YOLO Vision 2026:

Comparações de modelos#

Escolher a arquitetura de rede neural certa é a base de qualquer projeto bem-sucedido de computer vision. Bem-vindo ao Ultralytics Model Comparison Hub! Esta página centraliza análises técnicas detalhadas e benchmarks de desempenho, analisando as compensações entre o mais recente Ultralytics YOLO26 e outras arquiteturas líderes como YOLO11, YOLOv10, RT-DETR e EfficientDet.

Se a tua aplicação exige a latência de milissegundos da edge AI ou a precisão de alta fidelidade necessária para imagens médicas, este guia fornece os insights orientados a dados necessários para fazeres uma escolha informada. Avaliamos os modelos com base na mean Average Precision (mAP), na inference speed, na eficiência de parâmetros e na facilidade de implementação.

Benchmarks de desempenho interativos#

Visualizar a relação entre velocidade e precisão é essencial para identificar a "fronteira de Pareto" da deteção de objetos — modelos que oferecem a melhor precisão para uma determinada restrição de velocidade. O gráfico abaixo contrasta métricas-chave em datasets like COCO padrão.

Este gráfico visualiza performance metrics fundamentais, permitindo-te avaliar rapidamente as compensações entre diferentes modelos. Compreender estas métricas é fundamental para selecionar um modelo que se alinhe com as tuas restrições específicas de implementação.

Guia de decisão rápida#

Não tens a certeza por onde começar? Usa esta árvore de decisão para restringir a arquitetura que melhor se adapta aos teus requisitos de hardware e desempenho.

graph TD
    A[Start: Define Project Needs]:::start --> B{Deployment Hardware?}:::decide
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}:::decide
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}:::decide

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]:::out
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]:::out

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]:::out
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]:::out

    A --> I{Specialized Features?}:::decide
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]:::out
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]:::out
    I -- "Video Analytics" --> L[YOLO26 + Tracking]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

O panorama atual: YOLO26 e além#

O campo da detecção de objetos avança rapidamente. Embora modelos mais antigos permaneçam relevantes para suporte legado, novas arquiteturas expandem os limites do que é possível.

Ultralytics YOLO26#

Lançado em janeiro de 2026, o YOLO26 é o modelo de última geração mais recente e o ponto de partida recomendado para todos os novos projetos. Ele introduz inovações arquitetónicas revolucionárias, incluindo um Design End-to-End NMS-Free que elimina a necessidade de pós-processamento de Non-Maximum Suppression, resultando em tempos de inferência mais rápidos e previsíveis. O YOLO26 é até 43% mais rápido em CPUs em comparação com gerações anteriores, tornando-o ideal para implementação na borda.

As principais inovações incluem:

  • NMS-Free End-to-End: Implementação simplificada sem necessidade de pós-processamento
  • Remoção de DFL: Exportações simplificadas para ONNX, TensorRT e CoreML
  • Otimizador MuSGD: Otimizador híbrido SGD/Muon inspirado no treino de LLMs para uma convergência estável
  • ProgLoss + STAL: Desempenho aprimorado na detecção de pequenos objetos
Por que escolher o YOLO26?

O YOLO26 representa o auge da engenharia Ultralytics, combinando o melhor da eficiência CNN com capacidades end-to-end semelhantes às dos Transformers. Ele suporta todas as tarefas—detecção, segmentação, estimativa de pose, classificação e OBB—enquanto é mais pequeno, rápido e fácil de implementar do que nunca.

Ultralytics YOLO11#

O YOLO11 continua a ser um modelo altamente capaz, oferecendo uma redução de 22% nos parâmetros em comparação com o YOLOv8, ao mesmo tempo que melhora a precisão da detecção. Ele tem suporte total e é recomendado para utilizadores que precisam de estabilidade comprovada ou que já possuem pipelines YOLO11.

Modelos da comunidade: uma nota sobre YOLO12 e YOLO13#

Podes encontrar referências ao YOLO12 ou YOLO13 em discussões da comunidade ou repositórios.

Aviso de produção

Atualmente não recomendamos o YOLO12 ou YOLO13 para uso em produção.

  • YOLO12: Utiliza camadas de atenção que frequentemente causam instabilidade no treino, consumo excessivo de memória e velocidades de inferência em CPU significativamente mais lentas.
  • YOLO13: Os benchmarks indicam apenas ganhos marginais de precisão em relação ao YOLO11, sendo maior e mais lento. Os resultados relatados mostraram problemas de reprodutibilidade.


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Comparações detalhadas de modelos#

Explora as nossas comparações técnicas aprofundadas para entender as diferenças arquitetónicas específicas, tais como a seleção da backbone, o design da head e as funções de perda. Organizámo-las por modelo para facilitar o acesso:

YOLO26 vs#

YOLO26 é o modelo mais recente da Ultralytics que apresenta deteção de ponta a ponta sem NMS, o otimizador MuSGD e uma inferência de CPU até 43% mais rápida. Está otimizado para implementação em edge enquanto atinge precisão de última geração.

YOLO11 vs#

YOLO11 baseia-se no sucesso dos seus antecessores com pesquisa de ponta. Apresenta uma arquitetura melhorada de backbone e neck para uma melhor extração de características e eficiência otimizada.

YOLOv10 vs#

Desenvolvido pela Universidade de Tsinghua, o YOLOv10 foca-se em remover a etapa de Non-Maximum Suppression (NMS) para reduzir a variância de latência, oferecendo desempenho de última geração com menor sobrecarga computacional.

YOLOv9 vs#

O YOLOv9 introduz a Programmable Gradient Information (PGI) e a Generalized Efficient Layer Aggregation Network (GELAN) para resolver a perda de informação em redes neuronais profundas.

YOLOv8 vs#

Ultralytics YOLOv8 continua a ser uma escolha muito popular, apresentando arquiteturas avançadas de backbone e neck, além de uma cabeça dividida sem âncoras para ótimas compensações entre precisão e velocidade.

YOLOv7 vs#

O YOLOv7 introduziu "trainable bag-of-freebies" e reparametrização de modelo, focando na otimização do processo de treinamento sem aumentar os custos de inferência.

YOLOv6 vs#

O YOLOv6 da Meituan foi projetado para aplicações industriais, apresentando módulos de Concatenação Bidirecional (BiC) e estratégias de treinamento auxiliadas por âncoras.

YOLOv5 vs#

Ultralytics YOLOv5 é conhecido pela sua facilidade de uso, estabilidade e velocidade. Continua a ser uma escolha robusta para projetos que exigem ampla compatibilidade de dispositivos.

RT-DETR vs#

O RT-DETR (Real-Time Detection Transformer) utiliza vision transformers para alcançar alta precisão com desempenho em tempo real, destacando-se na compreensão do contexto global.

PP-YOLOE+ vs#

O PP-YOLOE+, desenvolvido pela Baidu, usa Task Alignment Learning (TAL) e um head desacoplado para equilibrar eficiência e precisão.

DAMO-YOLO vs#

Do Alibaba Group, o DAMO-YOLO emprega Neural Architecture Search (NAS) e um eficiente RepGFPN para maximizar a precisão em benchmarks estáticos.

YOLOX vs#

O YOLOX, desenvolvido pela Megvii, é uma evolução anchor-free conhecida pelo seu head desacoplado e pela estratégia de atribuição de rótulos SimOTA.

EfficientDet vs#

O EfficientDet do Google Brain usa compound scaling e BiFPN para otimizar a eficiência dos parâmetros, oferecendo um espectro de modelos (D0-D7) para diferentes restrições.

Este índice é atualizado continuamente à medida que novos modelos são lançados e os benchmarks são aprimorados. Encorajamos-te a explorar estes recursos para encontrares a opção ideal para o teu próximo projeto de visão computacional. Se procuras soluções de nível empresarial com licenciamento privado, visita a nossa página de Licenciamento. Boas comparações!

Contribuidores
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

Comentários