YOLOv8 и YOLO11
Быстрое развитие компьютерного зрения обусловлено постоянным совершенствованием фреймворков обнаружения объектов в реальном времени. Разработчикам и исследователям важно выбрать подходящую модель, чтобы сбалансировать точность, скорость и эффективность использования ресурсов. В этом техническом сравнении рассматриваются две базовые модели из экосистемы Ultralytics: Ultralytics YOLOv8 и Ultralytics YOLO11.
Обе модели обладают характерными для архитектур Ultralytics преимуществами: простотой использования, хорошо поддерживаемой экосистемой и эффективным обучением с небольшими требованиями к памяти. В следующих разделах рассматриваются архитектуры моделей, результаты тестирования производительности и оптимальные сценарии развертывания.
Обзор моделей#
Прежде чем сравнивать конкретные технические преимущества моделей, полезно рассмотреть их происхождение и основные характеристики.
Ultralytics YOLOv8#
Выпущенная в начале 2023 года YOLOv8 представила безанкорное обнаружение и существенные улучшения функций потерь, быстро получив широкое распространение во множестве задач компьютерного зрения.
- Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
- Организация: Ultralytics
- Дата: 2023-01-10
- GitHub: ultralytics/ultralytics
Ultralytics YOLO11#
Развивая решения предшественников, YOLO11 усовершенствовала базовую архитектуру, улучшив баланс точности и задержки: количество параметров уменьшилось, а точность выросла.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2024-09-27
- GitHub: ultralytics/ultralytics
Если ты изучаешь альтернативные подходы, Ultralytics также поддерживает модели на основе Transformer, такие как RT-DETR, и детекторы с открытым словарем и возможностью обнаружения без примеров, такие как YOLO-World. Однако для оптимальной задержки и эффективного использования памяти обычно предпочтительнее стандартные архитектуры YOLO.
Различия в архитектуре и методах#
Переход от YOLOv8 к YOLO11 — это последовательное развитие архитектуры нейронной сети, а не полная перестройка. Благодаря этому хорошо поддерживаемая экосистема моделей остается стабильной.
Оптимизация базовой сети и шеи#
В YOLOv8 появилась упрощенная CNN-основа, которая отказалась от традиционных анкорных рамок и рассматривает обнаружение объектов как задачу предсказания центральной точки. Такой безанкорный подход значительно упростил регрессию ограничивающих рамок. YOLO11 развила эту основу, добавив оптимизированную пирамидальную сеть признаков (FPN) и заменив блоки C2f модулями C3k2. Благодаря этому изменению YOLO11 извлекает более насыщенные пространственные признаки и точнее обнаруживает небольшие объекты, обычно встречающиеся в наборе данных COCO.
Требования к памяти и эффективность обучения#
Одно из заметных преимуществ YOLOv8 и YOLO11 — низкие требования к памяти во время обучения. В отличие от тяжелых визуальных Transformer-моделей, которые легко исчерпывают VRAM на потребительском оборудовании, эти модели оптимизированы для доступного обучения с помощью PyTorch на обычных GPU. YOLO11 значительно сокращает общее количество параметров — до 42% в крупной версии (L) по сравнению с YOLOv8, — одновременно повышая среднюю точность (mAP). Это ускоряет эпохи обучения и уменьшает углеродный след обучения модели.
Метрики производительности#
Объективные тесты показывают, как эти модели сочетают производительность и точность. В таблице ниже сравниваются YOLOv8 и YOLO11 в стандартных вариантах масштабирования — от nano до extra-large.
| Модель | размер (пиксели) | mAPval50-95 | 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 | 165.1 |
| 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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Как видно из результатов, YOLO11 стабильно превосходит YOLOv8 по точности, используя меньше параметров и FLOPs. Скорость инференса на CPU, измеренная с помощью ONNX Runtime, показывает эффективность YOLO11 при развертывании на периферийных устройствах. После экспорта в NVIDIA TensorRT обе линейки моделей обрабатывают изображение менее чем за 15 мс на GPU T4, что подходит для анализа видеопотоков в реальных условиях.
Экосистема и простота использования#
Обе модели используют единый пакет Python ultralytics, поэтому инженеры могут переключаться между YOLOv8 и YOLO11, изменив файл весов. Обучение, валидацию и экспорт можно выполнить всего несколькими строками кода.
from ultralytics import YOLO
# Загрузи предварительно обученную модель YOLO11 (можно просто заменить ее на "yolov8n.pt")
model = YOLO("yolo11n.pt")
# Эффективно обучи модель на локальном наборе данных
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Экспортируй оптимизированную модель в ONNX
model.export(format="onnx")Платформа Ultralytics расширяет этот рабочий процесс: она предоставляет облачное обучение, мониторинг моделей и развертывание без необходимости в глубоких знаниях DevOps.
Универсальность и реальные сценарии применения#
Одно из главных преимуществ фреймворка Ultralytics — его универсальность. Помимо стандартного обнаружения объектов, YOLOv8 и YOLO11 поддерживают широкий спектр задач компьютерного зрения:
- Сегментация экземпляров: точные маски на уровне пикселей, полезные для медицинской визуализации и автономного вождения.
- Классификация изображений: легковесная категоризация с помощью базовых сетей, обученных на ImageNet.
- Оценка позы: обнаружение ключевых точек для спортивной аналитики и взаимодействия человека с компьютером.
- Ориентированные ограничивающие рамки (OBB): необходимы для обнаружения повернутых объектов на спутниковых снимках.
YOLOv8 доступна дольше, поэтому для нее создано множество обучающих материалов сообщества и проверенных корпоративных решений. Если ты интегрируешь модель в устаревшие конвейеры, которые строго требуют тензоры определенной формы от YOLOv8, она остается надежным выбором. Для новых проектов, где важна эффективность, например для развертывания на встраиваемых периферийных устройствах вроде Raspberry Pi, лучше подойдет YOLO11: она обеспечивает более высокую точность при меньшем количестве параметров и меньшей задержке на CPU.
Сценарии использования и рекомендации#
Выбор между YOLOv8 и YOLO11 зависит от требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.
Когда выбрать YOLOv8#
YOLOv8 — хороший выбор для:
- Универсальное развертывание для нескольких задач: проекты, которым нужна проверенная модель для обнаружения, 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 YOLO11#
YOLO11 рекомендуется для:
- Периферийное развертывание в production: коммерческие приложения на устройствах вроде Raspberry Pi или NVIDIA Jetson, где необходимы надежность и активная поддержка.
- Многозадачные приложения компьютерного зрения: проекты, которым нужны обнаружение объектов, сегментация, оценка позы и OBB в рамках единого фреймворка.
- Быстрое прототипирование и развертывание: команды, которым нужно быстро пройти путь от сбора данных до промышленной эксплуатации с помощью удобного Python API Ultralytics.
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 нужен стабильный инференс с низкой задержкой без сложной постобработки методом подавления немаксимумов (NMS).
- Среды только с CPU: Устройства без выделенного ускорения GPU, где инференс YOLO26 на CPU — до 43% быстрее (YOLO26n против YOLO11n), что даёт решающее преимущество.
- Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.
Преимущества YOLO26#
YOLOv8 и YOLO11 — надежные архитектуры, но для новых проектов в 2026 году следующим рекомендуемым шагом станет Ultralytics YOLO26.
YOLO26 упрощает конвейер развертывания. В ней реализована сквозная архитектура без NMS, внедренная в модели YOLO с выходом YOLOv10; она устраняет постобработку с помощью NMS (при использовании nms=False). Удаление DFL (Distribution Focal Loss) упрощает логику экспорта и улучшает совместимость с маломощными периферийными устройствами, а YOLO26n обеспечивает до 43% более быстрый инференс на CPU, чем YOLO11n.
Оптимизатор MuSGD, гибрид SGD и Muon, вдохновленный методами обучения LLM, повышает стабильность обучения и ускоряет сходимость. ProgLoss + STAL (прогрессивная функция потерь и назначение меток с учетом малых объектов) улучшают обнаружение небольших объектов — давнюю проблему для IoT и робототехники. Среди улучшений для отдельных задач — RLE для оценки позы и многомасштабный протомодуль для сегментации.
Выбирай YOLOv8, если полагаешься на обширные материалы сообщества и существующие развертывания. Выбирай YOLO11 ради сбалансированного сочетания скорости и количества параметров. Выбирай YOLO26 — текущую рекомендуемую модель — для оптимизированного для периферийных устройств инференса без NMS.
Заключение#
Выбор между YOLOv8 и YOLO11 зависит от сроков проекта и ограничений оборудования. YOLOv8 — проверенная и стабильная модель. YOLO11 совершенствует ее архитектуру, обеспечивая более высокую mAP при меньшем количестве параметров, поэтому она привлекательна для ресурсоограниченных периферийных приложений. В любом случае единый Python API Ultralytics обеспечивает согласованный и хорошо поддерживаемый процесс разработки, а YOLO26 доступна, если тебе нужна максимальная производительность на периферийных устройствах.
Комментарии1
Задай вопрос, поделись результатами или помоги кому-нибудь.
naps22(изменено)
A very informative breakdown! The YOLOv8 vs YOLO11 comparison highlights how far real-time object detection has come. YOLOv11 seems to push the boundaries in terms of speed and accuracy, but the YOLOv8 comparison still shows it holding its ground with impressive stability and ease of deployment. Excited to see how the gap narrows with future updates.