Ultralytics YOLO27:

Comparações de modelos#

Escolher a arquitetura de rede neural certa é a base de qualquer projeto bem-sucedido de visão computacional. Bem-vindo ao Hub de Comparação de Modelos da Ultralytics! Esta página centraliza análises técnicas detalhadas e benchmarks de desempenho, examinando os compromissos 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 edge ou a precisão de alta fidelidade necessária para imagiologia médica, este guia fornece os insights baseados em dados necessários para tomares uma decisão informada. Avaliamos os modelos com base na precisão média (mAP), velocidade de inferência, eficiência dos parâmetros e 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 compara métricas importantes em datasets padrão como o COCO.

Este gráfico visualiza as principais métricas de desempenho, permitindo-te avaliar rapidamente os compromissos entre diferentes modelos. Compreender estas métricas é fundamental para selecionar um modelo alinhado com as tuas restrições específicas de implementação.

Guia rápido para a decisão#

Não sabes por onde começar? Usa esta árvore de decisão para restringir as opções à arquitetura que melhor se adapta ao teu hardware e aos teus requisitos de 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 cenário atual: YOLO26 e além#

O campo da deteção de objetos evolui rapidamente. Embora os modelos mais antigos continuem a ser relevantes para suporte legado, as novas arquiteturas ampliam os limites do que é possível.

Ultralytics YOLO26#

Lançado em janeiro de 2026, o YOLO26 é o mais recente modelo de vanguarda e o ponto de partida recomendado para todos os projetos novos. Introduz inovações arquitetónicas revolucionárias, incluindo um Design End-to-End sem NMS que elimina a necessidade de pós-processamento de supressão de não máximos, resultando em tempos de inferência mais rápidos e previsíveis. O YOLO26 é até 43% mais rápido em CPUs do que as gerações anteriores, sendo ideal para implementação em edge.

As principais inovações incluem:

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

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

Ultralytics YOLO11#

O YOLO11 continua a ser um modelo altamente competente, oferecendo uma redução de 22% nos parâmetros em comparação com o YOLOv8 e melhorando simultaneamente a precisão da deteção. É totalmente suportado e recomendado para utilizadores que precisam de estabilidade comprovada ou que já têm pipelines de YOLO11.

Modelos da comunidade: uma nota sobre YOLO12 e YOLO13#

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

Cuidado em produção

Atualmente, não recomendamos o YOLO12 nem o YOLO13 para utilização 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 simultaneamente maior e mais lento. Os resultados divulgados revelaram 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 compreender diferenças arquitetónicas específicas, como a seleção do backbone, o design da head e as funções de perda. Organizámo-las por modelo para facilitar o acesso:

YOLO26 vs.#

O YOLO26 é o mais recente modelo da Ultralytics, com deteção end-to-end sem NMS, o otimizador MuSGD e inferência em CPU até 43% mais rápida. Está otimizado para implementação em edge, alcançando simultaneamente uma precisão de vanguarda.

YOLO11 vs.#

O YOLO11 desenvolve-se a partir do sucesso dos seus antecessores, incorporando investigação de ponta. Apresenta uma arquitetura de backbone e neck melhorada para uma extração de características superior e uma eficiência otimizada.

YOLOv10 vs.#

Desenvolvido pela Universidade de Tsinghua, o YOLOv10 concentra-se na remoção da etapa de supressão de não máximos (NMS) para reduzir a variância da latência, oferecendo desempenho de vanguarda com menor sobrecarga computacional.

YOLOv9 vs.#

O YOLOv9 introduz a Informação de Gradiente Programável (PGI) e a Rede Generalizada de Agregação Eficiente de Camadas (GELAN) para resolver a perda de informação em redes neurais profundas.

YOLOv8 vs.#

O Ultralytics YOLOv8 continua a ser uma escolha muito popular, com arquiteturas avançadas de backbone e neck e uma head dividida sem âncoras para um compromisso ideal entre precisão e velocidade.

YOLOv7 vs#

O YOLOv7 introduziu um "conjunto treinável de recursos gratuitos" e a reparametrização do modelo, com foco na otimização do processo de treino sem aumentar os custos de inferência.

YOLOv6 vs#

O YOLOv6 da Meituan foi concebido para aplicações industriais, apresentando módulos de concatenação bidirecional (BiC) e estratégias de treino auxiliadas por âncoras.

YOLOv5 vs#

O YOLOv5 da Ultralytics é reconhecido pela facilidade de utilização, estabilidade e velocidade. Continua a ser uma opção robusta para projetos que exigem ampla compatibilidade com dispositivos.

RT-DETR vs#

O RT-DETR (Transformer de deteção em tempo real) utiliza transformers de visão para alcançar elevada precisão com desempenho em tempo real, destacando-se na compreensão do contexto global.

PP-YOLOE+ vs#

O PP-YOLOE+, desenvolvido pela Baidu, utiliza a aprendizagem de alinhamento de tarefas (TAL) e uma cabeça desacoplada para equilibrar eficiência e precisão.

DAMO-YOLO vs#

Da Alibaba Group, o DAMO-YOLO utiliza a pesquisa de arquitetura neural (NAS) e a RepGFPN eficiente para maximizar a precisão em benchmarks estáticos.

YOLOX vs#

O YOLOX, desenvolvido pela Megvii, é uma evolução sem âncoras conhecida pela sua cabeça desacoplada e pela estratégia de atribuição de rótulos SimOTA.

EfficientDet vs#

O EfficientDet da Google Brain utiliza escalonamento composto e BiFPN para otimizar a eficiência dos parâmetros, oferecendo um conjunto de modelos (D0-D7) para diferentes restrições.

Este índice é atualizado continuamente à medida que novos modelos são lançados e os benchmarks são aperfeiçoados. Incentivamos-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