Começar

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
Por que escolher YOLO26?

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.

Cuidados para uso em produção

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

YOLOX versus#

Desenvolvido pela Megvii, o YOLOX é uma evolução sem âncoras, conhecida pela cabeça desacoplada e pela estratégia de atribuição de rótulos SimOTA.

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.

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.