YOLOv8 и YOLO11#

Быстрое развитие компьютерного зрения во многом обусловлено постоянным совершенствованием фреймворков для обнаружения объектов в реальном времени. Разработчикам и исследователям, работающим в современной сфере, важно выбрать подходящую модель, чтобы найти баланс между точностью, скоростью и эффективностью использования ресурсов. В этом техническом сравнении мы рассмотрим различия между двумя базовыми моделями из экосистемы Ultralytics: Ultralytics YOLOv8 и Ultralytics YOLO11.

Обе модели обладают характерными для архитектур Ultralytics преимуществами: простотой использования, хорошо поддерживаемой экосистемой и непревзойденной эффективностью обучения при низких требованиях к памяти. Давай подробно рассмотрим архитектуру, результаты тестов производительности и оптимальные сценарии развертывания этих моделей.

Обзор моделей#

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

Ultralytics YOLOv8#

Выпущенная в начале 2023 года как значительный шаг вперед, YOLOv8 представила обнаружение без якорей и существенные улучшения функций потерь. Модель быстро стала 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#

Развивая успех предшественников, YOLO11 усовершенствовала базовую архитектуру и еще больше расширила границу Парето между точностью и задержкой. В модели оптимизировали число параметров, не жертвуя качеством предсказаний.

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

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 базовая CNN-архитектура без традиционных якорных рамок: обнаружение объектов рассматривается как задача предсказания центральной точки. Такой подход без якорей значительно упрощает регрессию ограничивающих рамок. YOLO11 развивает эту основу: в модели появилась оптимизированная сеть пирамиды признаков (FPN), а блоки C2f были заменены модулями C3k2. Это позволяет YOLO11 извлекать более насыщенные пространственные признаки и точнее обнаруживать мелкие объекты, часто встречающиеся в наборе данных COCO.

Требования к памяти и эффективность обучения#

Одно из самых заметных преимуществ YOLOv8 и YOLO11 — низкие требования к памяти во время обучения. В отличие от ресурсоемких визуальных Transformer-моделей, которые могут быстро исчерпать VRAM потребительского оборудования, эти модели оптимизированы для доступного обучения с помощью PyTorch на стандартных GPU. В крупной версии (L) YOLO11 использует до 42% меньше параметров, чем YOLOv8, и одновременно повышает среднюю точность (mAP). Это сокращает длительность эпох и углеродный след обучения модели.

Метрики производительности#

Чтобы объективно оценить баланс производительности этих моделей, нужно обратиться к результатам тестов. В таблице ниже сравниваются YOLOv8 и YOLO11 в стандартных вариантах 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, демонстрирует более высокую эффективность YOLO11 при развертывании на периферийных устройствах. При экспорте в NVIDIA TensorRT обе модели обеспечивают впечатляюще низкую задержку — менее 15 мс, что важно для анализа видеопотоков в реальных условиях.

Экосистема и простота использования#

Обе модели значительно выигрывают от унифицированного Python-пакета ultralytics. Благодаря простоте использования инженеры могут легко переключаться между YOLOv8 и YOLO11. Для обучения, валидации и экспорта достаточно всего нескольких строк 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")

Благодаря интеграции с платформой Ultralytics проще обучать модели в облаке, отслеживать их работу и развертывать их без глубоких знаний DevOps.

Универсальность и реальные сценарии применения#

Одна из главных особенностей фреймворка Ultralytics — его изначальная универсальность. YOLOv8 и YOLO11 поддерживают множество задач компьютерного зрения помимо стандартного обнаружения объектов:

• Сегментация экземпляров: высокоточные маски на уровне пикселей, полезные для анализа медицинских изображений и автономного вождения.
• Оценка позы: обнаружение ключевых точек для спортивной аналитики и взаимодействия человека с компьютером.
• Классификация изображений: легковесная категоризация на основе базовых сетей, обученных на ImageNet.
• Ориентированные ограничивающие рамки (OBB): необходимы для обнаружения повернутых объектов на спутниковых снимках.

YOLOv8 доступна дольше, поэтому для нее создана огромная библиотека пользовательских обучающих материалов и тщательно проверенных корпоративных решений. Если ты интегрируешь модель в устаревшие конвейеры, которые требуют строго определенных форм тензоров YOLOv8, она остается надежным выбором. Однако для новых проектов, где на первом месте максимальная эффективность, например для развертывания на встраиваемых периферийных устройствах вроде Raspberry Pi, YOLO11 явно выигрывает благодаря более высокому соотношению скорости к числу параметров.

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 решение для нескольких задач: проекты, которым нужна проверенная модель для обнаружения объектов, 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:

• Промышленное развертывание на периферийных устройствах: коммерческие приложения на устройствах вроде Raspberry Pi или NVIDIA Jetson, где особенно важны надёжность и активная поддержка.
• Многозадачные приложения компьютерного зрения: проекты, в которых в рамках единого фреймворка требуются обнаружение объектов, сегментация, оценка позы и OBB.
• 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 необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
• Среды только с CPU: Устройства без выделенного ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

На переднем крае: преимущество YOLO26#

Хотя YOLOv8 и YOLO11 — превосходные архитектуры, ИИ постоянно развивается. Для разработчиков, которые стремятся использовать самые современные решения в 2026 году, Ultralytics YOLO26 станет следующим значительным шагом вперед.

YOLO26 полностью переосмысливает конвейер развертывания. Модель использует сквозную архитектуру без NMS — революционный подход, впервые примененный в YOLOv10, который с помощью nms=False устраняет сложные этапы постобработки. Кроме того, удаление DFL (Distribution Focal Loss) значительно упрощает логику экспорта и повышает совместимость с периферийными устройствами с низким энергопотреблением. В результате инференс на CPU становится до 43% быстрее, чем у предшественников.

Новый оптимизатор MuSGD, гибридный подход, вдохновленный методами обучения LLM, значительно повышает стабильность обучения и скорость сходимости. Кроме того, новые варианты функций потерь, такие как ProgLoss + STAL, заметно улучшают распознавание мелких объектов — это давняя проблема в области IoT и робототехники. YOLO26 также использует специализированные улучшения: RLE для оценки позы и многомасштабный прототип для сегментации, что делает модель непревзойденной.

Заключение#

Выбор между YOLOv8 и YOLO11 зависит от сроков проекта и ограничений оборудования. YOLOv8 — проверенный временем лидер отрасли, обеспечивающий непревзойденную стабильность. YOLO11 развивает эту архитектуру и обеспечивает более высокий mAP при меньшем числе параметров, что делает модель привлекательной для периферийных приложений с ограниченными ресурсами. Независимо от твоего выбора, удобный Python API Ultralytics позволит сохранить гибкость и эффективность разработки и обеспечит надежную поддержку. А когда ты будешь готов расширить границы возможного на периферийных устройствах, тебя будет ждать YOLO26.