Editar página no GitHub (EN)

Comparações de Modelos: Escolhe o Melhor Modelo de Deteção de Objetos para o teu Projeto

Escolher a arquitetura de rede neuronal correta é a pedra angular de qualquer projeto de visão computacional bem-sucedido. Bem-vindo ao Ultralytics Model Comparison Hub! Esta página centraliza análises técnicas detalhadas e benchmarks de desempenho, dissecando 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 de edge AI ou a precisão de alta fidelidade necessária para imagiologia médica, este guia fornece os insights orientados por dados necessários para fazeres uma escolha informada. Avaliamos modelos com base em mean Average Precision (mAP), velocidade de inferência, eficiência de 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 contrasta métricas chave em datasets como o COCO.

Este gráfico visualiza métricas de desempenho chave, permitindo-te avaliar rapidamente os compromissos entre diferentes modelos. Compreender estas métricas é fundamental para selecionares um modelo que se alinhe com as tuas restrições de implementação específicas.

Guia de Decisão Rápida

Não tens a certeza de onde começar? Usa esta árvore de decisão para restringires 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]

O Panorama Atual: YOLO26 e Mais Além

O campo da deteção de objetos move-se 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. 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 comparado com gerações anteriores, tornando-o ideal para implementação em edge.

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 LLM para convergência estável
  • ProgLoss + STAL: Desempenho melhorado na deteção de pequenos objetos
Porquê escolher o YOLO26?

O YOLO26 representa o auge da engenharia da Ultralytics, combinando o melhor da eficiência CNN com capacidades end-to-end semelhantes a Transformers. Suporta todas as tarefas—deteção, segmentação, estimativa de pose, classificação e OBB—sendo ao mesmo tempo mais pequeno, mais rápido e mais fácil de implementar do que nunca.

Ultralytics YOLO11

O YOLO11 permanece um modelo altamente capaz, oferecendo uma redução de 22% nos parâmetros em comparação com o YOLOv8 enquanto melhora a precisão da deteção. É totalmente suportado e recomendado para utilizadores que precisam de estabilidade comprovada ou que já possuem pipelines YOLO11.

Modelos da Comunidade: Uma Nota sobre o YOLO12 e o YOLO13

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

Aviso de Produção

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

  • YOLO12: Utiliza camadas de atenção que frequentemente causam instabilidade de treino, consumo excessivo de memória e velocidades de inferência de CPU significativamente mais lentas.
  • YOLO13: Os benchmarks indicam apenas ganhos marginais de precisão sobre o YOLO11, sendo simultaneamente 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 compreenderes as diferenças arquitetónicas específicas, como a seleção de backbone, design de head e funções de perda. Organizámo-las por modelo para fácil acesso:

YOLO26 vs

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

YOLO11 vs

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

YOLOv10 vs

Desenvolvido pela Universidade Tsinghua, o YOLOv10 foca-se na remoção do passo de Non-Maximum Suppression (NMS) para reduzir a variação de latência, oferecendo um desempenho de última geração com menor sobrecarga computacional.

YOLOv9 vs

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

YOLOv8 vs

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

YOLOv7 vs

O YOLOv7 introduziu o "trainable bag-of-freebies" e a reparametrização de modelos, focando em otimizar o processo de treinamento sem aumentar os custos de inferência.

YOLOv6 vs

O YOLOv6 da Meituan foi projetado para aplicações industriais, apresentando módulos de Bi-directional Concatenation (BiC) e estratégias de treinamento com auxílio de âncoras.

YOLOv5 vs

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

RT-DETR vs

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

PP-YOLOE+ vs

O PP-YOLOE+, desenvolvido pelo Baidu, utiliza Task Alignment Learning (TAL) e uma head desacoplada 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 sem âncoras conhecida pela sua head desacoplada e estratégia de atribuição de rótulos SimOTA.

EfficientDet vs

O EfficientDet do Google Brain usa compound scaling e BiFPN para otimizar a eficiência de 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 refinados. Recomendamos que explores estes recursos para encontrar a solução perfeita 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!

Contributors
Editar página no GitHub (EN)
GLglenn-jocher10PDpderrenger1RIRizwanMunawar1

Comentários