Ultralytics YOLO27:
Get Started

Comparações de modelos#

Escolher a arquitetura de rede neural certa é fundamental para o sucesso de qualquer projeto de visão computacional. Conheça o Hub de comparação de modelos da Ultralytics! Esta página reúne análises técnicas detalhadas e benchmarks de desempenho, examinando as vantagens e desvantagens do mais recente Ultralytics YOLO26 em comparação com outras arquiteturas líderes, como YOLO11, YOLOv10, RT-DETR e EfficientDet.

Quer sua aplicação exija a latência de milissegundos da IA de borda ou a precisão de alta fidelidade necessária para imagens médicas, este guia oferece os insights baseados em dados necessários para uma escolha informada. Avaliamos os modelos com base na precisão média média (mAP), na velocidade de inferência, na eficiência de parâmetros e na facilidade de implantação.

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 visualiza as principais métricas de desempenho, permitindo avaliar rapidamente as vantagens e desvantagens entre diferentes modelos. Entender essas métricas é fundamental para selecionar um modelo que se ajuste às suas restrições específicas de implantação.

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#

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

Ultralytics YOLO26#

Lançado em janeiro de 2026, YOLO26 é o modelo mais avançado e o ponto de partida recomendado para todos os novos projetos. Ele apresenta inovações arquitetônicas revolucionárias, incluindo um design opcional de ponta a ponta sem NMS (nms=False) que elimina a necessidade do pós-processamento de supressão não máxima, resultando em tempos de inferência mais rápidos e previsíveis. YOLO26 é até 43% mais rápido em CPUs em comparação com as gerações anteriores, sendo ideal para implantação em dispositivos 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 representa o auge da engenharia da Ultralytics, combinando o melhor da eficiência das CNNs com recursos de ponta a ponta semelhantes aos de Transformers. Ele oferece suporte a todas as tarefas — detecção, segmentação de instâncias e semântica, estimativa de profundidade, classificação, estimativa de pose e OBB — sendo menor, mais rápido e mais fácil de implantar do que nunca.

Ultralytics YOLO11#

YOLO11 continua sendo um modelo altamente capaz: YOLO11m usa 22% menos parâmetros do que YOLOv8m e, ainda assim, alcança maior precisão de detecção. Ele conta com suporte completo e é recomendado para quem precisa de estabilidade comprovada ou já tem pipelines de 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#

Explore nossas comparações técnicas aprofundadas para entender diferenças arquitetônicas específicas, como a escolha do backbone, o design da head e as funções de perda. Organizamos o conteúdo por modelo para facilitar o acesso:

YOLO26 vs.#

YOLO26 é o modelo mais recente da Ultralytics, com detecção de ponta a ponta sem NMS, o otimizador MuSGD e inferência na CPU até 43% mais rápida. Ele é otimizado para implantação em dispositivos de borda e alcança precisão de última geração.

YOLO11 vs.#

YOLO11 se baseia no sucesso de seus antecessores com pesquisas de ponta. Ele apresenta uma arquitetura aprimorada de backbone e neck para melhor extração de características e eficiência otimizada.

YOLOv10 vs.#

Desenvolvido pela Universidade Tsinghua, YOLOv10 busca eliminar a etapa de supressão não máxima (NMS) para reduzir a variação da latência, oferecendo desempenho de última geração com menor sobrecarga computacional.

YOLOv9 vs.#

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

YOLOv8 vs.#

Ultralytics YOLOv8 continua sendo uma opção muito popular, com arquiteturas avançadas de backbone e neck e uma head dividida sem âncoras para proporcionar um equilíbrio ideal entre precisão e velocidade.

YOLOv7 vs.#

YOLOv7 introduziu o "conjunto de vantagens gratuitas treináveis" e a reparametrização do modelo, com foco na otimização do processo de treinamento sem aumentar os custos de inferência.

YOLOv6 versus#

O YOLOv6 da Meituan foi concebido para aplicações industriais e conta com módulos de concatenação bidirecional (BiC) e estratégias de treino assistidas por âncoras.

YOLOv5 versus#

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

RT-DETR versus#

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+ 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#

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

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 continuamente à medida que novos modelos são lançados e os benchmarks são aperfeiçoados. Recomendamos explorar estes recursos para encontrar a opção ideal para o teu próximo projeto de visão computacional. Se procuras soluções empresariais com licenciamento privado, visita a nossa página de licenciamento. Boas comparações!

Colaboradores
GLglenn-jocher17PDpderrenger1RIRizwanMunawar1

Comentários