Comparações de modelos
Escolher a arquitetura de rede neural certa é a base de qualquer projeto bem-sucedido de visão computacional. O Ultralytics Model Comparison Hub reúne análises técnicas detalhadas e benchmarks de desempenho que abrangem as compensações entre o mais recente Ultralytics YOLO26 e outras arquiteturas líderes, como YOLO11, YOLOv10, RT-DETR e EfficientDet.
Quer a tua aplicação exija a latência de milissegundos da IA de borda, quer a alta precisão necessária para imagens médicas, este guia fornece os dados de que precisas para tomar uma decisão informada. Os modelos são avaliados com base na precisão média média (mAP), velocidade de inferência, eficiência de parâmetros e facilidade de implementação.
Benchmarks interativos de desempenho#
Visualizar a relação entre velocidade e precisão é essencial para identificar a "fronteira de Pareto" da detecção de objetos — modelos que oferecem a melhor precisão para determinado limite de velocidade. O gráfico abaixo compara métricas importantes em conjuntos de dados padrão, como o COCO.
Este gráfico ilustra as principais métricas de desempenho para que possas avaliar rapidamente as compensações entre diferentes modelos. Compreender estas métricas é essencial para selecionar um modelo adequado às tuas limitações de implementação.
Guia rápido para tomar decisões#
Não sabe por onde começar? Use esta árvore de decisão para escolher a arquitetura que melhor atende aos requisitos do seu hardware e desempenho.
O cenário atual: YOLO26 e além#
A deteção de objetos evolui rapidamente. Embora os modelos mais antigos continuem a ser relevantes para implementações existentes, as novas arquiteturas continuam a melhorar a velocidade e a precisão.
Ultralytics YOLO26#
Lançado em janeiro de 2026, YOLO26 é o modelo mais recente da Ultralytics e o ponto de partida recomendado para todos os novos projetos. Introduz inovações arquiteturais, incluindo um design opcional de ponta a ponta sem NMS (nms=False) que elimina a necessidade do pós-processamento de supressão não máxima (NMS), resultando em tempos de inferência mais rápidos e previsíveis. YOLO26n é até 43% mais rápido em CPUs do que YOLO11n, o que torna YOLO26 uma boa opção para implementações de borda.
Principais inovações:
- Ponta a ponta sem NMS: Implantação simplificada, sem necessidade de pós-processamento com NMS (
nms=False) - Remoção de DFL: exportações simplificadas para ONNX, TensorRT e CoreML
- Otimizador MuSGD: otimizador híbrido SGD/Muon inspirado no treinamento de LLM, para uma convergência estável
- ProgLoss + STAL: desempenho aprimorado na detecção de objetos pequenos
YOLO26 combina a eficiência das CNN com capacidades de ponta a ponta semelhantes às dos Transformer. Suporta todas as tarefas da Ultralytics (deteção, segmentação de instâncias e semântica, estimativa de profundidade, classificação, estimativa de pose e OBB), sendo menor, mais rápido e mais fácil de implementar do que as gerações anteriores.
Ultralytics YOLO11#
YOLO11 continua a ser um modelo altamente capaz: YOLO11m usa 22% menos parâmetros do que YOLOv8m e, ao mesmo tempo, alcança maior precisão de deteção. Tem suporte completo e é recomendado para quem precisa de estabilidade comprovada ou já tem pipelines YOLO11.
Modelos da comunidade: uma observação sobre YOLO12 e YOLO13#
Você pode encontrar referências a YOLO12 ou YOLO13 em discussões ou repositórios da comunidade.
Atualmente, não recomendamos YOLO12 nem YOLO13 para uso em produção.
- YOLO12: utiliza camadas de atenção que frequentemente causam instabilidade no treinamento, consumo excessivo de memória e velocidades de inferência na CPU significativamente mais lentas.
- YOLO13: os benchmarks indicam ganhos de precisão apenas marginais em relação ao YOLO11, embora seja maior e mais lento. Os resultados divulgados apresentaram problemas de reprodutibilidade.
Assista: Comparação de modelos YOLO: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8
Comparações detalhadas entre modelos#
Explora as comparações técnicas abaixo para compreender diferenças arquiteturais específicas, como a seleção do backbone, o design da cabeça e as funções de perda. Estão organizadas por modelo:
YOLO26 vs.#
YOLO26 é o modelo mais recente da Ultralytics, com deteção de ponta a ponta sem NMS, o otimizador MuSGD e inferência em CPU até 43% mais rápida para YOLO26n em comparação com YOLO11n. Está otimizado para implementações de borda e, ao mesmo tempo, alcança alta precisão.
- YOLO26 vs YOLO11
- YOLO26 vs YOLOv10
- YOLO26 vs YOLOv9
- YOLO26 vs YOLOv8
- YOLO26 vs YOLOv7
- YOLO26 vs YOLOv6-3.0
- YOLO26 vs YOLOv5
- YOLO26 vs PP-YOLOE+
- YOLO26 vs DAMO-YOLO
- YOLO26 vs YOLOX
- YOLO26 vs RT-DETR
- YOLO26 vs EfficientDet
YOLO11 vs.#
YOLO11 baseia-se no sucesso dos seus antecessores. Apresenta uma arquitetura de backbone e neck melhorada para uma extração de características e eficiência superiores.
- YOLO11 vs YOLO26
- YOLO11 vs YOLOv10
- YOLO11 vs YOLOv9
- YOLO11 vs YOLOv8
- YOLO11 vs YOLOv7
- YOLO11 vs YOLOv6-3.0
- YOLO11 vs YOLOv5
- YOLO11 vs PP-YOLOE+
- YOLO11 vs DAMO-YOLO
- YOLO11 vs YOLOX
- YOLO11 vs RT-DETR
- YOLO11 vs EfficientDet
YOLOv10 vs.#
Desenvolvido pela Universidade de Tsinghua, YOLOv10 concentra-se em eliminar a etapa NMS para reduzir a variação da latência, oferecendo um desempenho robusto com menor sobrecarga computacional.
- YOLOv10 vs YOLO26
- YOLOv10 vs YOLO11
- YOLOv10 vs YOLOv9
- YOLOv10 vs YOLOv8
- YOLOv10 vs YOLOv7
- YOLOv10 vs YOLOv6-3.0
- YOLOv10 vs YOLOv5
- YOLOv10 vs PP-YOLOE+
- YOLOv10 vs DAMO-YOLO
- YOLOv10 vs YOLOX
- YOLOv10 vs RT-DETR
- YOLOv10 vs EfficientDet
YOLOv9 vs.#
YOLOv9 introduz Informação Gradiente Programável (PGI) e a Rede Generalizada de Agregação Eficiente de Camadas (GELAN) para resolver a perda de informação em redes neurais profundas.
- YOLOv9 vs YOLO26
- YOLOv9 vs YOLO11
- YOLOv9 vs YOLOv10
- YOLOv9 vs YOLOv8
- YOLOv9 vs YOLOv7
- YOLOv9 vs YOLOv6-3.0
- YOLOv9 vs YOLOv5
- YOLOv9 vs PP-YOLOE+
- YOLOv9 vs DAMO-YOLO
- YOLOv9 vs YOLOX
- YOLOv9 vs RT-DETR
- YOLOv9 vs EfficientDet
YOLOv8 vs.#
Ultralytics YOLOv8 continua a ser uma opção muito popular. A sua arquitetura combina um backbone e um neck avançados com uma cabeça dividida sem âncoras, oferecendo um forte equilíbrio entre precisão e velocidade.
- YOLOv8 vs YOLO26
- YOLOv8 vs YOLO11
- YOLOv8 vs YOLOv10
- YOLOv8 vs YOLOv9
- YOLOv8 vs YOLOv7
- YOLOv8 vs YOLOv6-3.0
- YOLOv8 vs YOLOv5
- YOLOv8 vs PP-YOLOE+
- YOLOv8 vs DAMO-YOLO
- YOLOv8 vs YOLOX
- YOLOv8 vs RT-DETR
- YOLOv8 vs EfficientDet
YOLOv7 vs.#
YOLOv7 introduziu a «bag-of-freebies treinável» e a reparametrização do modelo, concentrando-se na otimização do processo de treino sem aumentar os custos de inferência.
- YOLOv7 vs YOLO26
- YOLOv7 vs YOLO11
- YOLOv7 vs YOLOv10
- YOLOv7 vs YOLOv9
- YOLOv7 vs YOLOv8
- YOLOv7 vs YOLOv6-3.0
- YOLOv7 vs YOLOv5
- YOLOv7 vs PP-YOLOE+
- YOLOv7 vs DAMO-YOLO
- YOLOv7 versus YOLOX
- YOLOv7 versus RT-DETR
- YOLOv7 versus EfficientDet
YOLOv6 vs.#
O YOLOv6 da Meituan foi concebido para aplicações industriais e inclui módulos de concatenação bidirecional (BiC) e estratégias de treino auxiliado por âncoras.
- YOLOv6-3.0 versus YOLO26
- YOLOv6-3.0 versus YOLO11
- YOLOv6-3.0 versus YOLOv10
- YOLOv6-3.0 versus YOLOv9
- YOLOv6-3.0 versus YOLOv8
- YOLOv6-3.0 versus YOLOv7
- YOLOv6-3.0 versus YOLOv5
- YOLOv6-3.0 versus PP-YOLOE+
- YOLOv6-3.0 versus DAMO-YOLO
- YOLOv6-3.0 versus YOLOX
- YOLOv6-3.0 versus RT-DETR
- YOLOv6-3.0 versus EfficientDet
YOLOv5 vs.#
Ultralytics YOLOv5 é conhecido pela facilidade de utilização, estabilidade e velocidade. Continua a ser uma opção robusta para projetos que exigem ampla compatibilidade com dispositivos.
- YOLOv5 versus YOLO26
- YOLOv5 versus YOLO11
- YOLOv5 versus YOLOv10
- YOLOv5 versus YOLOv9
- YOLOv5 versus YOLOv8
- YOLOv5 versus YOLOv7
- YOLOv5 versus YOLOv6-3.0
- YOLOv5 versus PP-YOLOE+
- YOLOv5 versus DAMO-YOLO
- YOLOv5 versus YOLOX
- YOLOv5 versus RT-DETR
- YOLOv5 versus EfficientDet
RT-DETR vs.#
RT-DETR (Transformer de deteção em tempo real) combina um backbone CNN com um codificador-descodificador Transformer para alcançar alta precisão e desempenho em tempo real, destacando-se na compreensão do contexto global.
- RT-DETR versus YOLO26
- RT-DETR versus YOLO11
- RT-DETR versus YOLOv10
- RT-DETR versus YOLOv9
- RT-DETR versus YOLOv8
- RT-DETR versus YOLOv7
- RT-DETR versus YOLOv6-3.0
- RT-DETR versus YOLOv5
- RT-DETR versus PP-YOLOE+
- RT-DETR versus DAMO-YOLO
- RT-DETR versus YOLOX
- RT-DETR versus EfficientDet
PP-YOLOE+ versus#
O PP-YOLOE+, desenvolvido pela Baidu, usa aprendizagem de alinhamento de tarefas (TAL) e uma cabeça desacoplada para equilibrar eficiência e precisão.
- PP-YOLOE+ versus YOLO26
- PP-YOLOE+ versus YOLO11
- PP-YOLOE+ versus YOLOv10
- PP-YOLOE+ versus YOLOv9
- PP-YOLOE+ versus YOLOv8
- PP-YOLOE+ versus YOLOv7
- PP-YOLOE+ versus YOLOv6-3.0
- PP-YOLOE+ versus YOLOv5
- PP-YOLOE+ versus DAMO-YOLO
- PP-YOLOE+ versus YOLOX
- PP-YOLOE+ versus RT-DETR
- PP-YOLOE+ versus EfficientDet
DAMO-YOLO versus#
Da Alibaba Group, DAMO-YOLO utiliza a Pesquisa de Arquitetura Neural (NAS) e um neck RepGFPN eficiente para equilibrar latência e precisão.
- DAMO-YOLO versus YOLO26
- DAMO-YOLO versus YOLO11
- DAMO-YOLO versus YOLOv10
- DAMO-YOLO versus YOLOv9
- DAMO-YOLO versus YOLOv8
- DAMO-YOLO versus YOLOv7
- DAMO-YOLO versus YOLOv6-3.0
- DAMO-YOLO versus YOLOv5
- DAMO-YOLO versus PP-YOLOE+
- DAMO-YOLO versus YOLOX
- DAMO-YOLO versus RT-DETR
- DAMO-YOLO versus EfficientDet
YOLOX versus#
Desenvolvido pela Megvii, o YOLOX é uma evolução sem âncoras, conhecida pela cabeça desacoplada e pela estratégia de atribuição de rótulos SimOTA.
- YOLOX versus YOLO26
- YOLOX versus YOLO11
- YOLOX versus YOLOv10
- YOLOX versus YOLOv9
- YOLOX versus YOLOv8
- YOLOX versus YOLOv7
- YOLOX versus YOLOv6-3.0
- YOLOX versus YOLOv5
- YOLOX versus PP-YOLOE+
- YOLOX versus DAMO-YOLO
- YOLOX versus RT-DETR
- YOLOX versus EfficientDet
EfficientDet versus#
O EfficientDet da Google Brain usa escalonamento composto e BiFPN para otimizar a eficiência dos parâmetros, oferecendo uma gama de modelos (D0-D7) para diferentes restrições.
- EfficientDet versus YOLO26
- EfficientDet versus YOLO11
- EfficientDet versus YOLOv10
- EfficientDet versus YOLOv9
- EfficientDet versus YOLOv8
- EfficientDet versus YOLOv7
- EfficientDet versus YOLOv6-3.0
- EfficientDet versus YOLOv5
- EfficientDet versus PP-YOLOE+
- EfficientDet versus DAMO-YOLO
- EfficientDet versus YOLOX
- EfficientDet vs RT-DETR
Este índice é atualizado à medida que novos modelos são lançados e os benchmarks são aperfeiçoados. Para implementações empresariais que exigem licenciamento privado, consulta a página de licenciamento da Ultralytics.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.