EfficientDet vs YOLOv5
Escolher a arquitetura de rede neural certa é uma etapa determinante em qualquer projeto de visão computacional. O equilíbrio entre latência de inferência, eficiência dos parâmetros e precisão da deteção determina o desempenho de um modelo no mundo real. Este guia técnico analisa duas estruturas influentes de deteção de objetos: o EfficientDet da Google e o Ultralytics YOLOv5.
Ao comparar as inovações arquitetônicas, as metodologias de treinamento e os recursos de implantação, os desenvolvedores podem tomar decisões embasadas para seus ambientes de implantação específicos, seja para escalar em servidores na nuvem ou executar em dispositivos edge com recursos limitados.
EfficientDet: arquitetura escalável com BiFPN#
Apresentado pela Google Research, o EfficientDet foi concebido para escalar sistematicamente tanto a backbone como a rede de características, de modo a alcançar elevada precisão com menos parâmetros do que os melhores modelos anteriores.
Detalhes do modelo#
- Autores: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organização: Google Research
- Data: 20 de novembro de 2019
- arXiv: EfficientDet: detecção de objetos escalável e eficiente
- GitHub: google/automl/efficientdet
Inovações arquiteturais#
O EfficientDet utiliza o modelo de classificação EfficientNet como backbone e um método de escalonamento composto que escala uniformemente a largura, a profundidade e a resolução da rede. O seu contributo mais notável para a deteção de objetos é a introdução da rede de pirâmide de características bidirecional (BiFPN). Ao contrário das redes de pirâmide de características padrão, que apenas agregam características de cima para baixo, a BiFPN permite ligações complexas e bidirecionais entre escalas e introduz pesos aprendíveis para determinar a importância de diferentes características de entrada.
Apesar de sua alta precisão, o EfficientDet depende muito do ecossistema TensorFlow e de bibliotecas AutoML específicas. Essa dependência pode dificultar sua integração a pipelines de implantação personalizados e leves ou a ambientes que favorecem grafos computacionais dinâmicos.
Saiba mais sobre o EfficientDet
Ultralytics YOLOv5: democratizando a IA em tempo real#
Lançada em meados de 2020, a Ultralytics YOLOv5 tornou o YOLO muito mais acessível com uma implementação nativa da arquitetura em PyTorch. Estabeleceu um novo padrão de experiência para programadores, eficiência de treino e flexibilidade de implementação em tempo real.
Detalhes do modelo#
- Autores: Glenn Jocher
- Organização: Ultralytics
- Data: 26 de junho de 2020
- GitHub: ultralytics/yolov5
- Documentação: Documentação do YOLOv5
Inovações arquiteturais#
A YOLOv5 introduziu melhorias significativas face às suas antecessoras, utilizando uma backbone CSPDarknet (Cross-Stage Partial) que melhora o fluxo dos gradientes e reduz o número total de parâmetros. A YOLOv5 também inclui caixas-âncora aprendidas automaticamente, que calculam as priors das caixas delimitadoras com base nos teus dados de treino personalizados, eliminando o ajuste manual das âncoras.
A YOLOv5 também depende bastante da augmentação de dados Mosaic, que combina quatro imagens diferentes num único mosaico de treino. Isto melhora a capacidade do modelo para detetar objetos pequenos e a sua compreensão contextual, tornando-o robusto em ambientes variados.
Desempenho e benchmarks#
Avaliar modelos em benchmarks padrão, como o conjunto de dados COCO, é essencial para entender as compensações entre precisão e velocidade. A tabela abaixo mostra o desempenho de diferentes tamanhos do EfficientDet e do YOLOv5 em condições padronizadas.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Análise das compensações#
Embora o EfficientDet-d7 alcance um mAP máximo de 53,7, a sua latência de inferência em hardware GPU é significativa em comparação com as arquiteturas YOLO. Em contrapartida, a YOLOv5 beneficia bastante da aceleração por hardware. A variante YOLOv5n atinge um tempo de inferência de 1,12 ms numa GPU T4 com NVIDIA TensorRT, sendo muito mais adequada para aplicações em tempo real, como a condução autónoma ou linhas de produção de alta velocidade.
Os modelos YOLOv5 também exigem muito menos memória CUDA durante o treino do que redes complexas com escalonamento composto ou grandes modelos Transformer. Esta pegada de memória reduzida torna a IA moderna mais acessível, permitindo aos investigadores treinar modelos robustos em hardware de consumo convencional.
Para maximizar os fotogramas por segundo (FPS) do teu modelo YOLOv5 em dispositivos de edge, exporta os pesos PyTorch para TensorRT em GPUs NVIDIA ou para OpenVINO em CPUs Intel. Este passo pode aumentar significativamente a velocidade de inferência.
Ecossistema de treinamento e experiência do desenvolvedor#
A principal vantagem do ecossistema Ultralytics está na experiência de utilização simplificada. Enquanto o EfficientDet exige conhecimentos aprofundados da API de deteção de objetos do TensorFlow, o YOLOv5 oferece uma API Python simples e consistente.
O ecossistema Ultralytics, com manutenção ativa, oferece aos programadores atualizações frequentes, apoio ativo da comunidade e integrações com ferramentas de acompanhamento de experiências como Weights & Biases e ClearML.
Exemplo de código: primeiros passos com o YOLOv5#
Executar inferência com um modelo YOLOv5 pré-treinado exige apenas algumas linhas de código por meio do pacote Ultralytics para Python:
from ultralytics import YOLO
# Carrega o modelo YOLOv5s altamente eficiente
model = YOLO("yolov5su.pt") # YOLOv5u: pesos YOLOv5 sem âncoras para o pacote ultralytics
# Executa a inferência numa imagem
results = model("https://ultralytics.com/images/zidane.jpg")
# Exibe as caixas delimitadoras detectadas
results[0].show()Versatilidade e aplicações reais#
O EfficientDet é estritamente uma estrutura de deteção de objetos, o que limita a sua utilidade em pipelines de visão complexos. Por outro lado, o YOLOv5 evoluiu para suportar várias tarefas de visão computacional. As versões modernas do modelo suportam segmentação de instâncias e classificação de imagens precisas, permitindo aos programadores consolidar a sua stack de machine learning.
Casos de utilização ideais#
- EfficientDet: Mais adequado para processamento offline, pesquisa acadêmica e análise baseada na nuvem, quando a prioridade é a precisão máxima em vez da latência e há TPUs de nível de servidor ou GPUs com muita memória disponíveis.
- YOLOv5: uma excelente opção para implementações de IA em edge. A combinação de baixa latência, poucos parâmetros e elevada precisão torna-o adequado para análise com drones, automação de retalho em tempo real e aplicações móveis através do CoreML ou do LiteRT.
A próxima geração: atualização para o YOLO26#
Embora a YOLOv5 continue a ser um modelo robusto e amplamente implementado, o campo da IA evolui rapidamente. Para as equipas que iniciam novos projetos ou procuram o melhor desempenho moderno, a Ultralytics apresentou a YOLO26, lançada em janeiro de 2026.
A YOLO26 melhora o compromisso entre velocidade e precisão com alterações arquitetónicas que facilitam a implementação e aceleram a inferência.
Principais avanços do YOLO26#
- Design de ponta a ponta sem NMS: a head de ponta a ponta opcional da YOLO26 (
nms=False) elimina o pós-processamento de supressão não máxima (NMS). Isto simplifica a lógica de implementação e reduz a variação da latência, aperfeiçoando uma abordagem introduzida pela primeira vez na YOLOv10. - Inferência em CPU até 43% mais rápida: em comparação com a YOLO11n, a YOLO26n é até 43% mais rápida em CPU, sendo adequada para computação de edge e dispositivos IoT de baixo consumo que funcionam sem GPUs dedicadas.
- Otimizador MuSGD: inspirado em técnicas de treino de modelos de linguagem de grande dimensão (como as que estão na base do Kimi K2 da Moonshot AI), este híbrido de SGD e Muon traz ideias do treino de LLM para a visão computacional, permitindo uma convergência mais rápida e uma dinâmica de treino estável.
- ProgLoss + STAL: uma loss progressiva e uma estratégia de atribuição de rótulos sensível a alvos pequenos proporcionam melhorias notáveis no reconhecimento de objetos pequenos, algo essencial para imagens aéreas e robótica.
- Remoção da DFL: remover a Distribution Focal Loss simplifica a head do modelo e melhora a compatibilidade ao exportar para hardware de edge mais antigo ou com grandes restrições.
Para equipes que implantam pipelines multitarefa, o YOLO26 também introduz melhorias específicas para cada tarefa, como protótipos em múltiplas escalas para segmentação e uma função de perda angular especializada para caixas delimitadoras orientadas (OBB). Para conhecer outras alternativas modernas do ecossistema, você também pode consultar o YOLO11 ou a arquitetura YOLOv8.
Conclusão#
A escolha entre EfficientDet e YOLOv5 depende muito do teu destino de implementação. O EfficientDet oferece uma abordagem de escalonamento baseada em princípios, adequada para inferência centrada na cloud. No entanto, a experiência para programadores do YOLOv5, os ciclos rápidos de treino em PyTorch e as capacidades otimizadas de implementação em edge fazem dele a opção preferida para a maioria das aplicações reais em tempo real; a YOLO26 é o ponto de partida recomendado para novos projetos. Com as ferramentas abrangentes fornecidas pela Ultralytics, as equipas podem acelerar o lançamento no mercado e criar sistemas de IA altamente responsivos.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.