Сравните Ultralytics , Ultralytics YOLO11 Ultralytics YOLOv8 определите, какую модель компьютерного зрения лучше выбрать для ваших проектов.
Сравните Ultralytics , Ultralytics YOLO11 Ultralytics YOLOv8 определите, какую модель компьютерного зрения лучше выбрать для ваших проектов.
Передовые системы компьютерного зрения, часто основанные на сверточных нейронных сетях (CNN), позволяют машинам анализировать и интерпретировать визуальные данные из изображений и видеороликов и в настоящее время внедряются в самых разных сферах.
От сельского хозяйства до производства и розничной торговли — эти системы работают в самых разных средах развертывания, включая периферийные устройства, встроенное оборудование, устройства Интернета вещей (IoT), обработку данных на устройствах и крупномасштабные облачные конвейеры, обеспечивающие работу приложений в режиме реального времени.
На практике внедрение этих моделей не всегда проходит гладко. Зачастую они должны работать в условиях ограниченных вычислительных ресурсов, соответствовать строгим требованиям к задержке и масштабироваться без значительного увеличения затрат. Эти ограничения превращают вопрос производительности в многоаспектную проблему, а не сводят его исключительно к вопросу точности.
Хотя точность по-прежнему имеет большое значение, не менее важно, чтобы модель эффективно работала в производственной среде. Такие факторы, как скорость, использование ресурсов и масштабируемость, играют важную роль в обеспечении стабильной производительности системы на протяжении длительного времени.
Модели компьютерного зрения, такие как YOLO Ultralytics , разрабатывались с учетом этого баланса. Например, Ultralytics YOLOv8 заложила прочную и универсальную основу, Ultralytics YOLO11 сделал еще один шаг вперед, повысив скорость и точность, а Ultralytics развивает эти достижения, став легче, быстрее и эффективнее, чем когда-либо прежде.
В этой статье мы сравним Ultralytics , YOLO11 YOLOv8 помочь вам выбрать подходящую модель для вашего проекта в области компьютерного зрения. Приступим!
Каждая новая версияYOLO Ultralytics YOLO приносит улучшения, позволяющие лучше соответствовать реальным требованиям и сделать компьютерное зрение более доступным. Эти обновления сделали модели более быстрыми, эффективными и простыми в развертывании, способствуя развитию экосистемы искусственного интеллекта в области компьютерного зрения.
Кроме того, они созданы на PyTorch, что упрощает их обучение, настройку и интеграцию в интеллектуальные рабочие процессы машинного обучения.YOLO Ultralytics YOLO поставляются в готовом виде в качестве предварительно обученных моделей, зачастую обученных на COCO , как COCO , что позволяет командам быстро приступить к работе и настроить их под конкретные задачи.
Кроме того, Python Ultralytics Python упрощает развертывание благодаря встроенной поддержке экспорта моделей в такие форматы, как ONNX TensorRT. Это облегчает интеграцию моделей на различных аппаратных платформах — от периферийных устройств до систем GPU.
ПерваяYOLO от Ultralytics , Ultralytics YOLOv5, приобрела широкую популярность благодаря своим надежным возможностям по обнаружению объектов. Основанная на одноэтапном подходе к обнаружению, она обеспечивала быстрые прогнозы в реальном времени за один проход, что делало ее идеально подходящей для производственных рабочих процессов.
В последующих обновлениях были представлены варианты без использования опорных точек, в которых модель напрямую прогнозирует расположение объектов вместо использования заранее заданных опорных рамок, что делает процесс обнаружения более гибким. Тем не менее, исходная модель по-прежнему была ориентирована в первую очередь на задачи обнаружения объектов.
Опираясь на эту основу, YOLOv8 спектр возможностей семейства моделей. Вместо того чтобы сосредоточиться исключительно на обнаружении объектов, она добавила поддержку целого ряда задач компьютерного зрения, таких как сегментация экземпляров, классификация изображений, оценка позы и обнаружение ориентированных ограничительных прямоугольников (OBB). Кроме того, в ней были внедрены архитектурные усовершенствования, включая усовершенствованные конструкции базового блока и «шеи», что позволило повысить эффективность извлечения признаков и общую производительность обнаружения.
Кроме того, такие варианты, как YOLOv8n Nano), YOLOv8s Small), YOLOv8m Medium), YOLOv8l Large) и YOLOv8x Extra Large), предоставили разработчикам возможность гибко балансировать скорость, точность и потребление ресурсов в соответствии со своими потребностями. Эти расширенные возможности в сочетании с простотой использования сделали эту модель оптимальным выбором для широкого спектра задач машинного зрения.
В дальнейшем YOLO11 на повышении производительности в реальных рабочих процессах, обеспечив более высокую точность и более высокую скорость инференции. Благодаря упрощенной архитектуре модель эффективно работает как в периферийных, так и в облачных средах, при этом оставаясь совместимой с существующими YOLOv8 .
YOLO26 — новейшаяYOLO вYOLO Ultralytics YOLO — представляет собой передовую разработку, устанавливающую новый стандарт в области искусственного интеллекта для обработки изображений с приоритетом периферийных вычислений. Она обеспечивает более компактный, быстрый и эффективный подход к внедрению в реальных условиях. Модель разработана для эффективной работы на процессорах и встроенных системах, упрощая развертывание и повышая производительность в режиме реального времени в широком спектре приложений.
Работая над проектами в области компьютерного зрения, вы можете столкнуться с различными Ultralytics и задаться вопросом, какая из них подходит для вашего проекта. Давайте рассмотрим, как модели YOLO26, YOLO11 YOLOv8 в реальных условиях.
YOLOv8 выпущена в 2023 году и с тех пор широко используется сообществом специалистов по компьютерному зрению. Благодаря активной поддержке со стороны сообщества и простоте использования в прошлом она стала одной из самых популярных моделей для многих команд. Если вы ищете модель с подробной документацией, а также обширным набором учебных материалов, руководств и ресурсов сообщества, YOLOv8 отличным отправной точкой.
В 2024 году YOLO11 представлена YOLO11 , отличающаяся улучшенными показателями производительности и эффективности. По сравнению с YOLOv8 она обеспечивает более высокую скорость и точность, сохраняя при этом более компактную и оптимизированную архитектуру. Это более сбалансированная модель, которая надежно работает в производственной среде без значительного увеличения потребления ресурсов.
В этом году была выпущена новая версия YOLO26, ориентированная на эффективное развертывание в больших масштабах. Она обеспечивает более быстрое CPU и более эффективное использование ресурсов, что позволяет командам обрабатывать больше рабочих нагрузок на том же аппаратном обеспечении.
Например, модель YOLO26 nano обеспечивает на 43 % более высокую скорость инференса по сравнению с YOLO11 центральных процессоров (CPU), что делает её отличным выбором для периферийных систем и сред с ограниченными ресурсами. Это особенно важно, поскольку традиционные конфигурации часто в значительной степени полагаются на графические процессоры (GPU), которые могут быть дорогостоящими и сложными в масштабировании.
В целом, YOLO26 — это надежный выбор для команд и отдельных пользователей, стремящихся найти оптимальный баланс между производительностью, стоимостью и масштабируемостью.
YOLO26 — это современная модель, разработанная для внедрения в реальных условиях, где эффективность, скорость и масштабируемость имеют не меньшее значение, чем точность. Вместо того чтобы сосредоточиваться исключительно на повышении результатов тестов, в ней реализованы изменения в архитектуре и процессе обучения, благодаря которым модели стали проще в эксплуатации, быстрее во внедрении и более надежными в различных аппаратных средах.
Эти усовершенствования особенно важны для периферийных и производственных систем, где ограниченные вычислительные ресурсы, требования к задержке и соображения экономичности играют ключевую роль. Благодаря упрощению процесса инференции и оптимизации производительности YOLO26 позволяет энтузиастам в области искусственного интеллекта более эффективно создавать и масштабировать приложения для обработки изображений.
Предлагаем более подробно ознакомиться с некоторыми ключевыми особенностями YOLO26:
Чтобы YOLOv8 понять различия между YOLO26, YOLO11 и YOLOv8 , давайте подробнее рассмотрим факторы, определяющие эффективность моделей в реальных условиях.
Точность, которую часто оценивают с помощью таких показателей эффективности, как средняя точность (mAP), уже давно является важным критерием оценки моделей компьютерного зрения. Она показывает, насколько хорошо модель работает в стандартных условиях, и полезна при сравнении различных версий.
Однако как только модели переходят от этапа тестирования к внедрению в реальных условиях, одной только точности уже недостаточно. Производительность в реальных условиях зависит от таких факторов, как размер модели, время вывода или задержка, загрузка вычислительных ресурсов, а также от того, насколько хорошо система масштабируется в различных средах.
В отличие от контролируемых тестов, реальные условия часто бывают непредсказуемыми. Условия освещения могут меняться, объекты могут быть видны лишь частично, а входные данные могут значительно отличаться от тех, на которых обучалась модель. Эти отклонения могут повлиять на стабильность работы модели на практике.
Например, рассмотрим систему, состоящую из сотен камер в «умном городе», розничном магазине или на складе. Каждый поток данных необходимо обрабатывать в режиме реального времени, что зачастую требует стабильной частоты кадров (кадров в секунду, или FPS) для предотвращения задержек или пропусков кадров.
Менее эффективная модель способна обрабатывать меньшее количество одновременных потоков в данной системе, а это означает, что для масштабирования, как правило, требуется дополнительное оборудование, что приводит к увеличению затрат на инфраструктуру.
Более эффективные модели, такие как YOLO26, способны обрабатывать больше потоков данных на том же аппаратном обеспечении, что позволяет более рационально использовать имеющиеся ресурсы. Это повышает общую эффективность системы и упрощает её масштабирование с течением времени.
Чтобы подробнее ознакомиться с сравнением YOLO26, YOLO11 YOLOv8, ознакомьтесь с официальной Ultralytics .
СерияYOLO Ultralytics YOLO постоянно совершенствуется, чтобы лучше соответствовать реальным требованиям внедрения. Каждая новая версия основана на предыдущей, при этом всё большее внимание уделяется эффективности, масштабируемости и простоте внедрения. Другими словами, если вы разрабатываете приложение для обнаружения в режиме реального времени, которое должно надежно работать в условиях масштабного развертывания, Ultralytics станет идеальным выбором.
Хотите внедрить систему искусственного интеллекта для машинного зрения в свою деятельность? Ознакомьтесь с нашими вариантами лицензирования. Вы также можете посетить страницы с описанием наших решений, чтобы узнать, как ИИ в производстве преобразует заводы и как система искусственного интеллекта для машинного зрения в робототехнике формирует будущее. Присоединяйтесь к нашему растущему сообществу и изучите наш репозиторий на GitHub, где вы найдете ресурсы по ИИ.
Начните свой путь в будущее машинного обучения
