Link to this sectionYOLO11 против YOLOv8: исчерпывающее техническое сравнение моделей компьютерного зрения реального времени#

Область компьютерного зрения стала свидетелем значительных достижений благодаря непрерывному развитию архитектур обнаружения объектов. При оценке моделей для реального развертывания разработчики часто сравнивают преимущества 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 пороговые значения производительности.

Это руководство содержит углубленный анализ их архитектур, методологий обучения и идеальных сценариев 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 доработок, направленных на максимизацию эффективности извлечения признаков при минимизации вычислительных затрат.

Link to this sectionАрхитектура YOLO11#

YOLO11 представляет собой значительный шаг вперед в оптимизации использования параметров. В ней традиционные модули C2f заменены на улучшенные блоки C3k2, которые расширяют обработку пространственных признаков, не увеличивая количество параметров. Кроме того, в структуру YOLO11 добавлен модуль C2PSA (Cross-Stage Partial Spatial Attention). Этот механизм внимания позволяет модели фокусироваться на критически важных областях интереса, что кардинально улучшает обнаружение мелких объектов и помогает справляться со сложными перекрытиями.

• Авторы: Гленн Джочер (Glenn Jocher) и Цзин Цю (Jing Qiu)
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: Репозиторий Ultralytics
• Документация: Документация YOLO11

Узнай больше о YOLO11

Link to this sectionАрхитектура YOLOv8#

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

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

Узнай больше о YOLOv8

Link to this sectionПроизводительность и бенчмарки#

При развертывании моделей на периферийных устройствах, таких как Raspberry Pi, или на высокопроизводительных серверах под управлением NVIDIA TensorRT, понимание компромисса между скоростью и точностью имеет первостепенное значение. В таблице ниже показано, как YOLO11 стабильно превосходит YOLOv8 во всех вариантах размера.

Link to this sectionАнализ метрик#

YOLO11 достигает заметно более высокого среднего значения точности (mAP), одновременно сокращая как количество параметров, так 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 датасете COCO. Кроме того, скорость инференса на CPU при экспорте в формат ONNX показывает, что YOLO11 работает существенно быстрее, что делает её отличным кандидатом для развертываний, где отсутствует выделенное GPU-ускорение.

Link to this sectionПреимущество экосистемы Ultralytics#

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

Link to this sectionПростота использования и понятный API#

Python-пакет ultralytics предоставляет оптимизированный API, который позволяет инженерам и исследователям обучать, проверять и экспортировать модели всего лишь несколькими строками кода. Это абстрагирует типичные сложности, связанные с настройкой сред глубокого обучения в PyTorch.

Link to this sectionЭффективность обучения и требования к памяти#

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

Link to this sectionУниверсальность для задач компьютерного зрения#

И YOLO11, и YOLOv8 являются полноценными мультизадачными 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 sectionВарианты 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 — это отличный выбор для:

• Развертывания на периферии (Edge): коммерческих приложений на таких устройствах, как Raspberry Pi или NVIDIA Jetson, где надежность и активная поддержка имеют первостепенное значение.
• Многозадачных приложений компьютерного зрения: проектов, требующих обнаружения, сегментации, оценки позы и OBB в рамках единого унифицированного фреймворка.
• Быстрого прототипирования и развертывания: команд, которым необходимо быстро перейти от сбора данных к продакшену, используя оптимизированный Python API Ultralytics.

Link to this sectionКогда выбирать YOLOv8#

YOLOv8 рекомендуется для:

• Универсальное многозадачное развертывание: Проекты, требующие проверенной модели для обнаружения, сегментации, классификации и оценки позы внутри экосистемы Ultralytics.
• Устоявшиеся производственные системы: Существующие производственные среды, уже построенные на архитектуре YOLOv8 со стабильными, хорошо протестированными конвейерами развертывания.
• Широкая поддержка сообщества и экосистемы: Приложения, использующие преимущества обширных руководств, сторонних интеграций и активных ресурсов сообщества YOLOv8.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и опыта разработчика:

• Периферийное развертывание без NMS: Приложениям требуется стабильный вывод с низкой задержкой без сложности постобработки Non-Maximum Suppression.
• Среды только с CPU: Устройства без выделенного GPU-ускорения, где преимущество YOLO26 в виде до 43% более быстрого вывода на CPU является решающим.
• Обнаружение мелких объектов: Сложные сценарии, такие как аэросъемка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL значительно повышают точность распознавания крошечных объектов.

Link to this sectionПример кода: Начало работы#

Развертывание и обучение моделей Ultralytics невероятно интуитивно понятно. Следующий пример демонстрирует, как загрузить предварительно обученную модель YOLO11, дообучить её на собственном наборе данных и экспортировать для развертывания на периферийных 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 Edge AI с YOLO26#

Хотя YOLO11 представляет собой зрелую и высокоэффективную архитектуру, стремительный темп инноваций в ИИ продолжается. Для разработчиков, начинающих новые проекты и требующих абсолютной передовой производительности, мы настоятельно рекомендуем Ultralytics YOLO26 (выпущенную в январе 2026 года).

YOLO26 расширяет границы компьютерного зрения благодаря нескольким инновационным функциям:

• Сквозной дизайн без NMS: опираясь на концепции, исследованные в YOLOv10, YOLO26 нативно исключает постобработку с помощью немаксимального подавления (NMS), что приводит к более низкой и предсказуемой задержке на любом оборудовании для развертывания.
• До 43% более быстрый инференс на CPU: за счет полного удаления ветки функции потерь Distribution Focal Loss (DFL), YOLO26 специально оптимизирована для периферийных 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 передовые функции потерь дают заметные улучшения в распознавании мелких и сильно перекрытых объектов, что крайне важно для автономной робототехники и аналитики с использованием 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 все необходимые инструменты для беспрепятственного вывода твоих приложений ИИ зрения от концепции до производства. Обязательно изучи обширные интеграции, доступные для подключения твоих моделей к корпоративным рабочим процессам и аналитическим дашбордам.