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

Быстрое развитие компьютерного зрения во многом обусловлено постоянными достижениями в области фреймворков для обнаружения объектов в реальном времени. Для разработчиков и исследователей, ориентирующихся в современном ландшафте, выбор правильной модели имеет решающее значение для баланса между точностью, скоростью и эффективностью использования ресурсов. В этом техническом сравнении мы рассмотрим различия между двумя фундаментальными моделями из экосистемы Ultralytics: Ultralytics YOLOv8 и Ultralytics YOLO11.

Обе модели демонстрируют отличительные особенности архитектур Ultralytics—простоту использования, хорошо поддерживаемую экосистему и беспрецедентную эффективность обучения с низкими требованиями к памяти. Давайте углубимся в их архитектурные проекты, бенчмарки производительности и идеальные сценарии развертывания.

Обзоры моделей

Прежде чем сравнивать их конкретные технические достоинства, полезно установить происхождение и основные характеристики обеих моделей.

Ultralytics YOLOv8

Выпущенный как значительный прорыв в начале 2023 года, YOLOv8 представил безанкерное detect и значительные улучшения функций потерь, быстро став золотым стандартом для широкого спектра задач машинного обучения.

Авторы: Гленн Джокер, Аюш Чаурасия и Цзин Цю
Организация:Ultralytics
Дата: 2023-01-10
GitHub:ultralytics/ultralytics

Узнайте больше о YOLOv8

Ultralytics YOLO11

Основываясь на успехе своих предшественников, YOLO11 усовершенствовал основную архитектуру, чтобы еще дальше продвинуть границу Парето точности и задержки, представив высокооптимизированное количество параметров без ущерба для предсказательной способности.

Авторы: Гленн Джочер и Цзин Цю
Организация:Ultralytics
Дата: 2024-09-27
GitHub:ultralytics/ultralytics

Узнайте больше о YOLO11

Другие архитектуры

Если вы изучаете альтернативные подходы, Ultralytics также поддерживает модели на основе трансформеров, такие как RT-DETR, и детекторы с открытым словарем без обучения (zero-shot), такие как YOLO-World. Однако для оптимальной задержки и эффективности памяти стандартные архитектуры YOLO обычно остаются предпочтительным выбором.

Архитектурные и методологические различия

Переход от YOLOv8 к YOLO11 представляет собой тщательную эволюцию в проектировании нейронных сетей, а не полную переработку, обеспечивая стабильность хорошо поддерживаемой экосистемы вокруг моделей.

Оптимизации Backbone и Neck

YOLOv8 представил оптимизированный CNN-бэкбон, который отошел от традиционных якорных рамок, рассматривая обнаружение объектов исключительно как задачу предсказания центральной точки. Этот безъякорный подход значительно снизил сложность регрессии ограничивающих рамок. YOLO11 взял эту основу и представил оптимизированную сеть пирамиды признаков (FPN), а также модифицировал блоки C2f в модули C3k2. Эта модификация позволяет YOLO11 извлекать более богатые пространственные признаки, что приводит к лучшей точности на более мелких объектах, обычно встречающихся в наборе данных COCO.

Требования к памяти и эффективность обучения

Одним из наиболее заметных преимуществ как YOLOv8, так и YOLO11 являются их низкие требования к памяти во время обучения. В отличие от ресурсоемких vision-трансформеров, которые могут легко исчерпать видеопамять на потребительском оборудовании, эти модели оптимизированы для доступного обучения на стандартных GPU с использованием PyTorch. YOLO11 обеспечивает существенное сокращение общего числа параметров — до 22% меньше параметров в большом (L) варианте по сравнению с YOLOv8 — при одновременном увеличении средней точности (mAP). Это означает более быстрые эпохи и меньший углеродный след при обучении моделей.

Метрики производительности

Чтобы по-настоящему оценить баланс производительности этих моделей, мы должны обратиться к объективным бенчмаркам. В таблице ниже сравниваются YOLOv8 и YOLO11 по стандартным вариантам масштабирования (от nano до extra-large).

Модель	размер ^{(пиксели)}	mAP^val 50-95	Скорость ^{CPU ONNX (мс)}	Скорость ^{T4 TensorRT10 (мс)}	параметры ^(M)	FLOPs ^(B)
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

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

Как показано, YOLO11 стабильно превосходит YOLOv8 по точности, при этом используя меньше параметров и FLOPs. Скорость инференции на CPU, измеренная с использованием ONNX Runtime, подчеркивает превосходную эффективность YOLO11 для граничных развертываний. При экспорте в NVIDIA TensorRT обе модели обеспечивают исключительную задержку менее 15 мс, что крайне важно для анализа видеопотоков в реальном времени.

Экосистема и простота использования

Обе модели получают огромную выгоду от унифицированной ultralytics Пакет python. Этот простота использования позволяет инженерам бесшовно переключаться между YOLOv8 и YOLO11. Обучение, валидация и экспорт могут быть выполнены всего в нескольких строках кода.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model (you can simply swap to "yolov8n.pt")
model = YOLO("yolo11n.pt")

# Train the model efficiently on a local dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the optimized model to ONNX
model.export(format="onnx")

Бесшовная интеграция распространяется на Ultralytics Platform, которая упрощает облачное обучение, мониторинг моделей и развертывание без необходимости глубоких знаний в области DevOps.

Универсальность и применение в реальных условиях

Основной отличительной чертой фреймворка Ultralytics является его присущая универсальность. Как YOLOv8, так и YOLO11 поддерживают широкий спектр задач компьютерного зрения, выходящих за рамки стандартного обнаружения объектов:

Сегментация экземпляров: Высокоточные маски на уровне пикселей, полезные для медицинской визуализации и автономного вождения.
Оценка позы: Обнаружение ключевых точек, адаптированное для спортивной аналитики и человеко-машинного взаимодействия.
Классификация изображений: Легковесная категоризация с использованием базовых моделей, обученных на ImageNet.
Ориентированные ограничивающие прямоугольники (obb): Критически важны для идентификации повернутых объектов на спутниковых снимках.

YOLOv8, будучи доступным дольше, может похвастаться обширным хранилищем обучающих материалов сообщества и тщательно протестированных корпоративных развертываний. Если вы интегрируетесь с устаревшими конвейерами, которые строго ожидают форм tensor'ов YOLOv8, он остается весьма надежным выбором. Однако для новых проектов, приоритетом которых является максимальная эффективность — например, развертывание на встраиваемых периферийных устройствах, таких как Raspberry Pi — YOLO11 является очевидным операционным победителем благодаря превосходному соотношению скорости к количеству параметров.

Сценарии использования и рекомендации

Выбор между YOLOv8 и YOLO11 зависит от конкретных требований вашего проекта, ограничений развертывания и предпочтений экосистемы.

Когда выбирать YOLOv8

YOLOv8 является отличным выбором 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 следует выбирать YOLO11

YOLO11 рекомендуется 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 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.

Передовой край: Преимущество YOLO26

Хотя YOLOv8 и YOLO11 являются феноменальными архитектурами, ландшафт ИИ постоянно меняется. Для разработчиков, стремящихся к абсолютному передовому уровню в 2026 году, Ultralytics YOLO26 представляет собой следующий монументальный шаг вперед.

YOLO26 фундаментально переосмысливает конвейер развертывания. Он обладает сквозной архитектурой без NMS, прорывным подходом, впервые примененным в YOLOv10, который устраняет сложные этапы постобработки. Кроме того, исключение DFL (Distribution Focal Loss) значительно упрощает логику экспорта и улучшает совместимость с маломощными периферийными устройствами, что приводит к до 43% более быстрой инференции на CPU по сравнению с его предшественниками.

Стабильность обучения и скорость сходимости значительно улучшены благодаря новому оптимизатору MuSGD, гибриду, вдохновленному методами обучения LLM. Кроме того, новые формулировки функций потерь, такие как ProgLoss + STAL, значительно улучшают распознавание мелких объектов — исторически сложную задачу для IoT и робототехники. Благодаря улучшениям, специфичным для задач, таким как RLE для оценки позы и многомасштабный прототип для segment, YOLO26 не имеет себе равных.

Узнайте больше о YOLO26

Выбор подходящей модели

Начните свой путь с YOLOv8, если вам нужна обширная поддержка сообщества для устаревших версий. Обновитесь до YOLO11 для высокоточной балансировки скорости и уменьшенного количества параметров. Переходите к YOLO26 для совершенной, оптимизированной для периферийных устройств архитектуры будущего без NMS.

Заключение

Выбор между YOLOv8 и YOLO11 в конечном итоге сводится к срокам вашего проекта и аппаратным ограничениям. YOLOv8 — это проверенный временем титан индустрии, предлагающий непревденную стабильность. Напротив, YOLO11 улучшает эту архитектуру, обеспечивая более высокий mAP при меньшем количестве параметров, что делает его чрезвычайно привлекательным для граничных приложений с ограниченными ресурсами. Независимо от вашего выбора, бесшовный Ultralytics Python API гарантирует, что ваш рабочий процесс разработки останется гибким, эффективным и полностью поддерживаемым. А когда вы будете готовы расширить границы возможного на граничных устройствах, YOLO26 будет готов и ждать.