YOLO11 против YOLOv8#
Область компьютерного зрения продемонстрировала выдающиеся успехи благодаря постоянному развитию архитектур детектирования объектов. При оценке моделей для реального развертывания разработчики часто сравнивают сильные стороны Ultralytics YOLO11 и его крайне успешного предшественника — Ultralytics YOLOv8. Обе модели установили отраслевые стандарты скорости, точности и удобства для разработчиков, но они ориентированы на немного разные жизненные циклы проектов и пороги производительности.
Это руководство содержит подробный анализ их архитектур, методологий обучения и идеальных сценариев использования, чтобы помочь тебе выбрать лучшее решение для твоих инициатив в области искусственного интеллекта.
Архитектурные инновации#
Переход от YOLOv8 к YOLO11 привнес несколько ключевых архитектурных усовершенствований, направленных на максимальное повышение эффективности извлечения признаков при минимизации вычислительных затрат.
Архитектура YOLO11#
YOLO11 представляет собой значительный шаг вперед в оптимизации использования параметров. Она заменяет традиционные модули C2f на современные блоки C3k2, которые улучшают обработку пространственных признаков без увеличения количества параметров. Кроме того, YOLO11 включает модуль C2PSA (Cross-Stage Partial Spatial Attention) в свою базовую сеть. Этот механизм внимания позволяет модели концентрироваться на критических областях интереса, существенно улучшая детектирование мелких 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 на год раньше, YOLOv8 стала первопроходцем в переходе на детектирующую головку без якорных боксов (anchor-free), что избавило от необходимости вручную настраивать якорные рамки и упростило формирование функции потерь. Ее архитектура во многом опирается на блок C2f — дизайн, который успешно сбалансировал глубину сети и поток градиентов, сделав модель невероятно надежной для широкого спектра приложений компьютерного зрения.
- Авторы: Гленн Джочер, Аюш Чаурасия и Цзин Цю
- Организация: Ultralytics
- Дата: 2023-01-10
- GitHub: Репозиторий Ultralytics
- Документация: Документация YOLOv8
В то время как YOLOv8 заложила основу для детектирования без анкоров в экосистеме Ultralytics, YOLO11 усовершенствовала этот подход с помощью механизмов пространственного внимания, достигнув более высокой точности при меньших вычислительных ресурсах.
Производительность и бенчмарки#
При развертывании моделей на периферийных устройствах, таких как Raspberry Pi, или на высокопроизводительных серверах под управлением NVIDIA TensorRT, понимание баланса между скоростью и точностью имеет первостепенное значение. Приведенная ниже таблица иллюстрирует, как YOLO11 стабильно превосходит YOLOv8 во всех вариантах размеров.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (М) | FLOPs (Б) |
|---|---|---|---|---|---|---|
| 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 |
Анализ метрик#
YOLO11 достигает заметно более высокого среднего значения точности (mAP), одновременно снижая как количество параметров, так и число операций с плавающей запятой (FLOPs). Например, модель YOLO11m требует на 22% меньше параметров, чем YOLOv8m, но обеспечивает на 1,3% более высокий показатель mAP на датасете COCO. Более того, скорость инференса на CPU при экспорте в формат ONNX показывает, что YOLO11 работает существенно быстрее, что делает ее отличным кандидатом для развертываний без выделенного ускорения на GPU.
Преимущества экосистемы Ultralytics#
Независимо от того, выберешь ты YOLO11 или YOLOv8, обе модели выигрывают от комплексной экосистемы Ultralytics, которая значительно упрощает жизненный цикл машинного обучения.
Простота использования и простой API#
Пакет ultralytics для Python предоставляет удобный API, который позволяет инженерам и исследователям обучать, валидировать и экспортировать модели с помощью всего нескольких строк кода. Это избавляет от типичных сложностей, связанных с настройкой сред глубокого обучения в PyTorch.
Эффективность обучения и требования к памяти#
В отличие от тяжелых Vision Transformers (таких как RT-DETR), модели Ultralytics YOLO известны своим низким потреблением памяти во время обучения. Такая эффективность использования памяти позволяет разработчикам обучать современные сети на потребительских GPU или в облачных средах, таких как Google Colab, не сталкиваясь с ошибками нехватки памяти.
Универсальность в задачах компьютерного зрения#
И YOLO11, и YOLOv8 являются универсальными мультизадачными моделями. Помимо стандартного детектирования объектов с помощью ограничивающих рамок, они нативно 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 твоих конкретных требований к проекту, ограничений развертывания и предпочтений в экосистеме.
Когда выбирать YOLO11#
YOLO11 — отличный выбор для:
- Развертывание на периферийных устройствах для продакшена: Коммерческие приложения на таких устройствах, как Raspberry Pi или NVIDIA Jetson, где надежность и активное обслуживание имеют первостепенное значение.
- Многозадачные приложения компьютерного зрения: Проекты, требующие обнаружения, сегментации, оценки позы и OBB в рамках единого универсального фреймворка.
- Быстрое прототипирование и развертывание: Команды, которым необходимо быстро перейти от сбора данных к продакшену с помощью удобного Ultralytics Python API.
Когда выбирать YOLOv8#
YOLOv8 рекомендуется для:
- Универсальное многозадачное развертывание: Проекты, требующие проверенной модели для обнаружения, сегментации, классификации и оценки позы в экосистеме Ultralytics.
- Устоявшихся производственных систем: существующих производственных сред, уже построенных на архитектуре YOLOv8 со стабильными и хорошо протестированными пайплайнами развертывания.
- Широкой поддержки сообщества и экосистемы: приложений, которым нужны обширные руководства по YOLOv8, сторонние интеграции и активные ресурсы сообщества.
Когда выбирать Ultralytics (YOLO26)#
Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчика:
- Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
- Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
- Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.
Пример кода: с чего начать#
Развертывание и обучение модели Ultralytics невероятно интуитивно понятны. Следующий пример демонстрирует, как загрузить предобученную модель YOLO11, дообучить ее на собственном наборе данных и экспортировать для периферийного развертывания с помощью Apple CoreML:
from ultralytics import YOLO
# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model efficiently with optimized memory requirements
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Evaluate the validation performance
metrics = model.val()
# Run real-time inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export to CoreML for fast mobile deployment
export_path = model.export(format="coreml")Поскольку API Ultralytics стандартизирован, обновление устаревшего конвейера с YOLOv8 до YOLO11 обычно требует лишь изменения строки с весами с "yolov8n.pt" на "yolo11n.pt".
Взгляд в будущее: вершина граничного ИИ с YOLO26#
Хотя YOLO11 представляет собой зрелую и высокопроизводительную архитектуру, стремительный темп инноваций в ИИ не замедляется. Для разработчиков, начинающих новые проекты и нуждающихся в абсолютном пределе производительности, Ultralytics YOLO26 (выпущенная в январе 2026 года) является главным рекомендованным выбором.
YOLO26 раздвигает границы компьютерного зрения с помощью нескольких революционных функций:
- Конструкция без NMS (End-to-End): Опираясь на концепции, исследованные в YOLOv10, YOLO26 нативно исключает постобработку Non-Maximum Suppression (NMS), что обеспечивает более низкую и прогнозируемую задержку на любом оборудовании для развертывания.
- Ускорение инференса на CPU до 43%: За счет полного удаления ветки Distribution Focal Loss (DFL) YOLO26 специально оптимизирована для периферийных вычислительных устройств, не имеющих мощных GPU.
- Оптимизатор MuSGD: Вдохновленный методами обучения больших языковых моделей (LLM), YOLO26 использует гибридный оптимизатор MuSGD, обеспечивающий удивительно стабильную и быструю сходимость обучения.
- ProgLoss + STAL: Эти продвинутые функции потерь дают заметные улучшения в распознавании крошечных и сильно перекрытых объектов, что необходимо для автономной робототехники и аналитики на основе дронов.
Независимо от того, полагаешься ли ты на проверенную надежность YOLOv8, оптимизированную архитектуру YOLO11 или возможности нового поколения YOLO26, платформа Ultralytics гарантирует наличие инструментов, необходимых для беспрепятственного перевода твоих приложений компьютерного зрения от концепции к продакшену. Обязательно изучи обширные интеграции, доступные для подключения твоих моделей к корпоративным рабочим процессам и аналитическим панелям.