YOLOv8 против YOLO11#

Стремительное развитие компьютерного зрения во многом обусловлено постоянным совершенствованием фреймворков обнаружения объектов в реальном времени. Для разработчиков и исследователей, работающих в современном ландшафте технологий, выбор подходящей модели имеет решающее значение для баланса между точностью, скоростью и эффективностью использования ресурсов. В этом техническом сравнении мы рассмотрим различия между двумя базовыми моделями экосистемы Ultralytics: Ultralytics YOLOv8 и Ultralytics YOLO11.

Обе модели демонстрируют характерные особенности архитектур Ultralytics — простоту использования, активно поддерживаемую экосистему и непревзойдённую эффективность обучения при низких требованиях к памяти. Давай подробно рассмотрим их архитектуру, результаты тестов производительности и оптимальные сценарии развёртывания.

Обзор моделей#

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

Ultralytics YOLOv8#

Выпущенная в начале 2023 года как значительный шаг вперёд, YOLOv8 представила обнаружение без якорей и существенные улучшения функций потерь, быстро став золотым стандартом для самых разных задач машинного обучения.

• Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
• Организация: Ultralytics
• Дата: 2023-01-10
• GitHub: ultralytics/ultralytics

Ultralytics YOLO11#

Опираясь на успех предшественников, YOLO11 усовершенствовала базовую архитектуру, чтобы ещё дальше расширить границу Парето для точности и задержки, введя значительно более оптимизированное количество параметров без ущерба для прогнозирующей способности.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: ultralytics/ultralytics

Архитектурные и методологические различия#

Переход от YOLOv8 к YOLO11 представляет собой тщательную эволюцию дизайна нейронной сети, а не полный пересмотр архитектуры, благодаря чему активно поддерживаемая экосистема моделей остаётся стабильной.

Оптимизация backbone и neck#

В YOLOv8 использована упрощённая backbone на основе CNN, отказавшаяся от традиционных якорных блоков и рассматривающая обнаружение объектов исключительно как задачу прогнозирования центральной точки. Такой подход без якорей значительно снизил сложность регрессии ограничивающих рамок. YOLO11 развила эту основу, добавив оптимизированную сеть пирамиды признаков (FPN) и преобразовав блоки C2f в модули C3k2. Это изменение позволяет YOLO11 извлекать более丰富ные пространственные признаки, что повышает точность обнаружения небольших объектов, обычно встречающихся в датасете COCO.

Требования к памяти и эффективность обучения#

Одно из наиболее заметных преимуществ YOLOv8 и YOLO11 — их низкие требования к памяти во время обучения. В отличие от тяжёлых vision Transformer, которые легко могут исчерпать VRAM на пользовательском оборудовании, эти модели оптимизированы для доступного обучения в PyTorch на стандартных GPU. YOLO11 обеспечивает существенное сокращение общего количества параметров — до 42% меньше параметров в большой (L) версии по сравнению с YOLOv8 — одновременно повышая среднюю точность (mAP). Это означает более быстрые эпохи обучения и меньший углеродный след при обучении модели.

Метрики производительности#

Чтобы объективно оценить баланс производительности этих моделей, необходимо обратиться к результатам тестов. В таблице ниже YOLOv8 и YOLO11 сравниваются для стандартных вариантов масштабирования — от nano до extra-large.

Как видно, YOLO11 стабильно превосходит YOLOv8 по точности, используя при этом меньше параметров и FLOPs. Скорость инференса на CPU, измеренная с помощью ONNX Runtime, подчёркивает превосходящую эффективность YOLO11 при развёртывании на периферийных устройствах. При экспорте в NVIDIA TensorRT обе модели обеспечивают исключительно малые задержки — менее 15 мс, что крайне важно для анализа видеопотоков в реальных условиях.

Экосистема и простота использования#

Обе модели получают значительные преимущества от унифицированного Python-пакета ultralytics. Эта простота использования позволяет инженерам без проблем переключаться между YOLOv8 и YOLO11. Обучение, валидацию и экспорт можно выполнить всего несколькими строками 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 и на платформу Ultralytics, которая упрощает облачное обучение, мониторинг моделей и развёртывание без необходимости обладать продвинутыми знаниями DevOps.

Универсальность и реальные применения#

Одной из главных отличительных особенностей фреймворка Ultralytics является его inherent универсальность. И YOLOv8, 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 для спортивной аналитики и взаимодействия человека с компьютером.
• Классификация изображений: лёгкая категоризация с использованием backbone, обученных на ImageNet.
• Ориентированные ограничивающие рамки (OBB): критически важны для идентификации повёрнутых объектов на спутниковых снимках.

YOLOv8, доступная дольше, может похвастаться огромным репозиторием учебных материалов сообщества и многочисленными тщательно протестированными корпоративными развёртываниями. Если ты интегрируешь модель с устаревшими конвейерами, которые строго ожидают формы тензоров YOLOv8, она остаётся исключительно надёжным выбором. Однако для новых проектов, в которых приоритетом является максимальная эффективность, например при развёртывании на встраиваемых периферийных устройствах вроде Raspberry Pi, YOLO11 явно выигрывает с операционной точки зрения благодаря превосходному соотношению скорости и количества параметров.

Варианты применения и рекомендации#

Выбор между YOLOv8 и YOLO11 зависит от конкретных требований твоего проекта, ограничений развёртывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOv8#

YOLOv8 — отличный выбор для:

• Универсальное развертывание для нескольких задач: проектов, которым нужна проверенная модель для обнаружения, сегментации, классификации и оценки позы в экосистеме Ultralytics.
• Сформировавшиеся промышленные системы: существующих производственных сред, уже построенных на архитектуре YOLOv8 и использующих стабильные, тщательно протестированные конвейеры развертывания.
• Широкая поддержка сообщества и экосистемы: приложений, получающих преимущества от обширных руководств по YOLOv8, сторонних интеграций и активных ресурсов сообщества.

Когда выбирать YOLO11#

YOLO11 рекомендуется для:

• Промышленного развертывания на периферийных устройствах: коммерческих приложений на таких устройствах, как Raspberry Pi или NVIDIA Jetson, где особенно важны надежность и активная поддержка.
• Многоцелевых приложений компьютерного зрения: проектов, которым в рамках единого унифицированного фреймворка требуются детектирование, сегментация, оценка позы и OBB.
• Быстрого прототипирования и развертывания: команд, которым нужно быстро перейти от сбора данных к промышленной эксплуатации с помощью оптимизированного Ultralytics Python API.

Когда выбирать Ultralytics (YOLO26)#

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

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Передовой уровень: преимущество YOLO26#

Хотя YOLOv8 и YOLO11 представляют собой выдающиеся архитектуры, развитие ИИ никогда не останавливается. Для разработчиков, стремящихся к абсолютному передовому уровню технологий в 2026 году, Ultralytics YOLO26 представляет собой следующий грандиозный шаг вперёд.

YOLO26 полностью переосмысливает конвейер развёртывания. Она использует сквозную архитектуру без NMS, прорывной подход, впервые реализованный в YOLOv10, который устраняет сложные этапы постобработки. Кроме того, удаление DFL (Distribution Focal Loss) значительно упрощает логику экспорта и повышает совместимость с периферийными устройствами с низким энергопотреблением, обеспечивая до 43% более быстрый инференс на CPU по сравнению с предшественниками.

Стабильность обучения и скорость сходимости значительно повышаются благодаря новому оптимизатору MuSGD — гибридному решению, вдохновлённому методами обучения LLM. Кроме того, новые формулировки функций потерь, такие как ProgLoss + STAL, значительно улучшают распознавание небольших объектов — исторически проблемную область для IoT и робототехники. Благодаря улучшениям для конкретных задач, таким как RLE для оценки позы и multi-scale proto для сегментации, YOLO26 не имеет себе равных.

Заключение#

В конечном счёте выбор между YOLOv8 и YOLO11 определяется сроками проекта и ограничениями оборудования. YOLOv8 — проверенный временем гигант отрасли, обеспечивающий непревзойдённую стабильность. YOLO11, напротив, дорабатывает эту архитектуру и обеспечивает более высокий mAP при меньшем количестве параметров, что делает её особенно привлекательной для периферийных приложений с ограниченными ресурсами. Независимо от выбора, бесшовный Python API Ultralytics гарантирует, что твой процесс разработки останется гибким, эффективным и получит полноценную поддержку. А когда ты будешь готов расширить границы возможного на периферийных устройствах, YOLO26 уже будет ждать тебя.