YOLO11 и YOLOv8#

Сфера компьютерного зрения достигла впечатляющих успехов благодаря непрерывному развитию архитектур обнаружения объектов. При выборе моделей для реального развертывания разработчики часто сравнивают сильные стороны Ultralytics YOLO11 и её чрезвычайно успешной предшественницы — Ultralytics YOLOv8. Обе модели задали отраслевые стандарты скорости, точности и удобства разработки, но рассчитаны на несколько разные этапы жизненного цикла проекта и уровни производительности.

В этом руководстве подробно анализируются архитектуры, методики обучения и оптимальные сценарии применения моделей, чтобы помочь тебе выбрать лучшее решение для своих проектов в области искусственного интеллекта.

Архитектурные инновации#

Переход от YOLOv8 к YOLO11 привнёс несколько важных архитектурных усовершенствований, призванных повысить эффективность извлечения признаков и одновременно сократить вычислительные затраты.

Архитектура YOLO11#

YOLO11 обеспечивает значительный прогресс в оптимизации использования параметров. Вместо традиционных модулей C2f в ней используются усовершенствованные блоки C3k2, улучшающие обработку пространственных признаков без резкого увеличения количества параметров. Кроме того, в основу сети YOLO11 встроен модуль C2PSA (Cross-Stage Partial Spatial Attention). Этот механизм внимания позволяет модели сосредоточиться на важных областях интереса, значительно улучшая обнаружение небольших объектов и обработку сложных случаев перекрытия объектов.

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

Архитектура YOLOv8#

Выпущенная годом ранее, YOLOv8 стала первой моделью, в которой использовалась безанкорная голова обнаружения: это устранило необходимость вручную настраивать анкорные боксы и упростило формулировку функции потерь. Архитектура в значительной степени опирается на блок C2f, который успешно сочетает глубину сети и поток градиентов, обеспечивая высокую надёжность в самых разных задачах компьютерного зрения.

• Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
• Организация: Ultralytics
• Дата: 2023-01-10
• GitHub: Репозиторий Ultralytics
• Документация: Документация YOLOv8

Производительность и тесты#

При развертывании моделей на периферийных устройствах вроде Raspberry Pi или высокопроизводительных серверах с NVIDIA TensorRT особенно важно понимать компромисс между скоростью и точностью. В таблице ниже показано, что YOLO11 стабильно превосходит YOLOv8 по точности во всех вариантах размера.

Анализ показателей#

YOLO11 обеспечивает заметно 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 она обеспечивает на 1,3 пункта более высокую mAP на наборе данных COCO. Кроме того, тесты скорости инференса на CPU после экспорта в формат ONNX показывают, что YOLO11 работает значительно быстрее. Поэтому она отлично подходит для развертывания без выделенного ускорения на GPU.

Преимущества экосистемы Ultralytics#

Какую бы модель — YOLO11 или YOLOv8 — ты ни выбрал, обе получают преимущества от комплексной экосистемы Ultralytics, значительно упрощающей весь 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 Vision Transformers (например, RT-DETR), модели Ultralytics YOLO известны низким потреблением памяти во время обучения. Благодаря этому разработчики могут обучать самые современные сети на потребительских GPU или в облачных средах, таких как Google Colab, не сталкиваясь с ошибками нехватки памяти.

Универсальность для задач компьютерного зрения#

И YOLO11, и YOLOv8 — полноценные модели для решения множества задач. 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 конкретного проекта, ограничений развертывания и предпочтительной 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.
• Многозадачные приложения компьютерного зрения: проекты, в которых в рамках единого фреймворка требуются обнаружение объектов, сегментация, оценка позы и OBB.
• 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 решение для нескольких задач: проекты, которым нужна проверенная модель для обнаружения объектов, сегментации, классификации и оценки позы 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 ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Пример кода: начало работы#

Развертывать и обучать модели Ultralytics очень просто. В следующем примере показано, как загрузить предварительно обученную модель YOLO11, дообучить её на пользовательском наборе данных и экспортировать для развертывания 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")

Взгляд в будущее: вершина периферийного ИИ с YOLO26#

YOLO11 — зрелая и мощная архитектура, однако ИИ продолжает стремительно развиваться. Разработчикам, начинающим новые проекты и которым нужна самая передовая производительность, мы рекомендуем Ultralytics YOLO26 (выпущена в январе 2026 года).

YOLO26 расширяет возможности компьютерного зрения благодаря нескольким революционным функциям:

• Сквозная архитектура без NMS: Развивая идеи, рассмотренные в YOLOv10, YOLO26 предлагает опциональную голову «один к одному» (nms=False), которая пропускает постобработку с подавлением немаксимумов (NMS), обеспечивая меньшую и более предсказуемую задержку на любом оборудовании для развертывания.
• Инференс на CPU до 43% быстрее: Благодаря полному удалению ветви Distribution Focal Loss (DFL) YOLO26 специально оптимизирована для периферийных вычислительных устройств, которым не хватает мощных GPU.
• Оптимизатор MuSGD: Вдохновлённая методами обучения больших языковых моделей (LLM), YOLO26 использует гибридный оптимизатор MuSGD, обеспечивающий исключительно стабильную и быструю сходимость при обучении.
• ProgLoss + STAL: Эти продвинутые функции потерь заметно улучшают распознавание крошечных и сильно перекрытых объектов, что важно для автономной робототехники и аналитики с использованием дронов.

Будь то проверенная надёжность YOLOv8, оптимизированная архитектура YOLO11 или возможности нового поколения YOLO26, платформа Ultralytics предоставляет инструменты, необходимые для плавного перехода от концепции к производству приложений компьютерного зрения с ИИ. Изучи доступные интеграции, чтобы подключить модели к корпоративным рабочим процессам и аналитическим панелям.