YOLOv8 vs YOLO11:详细技术对比
在选择计算机视觉模型时,特别是对于对象检测,理解不同架构的优势和劣势至关重要。本页提供了Ultralytics YOLOv8和Ultralytics YOLO11之间的详细技术比较,这两种来自Ultralytics的最先进的模型专为对象检测和其他视觉任务而设计。我们将分析它们的架构细微差别、性能基准和适用应用,以指导您为您的项目做出明智的决定。
Ultralytics YOLOv8
作者: Glenn Jocher, Ayush Chaurasia, 和 Jing Qiu
机构: Ultralytics
日期: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
文档: https://docs.ultralytics.com/models/yolov8/
YOLOv8 于 2023 年初发布,迅速成为实时对象检测的基准,与以前的版本相比,性能有了显著的飞跃。它引入了一种无锚框检测机制和一个新的基于 CSPDarknet53 的骨干网络,从而提高了准确性和速度。YOLOv8 是一种高度通用的模型,支持全方位的视觉 AI 任务,包括检测、实例分割、姿势估计和图像分类。
架构和主要特性
YOLOv8 的架构旨在实现效率和灵活性。其无锚框头部减少了框预测的数量,简化了后处理流程并加快了推理速度。该模型被设计为一个综合框架,而不仅仅是一个单一的模型,为各种任务的训练模型提供了一个统一的平台。这种与 Ultralytics 生态系统的集成意味着用户可以从简化的工作流程中受益,从训练到部署,并获得广泛的文档和强大的工具集的支持。
优势
- 经验证的性能: 一种高度可靠且被广泛采用的模型,它为性能和速度树立了行业标准。
- 任务多功能性: 一个能够处理检测、分割、分类和姿势估计的单一统一框架。
- 成熟的生态系统: 受益于大量的社区教程、第三方集成以及在生产环境中的广泛部署。
- 易用性: 具有简单的 Python API 和 CLI,方便初学者和专家使用。
弱点
- 虽然它仍然是一个顶级的执行者,但它的准确性和速度已经被它的继任者 YOLO11 所超越,尤其是在受 CPU 限制的情况下。
- 较大的模型(YOLOv8l、YOLOv8x)计算密集度高,需要大量的 GPU 资源才能实现实时性能。
应用案例
YOLOv8 仍然是各种应用的绝佳选择,尤其是在重视稳定性和成熟生态系统的情况下。它擅长于:
Ultralytics YOLO11
作者: Glenn Jocher 和 Jing Qiu
机构: Ultralytics
日期: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
文档: https://docs.ultralytics.com/models/yolo11/
YOLO11 是 Ultralytics YOLO 系列的最新演进,专为卓越的准确性和效率而设计。YOLO11 在 YOLOv8 的强大基础上构建,引入了优化特征提取和处理的架构改进。这带来了更高的检测精度,同时减少了参数并加快了推理速度,尤其是在 CPU 上。与其前身一样,YOLO11 是一个多任务模型,在同一个精简框架内支持检测、分割、分类、姿势估计和旋转框检测 (OBB)。
架构和主要特性
YOLO11 改进了网络结构,以在计算成本和性能之间实现更好的平衡。如下面的性能表所示,与 YOLOv8 相比,它以更低的参数计数和更少的 FLOP 实现了更高的准确性。这种效率使其非常适合在各种硬件上进行部署,从资源受限的 边缘设备 到强大的云服务器。YOLO11 的一个主要优势是它可以无缝集成到维护良好的 Ultralytics 生态系统中,从而确保出色的用户体验、具有随时可用的预训练权重的高效训练过程,以及训练和推理期间更低的内存使用率。
优势
- 最先进的精度: 在所有模型尺寸上提供比 YOLOv8 更高的 mAP 分数,为对象检测设置了新标准。
- 增强的效率: 提供了明显更快的推理速度,尤其是在CPU上,同时需要更少的参数和FLOP。
- 性能平衡: 在速度和准确性之间实现了卓越的平衡,使其非常适合各种实际应用。
- 可扩展性和多功能性: 在各种硬件上表现良好,并在一个易于使用的框架内支持多种计算机视觉任务。
- 完善的生态系统: 受益于积极的开发、通过 GitHub 和 Discord 提供的强大社区支持以及频繁的更新。
弱点
- 作为一个较新的模型,与更成熟的 YOLOv8 相比,它最初可能拥有的第三方集成较少。
- 最大的模型(例如,YOLO11x)仍然需要大量的计算能力来进行训练和部署,这是高精度检测器的常见特征。
应用案例
对于需要最高级别准确性和实时性能的新项目,建议选择 YOLO11。它的效率使其成为以下各项的理想选择:
性能对比:YOLOv8 vs. YOLO11
YOLOv8 和 YOLO11 之间的主要区别在于性能。YOLO11 始终优于 YOLOv8,它以更高的效率(更少的参数和更快的速度)提供更高的精度 (mAP)。例如,YOLO11l 实现了比 YOLOv8l (52.9) 更高的 mAP (53.4),参数减少了近 42%,并且在 CPU 上的速度明显更快。这种趋势适用于所有模型变体,使 YOLO11 成为更强大、更高效的继任者。
模型 | 尺寸 (像素) |
mAPval 50-95 |
速度 CPU ONNX (毫秒) |
速度 T4 TensorRT10 (毫秒) |
参数 (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 |
结论与建议
YOLOv8 和 YOLO11 都是卓越的模型,但它们满足的需求略有不同。
-
YOLOv8 是一个强大而成熟的模型,对于已经建立在其上的项目或严重依赖其现有第三方工具和教程的广泛生态系统的项目来说,它是一个安全的选择。对于各种计算机视觉任务来说,它仍然是一个强大的选择。
-
YOLO11 在性能和效率方面明显胜出。它代表了实时对象检测的最前沿。对于任何新项目,建议从 YOLO11 开始。其卓越的准确性、更快的推理速度(尤其是在 CPU 上)以及更高效的架构提供了显著的优势,并使您的应用程序面向未来。Ultralytics 生态系统内的持续支持和开发进一步巩固了其作为开发人员和研究人员首选的地位。
对于那些有兴趣探索其他模型的人,Ultralytics 还支持一系列架构,包括基础的 YOLOv5、最新的 YOLOv9 和基于 Transformer 的模型,如 RT-DETR。您可以在我们的模型比较页面上找到更多比较。