Meet YOLO26: next-gen vision AI.

Link to this sectionComparações de modelos: escolha o melhor modelo de detecção de objetos para o teu projeto#

Escolher a arquitetura de rede neural certa é a pedra angular de qualquer projeto de visão computacional de sucesso. Bem-vindo ao Ultralytics Model Comparison Hub! Esta página centraliza análises técnicas detalhadas e benchmarks de desempenho, dissecando 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 Edge AI ou a precisão de alta fidelidade necessária para imagiologia médica, este guia fornece os insights baseados em dados necessários para fazeres uma escolha informada. Avaliamos modelos com base na Precisão Média (mAP), velocidade de inferência, eficiência de parâmetros e facilidade de implementação.

Link to this sectionBenchmarks de desempenho interativos#

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 uma determinada restrição de velocidade. O gráfico abaixo contrasta métricas-chave em datasets como o COCO.

Este gráfico visualiza métricas de desempenho chave que te permitem avaliar rapidamente as compensações entre diferentes modelos. Entender estas métricas é fundamental para selecionar um modelo que se alinhe com as tuas restrições específicas de implementação.

Link to this sectionGuia 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] --> B{Deployment Hardware?}
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}

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

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

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

Link to this sectionO 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.

Link to this sectionUltralytics 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.

Link to this sectionUltralytics 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.

Link to this sectionModelos 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

Link to this sectionComparações 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:

Link to this sectionYOLO26 vs#

O YOLO26 é o modelo mais recente da Ultralytics, apresentando detecção end-to-end sem NMS, o otimizador MuSGD e uma inferência em CPU até 43% mais rápida. Está otimizado para implementação na borda, alcançando uma precisão de última geração.

Link to this sectionYOLO11 vs#

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

Link to this sectionYOLOv10 vs#

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

Link to this sectionYOLOv9 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.

Link to this sectionYOLOv8 vs#

O Ultralytics YOLOv8 continua a ser uma escolha muito popular, apresentando arquiteturas avançadas de backbone e neck e uma split head sem âncoras para compensações ideais entre precisão e velocidade.

Link to this sectionYOLOv7 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.

Link to this sectionYOLOv6 vs#

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

Link to this sectionYOLOv5 vs#

O Ultralytics YOLOv5 é aclamado pela sua facilidade de uso, estabilidade e velocidade. Continua sendo uma escolha sólida para projetos que exigem ampla compatibilidade com dispositivos.

Link to this sectionRT-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.

Link to this sectionPP-YOLOE+ vs#

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

Link to this sectionDAMO-YOLO vs#

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

Link to this sectionYOLOX vs#

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

Link to this sectionEfficientDet 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 continuamente atualizado conforme novos modelos são lançados e benchmarks são refinados. Encorajamos você a explorar estes recursos para encontrar a opção perfeita para seu próximo projeto de visão computacional. Se você procura soluções de nível empresarial com licenciamento privado, por favor visite nossa página de Licenciamento. Boas comparações!

Colaboradores
GLglenn-jocher11PDpderrenger1RIRizwanMunawar1

Comentários