EfficientDet vs YOLO26
Escolher a arquitetura de visão computacional certa é uma etapa crucial para criar sistemas de IA escaláveis e eficientes. Este guia apresenta uma comparação técnica entre o EfficientDet do Google, lançado em 2019, e o Ultralytics YOLO26, lançado em janeiro de 2026. A avaliação aborda suas arquiteturas fundamentais, métricas de desempenho e métodos de treinamento para ajudar você a selecionar o melhor modelo de acordo com as restrições da implantação.
Linagem e autoria dos modelos#
Entender as origens dessas arquiteturas oferece contexto valioso sobre suas filosofias de design e casos de uso pretendidos.
EfficientDet
- Autores: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organização: Google Research
- Data: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl/efficientdet
Saiba mais sobre o EfficientDet
YOLO26
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2026-01-14
- GitHub: ultralytics/ultralytics
Inovações arquiteturais#
As diferenças arquiteturais entre esses dois modelos são marcantes e refletem os rápidos avanços do aprendizado profundo nos últimos anos.
O EfficientDet foi desenvolvido em torno da BiFPN (rede piramidal de características bidirecional) e usa um método de escalonamento composto que abrange resolução, profundidade e largura. Embora tenha alcançado excelente eficiência em 2019, depende bastante de estruturas TensorFlow mais antigas e de algoritmos complexos de busca AutoML, que costumam ser difíceis de adaptar a conjuntos de dados personalizados.
Em contrapartida, o Ultralytics YOLO26 é o mais recente modelo da Ultralytics para visão computacional em tempo real. Ele introduz várias melhorias arquitetônicas projetadas para pipelines modernos de implantação:
- Design de ponta a ponta sem NMS: o YOLO26 oferece uma cabeça nativa de ponta a ponta, um para um (
nms=False) que elimina a necessidade do pós-processamento de supressão não máxima (NMS). Essa abordagem, introduzida pela primeira vez no YOLOv10, proporciona uma lógica de implantação mais rápida e simples e reduz a variação de latência em chips de borda. - Remoção do DFL: Ao remover a Distribution Focal Loss (DFL), o YOLO26 simplifica o cabeçalho de saída, melhorando a compatibilidade com a computação de borda e dispositivos de baixo consumo.
- Otimizador MuSGD: Inspirado em técnicas de treinamento de modelos de linguagem grandes, como as usadas no Kimi K2 da Moonshot AI, o YOLO26 usa o otimizador MuSGD, uma combinação de SGD e Muon. Isso proporciona um treinamento mais estável e uma convergência mais rápida do que os otimizadores padrão.
- ProgLoss + STAL: A Progressive Loss (ProgLoss), combinada com a atribuição de rótulos com consciência de alvos pequenos (STAL), proporciona melhorias notáveis no reconhecimento de objetos pequenos, algo fundamental para imagens aéreas e robótica.
Métricas de desempenho e benchmarks#
O verdadeiro teste de qualquer modelo de detecção de objetos é seu desempenho no mundo real. A tabela abaixo compara a precisão, medida por mean Average Precision (mAP), com as velocidades de inferência e os requisitos computacionais.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Como mostrado acima, o YOLO26 oferece um equilíbrio de desempenho muito melhor. Embora as variantes menores do EfficientDet tenham FLOPs muito baixos, o YOLO26 alcança inferência significativamente mais rápida na GPU em todos os níveis de precisão. Por exemplo, o YOLO26x alcança 57.5 mAP e roda mais de 10 vezes mais rápido no T4 TensorRT do que o EfficientDet-d7. O YOLO26n também oferece inferência na CPU até 43% mais rápida do que o YOLO11n, o que faz do YOLO26 uma ótima opção para IA de borda.
A vantagem do ecossistema Ultralytics#
A escolha de uma arquitetura raramente se resume aos FLOPs teóricos; ela depende muito dos fluxos de trabalho de engenharia. Muitos desenvolvedores escolhem a Ultralytics pela facilidade de uso.
O treinamento do EfficientDet costuma exigir um gerenciamento complexo de dependências, ajuste manual de hiperparâmetros e configurações antigas do TensorFlow. Em contrapartida, os modelos Ultralytics contam com uma API simples. A mesma experiência se estende à Ultralytics Platform, que oferece treinamento na nuvem, anotação de dados e acompanhamento de experimentos em tempo real desde o início.
Detectores baseados em Transformer e modelos complexos de AutoML também tendem a consumir grandes quantidades de memória. Os modelos Ultralytics são conhecidos por seus requisitos de memória eficientes, permitindo que você treine modelos robustos em hardware de consumo sem encontrar erros de falta de memória (OOM).
Versatilidade e suporte a tarefas#
O EfficientDet é exclusivamente uma rede de detecção de objetos. YOLO26 é um modelo unificado de aprendizado multitarefa. Ele inclui inovações específicas para cada tarefa, incorporadas diretamente à arquitetura:
- Perda de segmentação semântica e proto multiescala para máscaras de segmentação de instâncias de maior qualidade.
- Estimativa de log-verossimilhança residual (RLE) para melhorar a precisão da estimativa de pose.
- Rotinas especializadas de perda angular para resolver problemas de limites em caixas delimitadoras orientadas (OBB).
Se você mantém sistemas mais antigos, a Ultralytics ainda oferece suporte completo ao YOLO11 e a versões anteriores na mesma API. No entanto, para todos os novos desenvolvimentos, o YOLO26 oferece a melhor relação entre recursos e precisão.
Casos de uso e recomendações#
A escolha entre EfficientDet e YOLO26 depende dos requisitos específicos do seu projeto, das restrições de implantação e das preferências de ecossistema.
Quando escolher o EfficientDet#
O EfficientDet é uma boa opção para:
- Google Cloud e pipelines de TPU: Sistemas baseados em TensorFlow na infraestrutura de TPU do Google Cloud, onde a implementação de referência do EfficientDet oferece suporte ao treinamento em TPU.
- Investigação sobre escalonamento composto: Avaliação comparativa académica centrada no estudo dos efeitos do escalonamento equilibrado da profundidade, largura e resolução da rede.
- Implementação móvel através do LiteRT: Projetos que exigem especificamente a exportação para LiteRT (anteriormente TensorFlow Lite) para Android ou dispositivos Linux integrados.
Quando escolher o YOLO26#
O YOLO26 é recomendado para:
- Implantação de borda sem NMS: Aplicações que exigem inferência consistente e de baixa latência, sem a complexidade do pós-processamento com supressão não máxima.
- Ambientes apenas com CPU: dispositivos sem aceleração dedicada por GPU, nos quais a inferência até 43% mais rápida da YOLO26 (YOLO26n vs YOLO11n) oferece uma vantagem clara.
- Detecção de objetos pequenos: Cenários desafiadores, como imagens aéreas capturadas por drones ou análise de sensores IoT, nos quais ProgLoss e STAL aumentam significativamente a precisão na detecção de objetos minúsculos.
Exemplo de implementação: treinamento do YOLO26#
Com o pacote Python da Ultralytics, iniciar uma execução de treinamento otimizada exige apenas algumas linhas de código. A estrutura lida nativamente com escalonamento de precisão mista, orquestração de várias GPUs via PyTorch e pipelines de aumento de dados.
from ultralytics import YOLO
# Load the lightweight, end-to-end YOLO26n model
model = YOLO("yolo26n.pt")
# Train on the COCO8 dataset
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Train on the first CUDA GPU
)
# Export the NMS-free end-to-end head to ONNX
exported_path = model.export(format="onnx", nms=False)
print(f"Model seamlessly exported to: {exported_path}")Conclusão: qual modelo você deve escolher?#
O EfficientDet continua sendo um marco importante na pesquisa sobre escalonamento composto. No entanto, para aplicações modernas, seja em clusters na nuvem ou em dispositivos Raspberry Pi com recursos limitados, a comparação favorece o Ultralytics YOLO26.
Ao eliminar a NMS, reduzir os requisitos de VRAM e integrar-se a um ecossistema maduro para desenvolvedores, o YOLO26 é a arquitetura recomendada para visão computacional robusta e pronta para produção. Seja para detectar defeitos de fabricação ou mapear a produtividade agrícola, a Ultralytics Platform ajuda você a passar rapidamente do conjunto de dados à implantação.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.