YOLO11 против YOLOv8: эволюция архитектуры и анализ производительности

Выбор оптимальной модели компьютерного зрения - критически важное решение для разработчиков и исследователей, стремящихся найти баланс между точностью, скоростью и эффективностью использования ресурсов. На этой странице представлено всестороннее техническое сравнение между Ultralytics YOLO11 и Ultralytics YOLOv8две ведущие в отрасли архитектуры, предназначенные для обнаружения объектов и решения задач расширенного зрения. Мы проанализируем их архитектурные инновации, эталонные показатели и идеальные сценарии развертывания, чтобы помочь вам определить, что лучше всего подходит для ваших приложений искусственного интеллекта.

Ultralytics YOLO11

Авторы: Гленн Джочер, Цзин Цю
Организация:Ultralytics
Дата: 2024-09-27
GitHubultralytics
Docsyolo11

YOLO11 представляет собой новейшую разработку в знаменитой серии YOLO , в которой значительно улучшены извлечение признаков и эффективность обработки. Благодаря усовершенствованию архитектур "позвоночника" и "шеи" YOLO11 достигает более высокой средней точности (mAP), используя при этом меньшее количество параметров, чем его предшественники. Он поддерживает широкий спектр задач, включая сегментацию объектов, классификацию изображений, оценку позы и ориентированные ограничительные рамки (OBB).

Архитектура и ключевые особенности

В архитектуре YOLO11 появился блок C3k2, оптимизированная версия узкого места CSP (Cross Stage Partial), и модуль C2PSA (Cross Stage Partial with Spatial Attention). Эти компоненты повышают способность модели улавливать сложные визуальные паттерны и пространственные отношения, минимизируя при этом вычислительные затраты. Такая философия дизайна обеспечивает превосходство YOLO11 в сценариях умозаключений в реальном времени, особенно на периферийных устройствах, где вычислительные ресурсы ограничены.

Сильные стороны

• Современная точность: Обеспечивает превосходную производительность обнаружения во всех масштабах модели, постоянно превосходя предыдущие итерации на наборе данныхCOCO .
• ЭффективностьCPU : Оптимизированные архитектурные решения позволяют значительно повысить скорость обработки выводов на центральных процессорах, что делает эту систему лучшим выбором для бессерверных и граничных развертываний.
• Эффективность параметров: Достижение высокой точности при меньшем количестве параметров и FLOP, что снижает требования к хранению модели.
• Унифицированный фреймворк: Бесшовная обработка множества задач технического зрения в рамках единого и простого в использовании API.

Слабые стороны

• Зрелость экосистемы: Поскольку это более новая версия, объем сторонних руководств и контента, созданного сообществом, быстро растет, но может быть менее обширным, чем у YOLOv8.
• Интенсивность использования ресурсов для больших моделей: Несмотря на свою эффективность, самые крупные варианты (например, YOLO11x) все еще требуют значительных ресурсов GPU для обучения и высокопроизводительных выводов.

Случаи использования

YOLO11 - это лучший выбор для приложений, требующих максимального соотношения точности и скорости:

• Edge AI: развертывание высокопроизводительного обнаружения на устройствах NVIDIA Jetson или Raspberry Pi.
• Робототехника в реальном времени: Обеспечение автономной навигации и взаимодействия с объектами с минимальной задержкой.
• Медицинская визуализация: Помощь в точном анализе медицинских изображений для диагностики, где точность имеет первостепенное значение.

Узнайте больше о YOLO11

Ultralytics YOLOv8

Авторы: Гленн Джочер, Аюш Чаурасия, Цзин Цю
Организация:Ultralytics
Дата: 2023-01-10
GitHubultralytics
Docsyolov8

Выпущенная в начале 2023 года YOLOv8 изменила стандарты обнаружения объектов в реальном времени. В ней появилась головка обнаружения без якорей и магистральный модуль C2f, что ознаменовало значительный отход от подходов, основанных на якорях. YOLOv8 славится своей стабильностью, универсальностью и обширной экосистемой, которая развилась вокруг нее, что делает ее одной из самых широко распространенных моделей технического зрения во всем мире.

Архитектура и ключевые особенности

В YOLOv8 используется модификация основы CSPDarknet53, включающая в себя модули C2f, которые обеспечивают более богатый градиентный поток. Безъякорная конструкция упрощает процесс подавления без максимума (NMS) и снижает сложность настройки гиперпараметров, связанных с якорными ящиками. Модель хорошо масштабируется, предлагая варианты от Nano (n) до Extra Large (x) для различных вычислительных бюджетов.

Сильные стороны

• Проверенная надежность: всестороннее тестирование в производственных условиях по всему миру гарантирует высокую стабильность.
• Богатая экосистема: поддерживается тысячами руководств, интеграций и проектов сообщества.
• Универсальность: Как и YOLO11, он поддерживает обнаружение, сегментацию, классификацию и оценку позы.
• Сильная основа: продолжает предлагать конкурентоспособную производительность, превосходящую многие архитектуры, не относящиеся к YOLO .

Слабые стороны

• Недостаток производительности: В целом превосходит YOLO11 как по точностиmAP), так и по скорости вывода, особенно на CPU оборудовании.
• Более высокая стоимость вычислений: Для достижения сравнимой с YOLO11 точности требуется немного больше параметров и FLOP.

Случаи использования

YOLOv8 остается отличным вариантом для:

• Устаревшие системы: Проекты, уже интегрированные с рабочими процессами YOLOv8 , для которых стабильность важнее передовой производительности.
• Образовательные инструменты: Изучение концепций компьютерного зрения с помощью модели с обширной документацией и примерами из сообщества.
• Обнаружение общего назначения: Надежная производительность для стандартных приложений безопасности и мониторинга.

Узнайте больше о YOLOv8

Прямое сравнение производительности

Наиболее существенное различие между этими двумя моделями заключается в их эффективности. YOLO11 достигает "улучшения Парето" по сравнению с YOLOv8более высокую точность при меньших вычислительных затратах.

Анализ эффективности и скорости

Архитектурные оптимизации в YOLO11 (C3k2, C2PSA) позволяют ему быстрее обрабатывать изображения, сохраняя при этом более тонкие характеристики. Это наиболее заметно при выводе данных наCPU , где модели YOLO11 демонстрируют значительное ускорение. Например, модель YOLO11n примерно на 30 % быстрее на CPU , чем YOLOv8n , при этом достигая более высокого mAP.

Что касается выводовGPU , модели YOLO11 также демонстрируют более низкую задержку в большинстве случаев, что делает их очень эффективными для конвейеров обработки видео в реальном времени.

Сравнительные показатели

Приведенная ниже таблица иллюстрирует улучшение производительности. Обратите внимание на уменьшение параметров и FLOPs для YOLO11 наряду с увеличением mAP.

Преимущество экосистемы Ultralytics

Выбор модели Ultralytics означает получение доступа к комплексной экосистеме, предназначенной для оптимизации всего жизненного цикла MLOps.

• Простота использования: Обе модели имеют одинаковые Python API и интерфейс командной строкиCLI). Переход с YOLOv8 на YOLO11 часто требует изменения всего одного символа в строке кода (например, "yolov8n.pt" в "yolo11n.pt").
• Эффективность обучения: В моделях Ultralytics используются передовые методы обучения, включая наращивание мозаики и эволюцию гиперпараметров. Предварительно обученные веса легко доступны, что позволяет эффективно проводить трансферное обучение на пользовательских наборах данных.
• Универсальность: В отличие от многих конкурентов, ограничивающихся выполнением конкретных задач, модели Ultralytics предлагают встроенную поддержку обнаружения, сегментации, классификации, позирования и OBB в едином пакете.
• Развертывание: Легко экспортируйте модели в такие форматы, как ONNX, TensorRT, CoreML и OpenVINO для оптимизированного развертывания на различном оборудовании.

Пример унифицированного использования

Общий дизайн API позволяет легко экспериментировать. Вот как можно загрузить и запустить предсказание с помощью любой из моделей:

from ultralytics import YOLO

# Load YOLO11 or YOLOv8 by simply changing the model name
model = YOLO("yolo11n.pt")  # or "yolov8n.pt"

# Train on a custom dataset
# model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display results
results[0].show()

Заключение: какую модель вам следует выбрать?

Для подавляющего большинства новых проектов рекомендуется использоватьYOLO11 . Его архитектурные усовершенствования обеспечивают явное преимущество в точности и скорости, особенно для приложений пограничных вычислений, где эффективность имеет решающее значение. Уменьшенное количество параметров также подразумевает меньшие требования к хранению данных и более быстрое время загрузки для мобильных развертываний.

YOLOv8 остается мощным и актуальным инструментом, особенно для команд с существующими конвейерами, глубоко интегрированными с конкретными версиями YOLOv8 , или для тех, кто полагается на абсолютную зрелость его экосистемы документации. Однако переход на YOLO11 в целом прост и дает немедленный выигрыш в производительности.

Обе модели выпускаются под AGPL-3.0 лицензией, способствующей сотрудничеству с открытым исходным кодом, а для коммерческих продуктов, требующих проприетарных возможностей, доступны корпоративные лицензии.

Изучите другие модели

Хотя YOLO11 и YOLOv8 являются отличными детекторами общего назначения, для специфических требований могут быть полезны другие архитектуры семейства Ultralytics :

• YOLOv10: фокусируется на обучении NMS для снижения задержки.
• YOLOv9: делает упор на программируемую градиентную информацию для обучения глубоких моделей.
• RT-DETR: детектор на основе трансформатора, обеспечивающий высокую точность, но требующий больше памяти и вычислений.

Изучите наш полный ассортимент моделей, чтобы найти идеальный вариант для вашего проекта.

Комментарии