YOLO11 vs YOLOv8: Всестороннее техническое сравнение моделей компьютерного зрения реального времени

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 весьма успешного предшественника, Ultralytics YOLOv8. Обе модели установили отраслевые стандарты скорости, точности и удобства для разработчиков, но они ориентированы на несколько разные жизненные циклы проектов и пороги производительности.

В этом руководстве представлен углубленный анализ их архитектур, методологий обучения и идеальных сценариев использования, чтобы помочь вам выбрать оптимальное решение для ваших инициатив в области искусственного интеллекта.

Архитектурные инновации

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

Архитектура YOLO11

YOLO11 представляет собой значительный шаг вперед в оптимизации использования параметров. Он заменяет традиционные модули C2f на передовые блоки C3k2, которые улучшают обработку пространственных признаков без раздувания количества параметров. Кроме того, YOLO11 вводит модуль C2PSA (Cross-Stage Partial Spatial Attention) в свою основную сеть. Этот механизм внимания позволяет модели фокусироваться на критически важных областях интереса, значительно улучшая обнаружение мелких объектов и обработку сложных окклюзий.

Авторы: Гленн Джочер и Цзин Цю
Организация:Ultralytics
Дата: 2024-09-27
GitHub:Репозиторий Ultralytics
Документация:Документация YOLO11

Узнайте больше о YOLO11

Архитектура YOLOv8

Выпущенный годом ранее, YOLOv8 стал пионером перехода к безанкерной головке обнаружения, что устранило необходимость вручную настраивать якорные боксы и упростило формулировку функции потерь. Его архитектура в значительной степени опирается на блок C2f — дизайн, который успешно сбалансировал глубину сети и поток градиентов, сделав ее невероятно надежной в широком спектре приложений компьютерного зрения.

Авторы: Гленн Джокер, Аюш Чаурасия и Цзин Цю
Организация:Ultralytics
Дата: 2023-01-10
GitHub:Репозиторий Ultralytics
Документация:Документация YOLOv8

Узнайте больше о YOLOv8

Философия проектирования

В то время как YOLOv8 заложил основу для безъякорного обнаружения в экосистеме Ultralytics, YOLO11 усовершенствовал этот подход с помощью механизмов пространственного внимания, достигнув более высокой точности при меньших вычислительных ресурсах.

Производительность и сравнительное тестирование

При развертывании моделей на периферийных устройствах, таких как Raspberry Pi, или 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 размеров.

Модель	размер ^{(пиксели)}	mAP^val 50-95	Скорость ^{CPU ONNX (мс)}	Скорость ^{T4 TensorRT10 (мс)}	параметры ^(M)	FLOPs ^(B)
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 значительно более высокой средней точности (mAP), одновременно сокращая 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 mAP на наборе данных COCO. Кроме того, скорость инференса на CPU при экспорте в формат ONNX показывает, что YOLO11 значительно быстрее, что делает ее отличным кандидатом для развертываний, не имеющих выделенного GPU-ускорения.

Преимущество экосистемы Ultralytics

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

Простота использования и простой API

Параметр ultralytics Пакет python предоставляет оптимизированный API, который позволяет инженерам и исследователям обучать, валидировать и экспортировать модели всего несколькими строками кода. Это абстрагирует типичные сложности, связанные 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 низким потреблением памяти во время обучения. Эта эффективность использования памяти позволяет разработчикам обучать современные сети на потребительских GPU или в облачных средах, таких как Google Colab, без возникновения ошибок нехватки памяти.

Универсальность в задачах компьютерного зрения

Как YOLO11, так и YOLOv8 являются истинными многозадачными моделями. Помимо стандартного обнаружения 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 конкретных требований вашего проекта, ограничений развертывания и предпочтений экосистемы.

Когда следует выбирать YOLO11

YOLO11 — отличный выбор для:

Промышленное периферийное развертывание: 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 detect, сегментации, оценки позы и obb в рамках единой унифицированной среды.
Быстрое прототипирование и развертывание: Команды, которым необходимо быстро перейти от сбора данных к производству, используя оптимизированный 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.
Устоявшиеся производственные системы: Существующие производственные среды, уже построенные на архитектуре YOLOv8 со стабильными, хорошо протестированными конвейерами развертывания.
Широкая поддержка сообщества и экосистемы: Приложения, использующие обширные учебные пособия, сторонние интеграции и активные ресурсы сообщества YOLOv8.

Когда выбирать Ultralytics (YOLO26)

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчиков:

Развертывание на периферии без NMS: Приложения, требующие стабильного вывода с низкой задержкой без сложности постобработки методом Non-Maximum Suppression.
Среды только с CPU: Устройства без выделенного ускорения GPU, где до 43% более быстрая инференция YOLO26 на CPU обеспечивает решающее преимущество.
Обнаружение мелких объектов: Сложные сценарии, такие как аэрофотосъемка с дронов или анализ данных с IoT-датчиков, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Пример кода: Начало работы

Развертывание и обучение модели Ultralytics невероятно интуитивно понятны. Следующий пример демонстрирует, как загрузить предварительно обученную модель YOLO11, дообучить ее на пользовательском наборе данных и экспортировать для развертывания на периферии 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")

Бесшовные обновления

Поскольку API Ultralytics стандартизирован, обновление устаревшего конвейера с YOLOv8 до YOLO11 обычно требует лишь изменения строки весов с "yolov8n.pt" в "yolo11n.pt".

Взгляд в будущее: Вершина Edge AI с YOLO26

Хотя YOLO11 представляет собой зрелую и высокопроизводительную архитектуру, быстрый темп инноваций в ИИ продолжается. Для разработчиков, начинающих новые проекты, которым требуется абсолютный передовой край в производительности, Ultralytics YOLO26 (выпущенный в январе 2026 года) является окончательной рекомендацией.

YOLO26 расширяет границы компьютерного зрения благодаря нескольким новаторским функциям:

Сквозная архитектура без NMS: Основываясь на концепциях, исследованных в YOLOv10, YOLO26 изначально исключает постобработку Non-Maximum Suppression (NMS), что приводит к более низкой и предсказуемой задержке на любом оборудовании развертывания.
До 43% более быстрый инференс на CPU: Полностью удалив ветвь Distribution Focal Loss (DFL), YOLO26 специально оптимизирован для граничных вычислительных устройств, не имеющих мощных GPU.
Оптимизатор MuSGD: Вдохновленный методами обучения больших языковых моделей (LLM), YOLO26 использует гибридный оптимизатор MuSGD, обеспечивая удивительно стабильную и быструю сходимость обучения.
ProgLoss + STAL: Эти передовые функции потерь обеспечивают заметные улучшения в распознавании крошечных и сильно заслонённых объектов, что крайне важно для автономной робототехники и аналитики на основе дронов.

Независимо от того, полагаетесь ли вы на проверенную надежность YOLOv8, оптимизированную архитектуру YOLO11 или возможности следующего поколения YOLO26, Платформа Ultralytics гарантирует, что у вас есть необходимые инструменты для беспрепятственного перехода от концепции к производству ваших приложений ИИ для зрения. Обязательно изучите обширные интеграции, доступные для подключения ваших моделей к корпоративным рабочим процессам и аналитическим панелям.