуры. Ключевым преимуществом YOLO11 является его полная интеграция в хорошо поддерживаемую экосистему Ultralytics, которая обеспечивает эффективные процессы обучения, легкодоступные предварительно обученные веса и меньшее использование памяти по сравнению со многими другими типами моделей.

Сильные стороны

  • Превосходная точность: Достигает самых современных показателей mAP, постоянно превосходя YOLOv8 при аналогичных размерах моделей.
  • Высокоэффективный инференс: Обеспечивает значительно более высокую скорость обработки, особенно на CPU, что критически важно для приложений реального времени в средах с ограниченными ресурсами.
  • Универсальность в многозадачности: Единая унифицированная платформа поддерживает несколько задач компьютерного зрения, упрощая процессы разработки.
  • Оптимизированный и масштабируемый: Хорошо работает на различном оборудовании, эффективно используя память и имея меньшую вычислительную нагрузку.
  • Простота использования: Преимущества упрощенного API Ultralytics, обширной документации и активной поддержки сообщества на GitHub и в Discord.

Слабые стороны

  • Как более новая модель, она может изначально иметь меньше интеграций со сторонними инструментами по сравнению с более устоявшейся YOLOv8.
  • Самые большие модели (например, YOLO11x) по-прежнему требуют значительных вычислительных ресурсов, что является общей чертой детекторов высокой точности.

Случаи использования

Исключительный баланс точности и эффективности YOLO11 делает ее идеальным выбором для приложений, требующих точного и быстрого обнаружения объектов, таких как:

  • Робототехника: Обеспечение навигации и взаимодействия с объектами в динамических средах для автономных систем.
  • Системы безопасности: Улучшение передовых систем безопасности для обнаружения вторжений и мониторинга в реальном времени.
  • Розничная аналитика: Улучшение управления запасами и анализа поведения клиентов для использования ИИ в розничной торговле.
  • Промышленная автоматизация: Поддержка контроля качества и обнаружения дефектов в производстве.

Узнайте больше о YOLO11

Ultralytics YOLOv8

Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
Организация: Ultralytics
Дата: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
Документация: https://docs.ultralytics.com/models/yolov8/

Ultralytics YOLOv8 установила новый стандарт для обнаружения объектов в реальном времени после своего выпуска, быстро став одной из самых популярных моделей компьютерного зрения в мире. Она представила ключевые архитектурные изменения, такие как голова обнаружения без якорей и модуль магистральной сети C2f, которые обеспечили значительный скачок в производительности по сравнению с предыдущими версиями. Как и YOLO11, YOLOv8 — это универсальная многозадачная модель, которая была тщательно проверена в бесчисленных реальных приложениях.

Архитектура и ключевые особенности

В основе конструкции YOLOv8 лежит баланс между скоростью и точностью. Отсутствие anchor-ов уменьшает количество предсказаний bounding box-ов, упрощая конвейер постобработки и повышая скорость вывода. Модель обладает высокой масштабируемостью, с вариантами от легкой версии 'n' (nano) для мобильных и периферийных вычислений до мощной версии 'x' (extra-large) для максимальной точности. YOLOv8 полностью интегрирована в экосистему Ultralytics, используя простой API, подробные руководства и такие инструменты, как Ultralytics HUB для обучения и развертывания без программирования.

Сильные стороны

  • Проверенная производительность: Высоконадежная и широко используемая модель, обеспечивающая отличные результаты во всех поддерживаемых задачах.
  • Превосходный компромисс между скоростью и точностью: Обеспечивает фантастический баланс, что делает его отличным выбором для широкого спектра приложений.
  • Развитая экосистема: Преимуществами являются обширная поддержка сообщества, учебные пособия и интеграции со сторонними разработчиками, созданные с момента ее выпуска.
  • Универсальность: Поддерживает тот же широкий спектр задач компьютерного зрения, что и YOLO11, что делает его мощным универсальным решением.

Слабые стороны

  • Хотя она по-прежнему является одним из лидеров, ее обычно превосходит YOLO11 как по точности, так и по скорости логического вывода на CPU для всех размеров моделей.
  • Более крупные модели имеют большее количество параметров и FLOPs по сравнению со своими аналогами YOLO11, что приводит к более высоким вычислительным требованиям.

Случаи использования

YOLOv8 остается мощной и весьма актуальной моделью, превосходно проявляющей себя в приложениях, где она широко развернута и протестирована:

Узнайте больше о YOLOv8

Прямое сравнение производительности: YOLO11 против YOLOv8

Основное различие между YOLO11 и YOLOv8 заключается в их метриках производительности. YOLO11 стабильно обеспечивает более высокую точность (mAP) с более эффективной архитектурой, что приводит к меньшему количеству параметров и FLOPs. Эта архитектурная оптимизация особенно заметна в скорости инференса на CPU, где модели YOLO11 значительно быстрее, чем их эквиваленты YOLOv8. В то время как YOLOv8n имеет небольшое преимущество в задержке GPU, модели YOLO11 от 's' до 'x' также быстрее на GPU, что делает YOLO11 лучшим выбором для большинства новых проектов.

Модель размер
(пиксели)
mAPval
50-95
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 21.5
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
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

Архитектурная Эволюция и Экосистема

YOLO11 является прямым развитием YOLOv8, опираясь на его успешные принципы проектирования и внедряя целевые оптимизации. Обе модели разделяют одну и ту же основную философию: быть быстрыми, точными и простыми в использовании. Они разрабатываются и поддерживаются в рамках унифицированного репозитория Ultralytics, обеспечивая единообразный и оптимизированный пользовательский интерфейс.

Эта общая экосистема является большим преимуществом для разработчиков. Перенос проекта с YOLOv8 на YOLO11 не представляет сложности, что позволяет командам использовать преимущества более новой модели с минимальными изменениями в коде. Экосистема предоставляет:

  • Простой и последовательный API для обучения, валидации и прогнозирования.
  • Обширная документация с многочисленными руководствами и примерами.
  • Эффективные процессы обучения с готовыми предварительно обученными весами на наборах данных, таких как COCO.
  • Более низкие требования к памяти во время обучения и инференса по сравнению с другими типами моделей, такими как Transformers.
  • Активное сообщество с открытым исходным кодом для поддержки и сотрудничества.

Заключение: какую модель вам следует выбрать?

Для новых проектов или проектов, требующих максимально возможной производительности, YOLO11 — очевидный выбор. Он предлагает превосходную точность и более высокую скорость логического вывода, особенно на CPU, с более эффективной архитектурой. Его усовершенствования делают его новым современным решением для обнаружения объектов в реальном времени.

YOLOv8 остается превосходной и очень надежной моделью. Это отличный вариант для существующих проектов, которые уже оптимизированы для ее архитектуры, или в сценариях, где ее обширный послужной список и большое количество сторонних интеграций являются ключевым фактором.

В конечном счете, обе модели представляют собой вершину обнаружения объектов в реальном времени, и выбор зависит от конкретных потребностей вашего проекта. Однако, благодаря своим явным преимуществам в производительности и бесшовной интеграции в экосистему Ultralytics, YOLO11 готова стать новым стандартом для разработчиков и исследователей.

Изучите другие модели

Хотя YOLO11 и YOLOv8 являются лидерами, область компьютерного зрения постоянно развивается. Вам также может быть интересно сравнить их с другими мощными моделями, доступными в экосистеме Ultralytics, такими как YOLOv10, YOLOv9 и RT-DETR на основе трансформеров. Изучите наш полный спектр сравнений моделей, чтобы найти идеальный вариант для вашего проекта.



📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии