Link to this sectionYOLO11 против YOLOv8#

Область компьютерного зрения стала свидетелем значительных достижений благодаря непрерывной эволюции архитектур обнаружения объектов. При оценке моделей для реального развертывания разработчики часто сравнивают сильные стороны Ultralytics YOLO11 и его чрезвычайно 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 требования к производительности.

Это руководство содержит углубленный анализ их архитектур, методологий обучения и идеальных вариантов использования, чтобы помочь тебе выбрать лучшее решение для твоих инициатив в области искусственного интеллекта.

Link to this sectionАрхитектурные инновации#

Переход от YOLOv8 к YOLO11 привнес несколько ключевых архитектурных усовершенствований, направленных на максимальное повышение эффективности извлечения признаков при минимизации вычислительных затрат.

Link to this sectionАрхитектура YOLO11#

YOLO11 представляет собой значительный скачок вперед в оптимизации использования параметров. Она заменяет традиционные модули C2f продвинутыми блоками C3k2, которые улучшают обработку пространственных признаков, не увеличивая количество параметров. Кроме того, YOLO11 внедряет модуль C2PSA (Cross-Stage Partial Spatial Attention) в свою архитектуру (backbone). Этот механизм внимания позволяет модели фокусироваться на критических областях интереса, значительно улучшая обнаружение мелких объектов и работу со сложными перекрытиями.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: репозиторий Ultralytics
• Документация: YOLO11 Docs

Узнай больше о YOLO11

Link to this sectionАрхитектура YOLOv8#

Выпущенная годом ранее, YOLOv8 стала первопроходцем в переходе к детектирующей головке без привязки к анкорам (anchor-free), что исключило необходимость вручную настраивать anchor boxes и упростило формулировку функции потерь. Её архитектура во многом опирается на блок C2f — дизайн, который успешно сбалансировал глубину сети и градиентный поток, сделав её невероятно надежной в широком спектре приложений компьютерного зрения.

• Авторы: Гленн Джочер, Аюш Чаурасия и Цзин Цю
• Организация: Ultralytics
• Дата: 2023-01-10
• GitHub: репозиторий Ultralytics
• Документация: YOLOv8 Docs

Узнай больше о YOLOv8

Link to this sectionПроизводительность и бенчмарки#

При развертывании моделей на граничных устройствах (edge devices), таких как Raspberry Pi, или на высокопроизводительных серверах под управлением NVIDIA TensorRT, понимание компромисса между скоростью и точностью имеет первостепенное значение. Приведенная ниже таблица иллюстрирует, как YOLO11 стабильно превосходит YOLOv8 во всех вариантах размера.

Link to this sectionАнализ метрик#

YOLO11 достигает заметно более высокого показателя Mean Average Precision (mAP), одновременно сокращая количество параметров и количество операций с плавающей запятой (FLOPs). Например, модели YOLO11m требуется на 22% меньше параметров, чем YOLOv8m, но она обеспечивает на 1,3% более высокий mAP на наборе данных COCO. Кроме того, скорость вывода на CPU при экспорте в формат ONNX показывает, что YOLO11 значительно быстрее, что делает её отличным кандидатом для развертываний, где отсутствует выделенное GPU-ускорение.

Link to this sectionПреимущества экосистемы Ultralytics#

Независимо от того, выберешь ты YOLO11 или YOLOv8, обе модели выигрывают от комплексной экосистемы Ultralytics, которая значительно упрощает жизненный цикл машинного обучения.

Link to this sectionПростота использования и простой API#

Python-пакет ultralytics предоставляет оптимизированный API, который позволяет инженерам и исследователям обучать, проверять и экспортировать модели всего за несколько строк кода. Это позволяет абстрагироваться от типичных сложностей, связанных с настройкой сред глубокого обучения в PyTorch.

Link to this sectionЭффективность обучения и требования к памяти#

В отличие от тяжелых Vision Transformers (таких как RT-DETR), модели Ultralytics YOLO славятся низким потреблением памяти во время обучения. Эта эффективность использования памяти позволяет разработчикам обучать современные нейронные сети на потребительских GPU или в облачных средах, таких как Google Colab, не сталкиваясь с ошибками нехватки памяти (out-of-memory).

Link to this sectionУниверсальность в задачах компьютерного зрения#

И YOLO11, и YOLOv8 являются настоящими многозадачными моделями. Помимо стандартного обнаружения объектов с использованием ограничивающих рамок, они нативно поддерживают сегментацию экземпляров, классификацию изображений, оценку позы человека и ориентированные ограничивающие рамки (OBB) для аэрофотосъемки.

Link to this sectionСценарии использования и рекомендации#

Выбор между YOLO11 и YOLOv8 зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в экосистеме.

Link to this sectionКогда выбирать YOLO11#

YOLO11 — отличный выбор для:

• Производственного развертывания на периферии: коммерческих приложений на устройствах типа Raspberry Pi или NVIDIA Jetson, где надежность и активная поддержка имеют первостепенное значение.
• Многозадачных приложений компьютерного зрения: проектов, требующих детектирования, сегментации, оценки позы и OBB в рамках одной унифицированной среды.
• Быстрого прототипирования и развертывания: команд, которым нужно быстро перейти от сбора данных к производству, используя оптимизированный Python API Ultralytics.

Link to this sectionКогда выбирать YOLOv8#

YOLOv8 рекомендуется для:

• Универсального развертывания с несколькими задачами: проектов, требующих проверенной модели для обнаружения, сегментации, классификации и оценки позы в рамках экосистемы 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.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и опыта 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.
• Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Link to this sectionПример кода: с чего начать#

Развертывание и обучение модели Ultralytics невероятно интуитивно понятны. Следующий пример демонстрирует, как загрузить предварительно обученную модель YOLO11, дообучить её на собственном наборе данных и экспортировать для развертывания на граничных устройствах с использованием 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")

Link to this sectionВзгляд в будущее: вершина граничного ИИ с YOLO26#

Хотя YOLO11 представляет собой зрелую и высокоэффективную архитектуру, темпы инноваций в ИИ продолжают расти. Для разработчиков, начинающих новые проекты и нуждающихся в передовых характеристиках производительности, Ultralytics YOLO26 (выпущенная в январе 2026 года) является идеальной рекомендацией.

YOLO26 раздвигает границы компьютерного зрения с помощью нескольких революционных функций:

• Дизайн без NMS (End-to-End NMS-Free): Развивая концепции, исследованные в YOLOv10, YOLO26 нативно исключает пост-процессинг с помощью Non-Maximum Suppression (NMS), что приводит к более низкой и предсказуемой задержке на любом оборудовании для развертывания.
• До 43% быстрее вывод на CPU: Полностью удалив ветку Distribution Focal Loss (DFL), YOLO26 специально оптимизирована для граничных вычислительных устройств, у которых нет 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 следующего поколения YOLO26, платформа Ultralytics гарантирует, что у тебя есть инструменты, необходимые для беспрепятственного воплощения твоих приложений ИИ компьютерного зрения от концепции до производства. Обязательно ознакомься с обширными интеграциями, доступными для подключения твоих моделей к корпоративным рабочим процессам и аналитическим панелям.