Começar

YOLO11 vs EfficientDet

Escolher a rede neural certa para projetos de visão computacional exige entender as arquiteturas disponíveis. Este guia compara o Ultralytics YOLO11 e o EfficientDet do Google, abordando as diferenças arquitetônicas, as métricas de desempenho, a eficiência do treinamento e os cenários ideais de implantação para ajudar-te a escolher o modelo certo para as tuas cargas de trabalho de aprendizado de máquina.

Contexto e especificações dos modelos#

Ambos os modelos influenciaram a pesquisa em detecção de objetos no aprendizado profundo, embora tenham filosofias de projeto e pertençam a épocas diferentes do desenvolvimento de IA.

Detalhes do YOLO11#

Detalhes do EfficientDet#

Sabe mais sobre o EfficientDet

Vantagem do ecossistema

O ecossistema ao redor do modelo é tão importante quanto o próprio modelo. O ecossistema Ultralytics oferece documentação abrangente, suporte ativo da comunidade e exportação com um comando para formatos como ONNX e TensorRT.

Inovações arquiteturais#

EfficientDet: BiFPN e escalonamento composto#

Apresentado no final de 2019, o EfficientDet buscava maximizar a precisão e minimizar o custo computacional. Ele alcança esse objetivo principalmente por meio de dois mecanismos. Primeiro, seu backbone pertence à família EfficientNet, que escala em conjunto a profundidade, a largura e a resolução por meio de escalonamento composto. Segundo, introduziu a Rede de Pirâmide de Características Bidirecional (BiFPN), que permite uma fusão de características multiescala fácil e rápida.

Embora fosse eficiente para a época, a implementação de AutoML do EfficientDet baseada em TensorFlow pode ser rígida. Em comparação com estruturas modernas e modulares baseadas em PyTorch, pesquisadores costumam achar difícil fazer poda de modelos e modificações personalizadas.

YOLO11: Extração de características melhorada e versatilidade#

O YOLO11 se baseia em seus antecessores e combina blocos C3k2 e atenção espacial C2PSA com um módulo rápido de Spatial Pyramid Pooling (SPPF). Essas alterações melhoram a extração de características e ajudam o YOLO11 a capturar detalhes visuais finos.

Uma grande vantagem do YOLO11 é sua versatilidade. Enquanto o EfficientDet é estritamente um modelo de detecção de objetos, o YOLO11 oferece suporte nativo a segmentação de instâncias, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB). O YOLO11 também tem baixos requisitos de memória durante o treinamento e a inferência, o que lhe dá vantagem em relação a modelos mais antigos e Transformers de visão maiores em hardware de IA de borda com recursos limitados.

Desempenho e benchmarks#

O equilíbrio entre precisão, medida pela Precisão Média (mAP), e velocidade de inferência costuma determinar as implantações no mundo real. A tabela abaixo mostra o desempenho das duas famílias de modelos no conjunto de dados COCO.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

O YOLO11 é muito mais rápido na GPU com precisão semelhante. O YOLO11s quase iguala o EfficientDet-d3 (47.0 contra 47.5 mAP) em 2.5 ms contra 19.59 ms em uma T4 com TensorRT, e o YOLO11x alcança a maior precisão (54.7 mAP) em 11.3 ms contra 128.07 ms do EfficientDet-d7 (53.7 mAP). O EfficientDet-d0 tem a menor quantidade de FLOPs (2.54B).

Eficiência de treino e ecossistema#

Os modelos Ultralytics foram projetados para serem fáceis de usar. Treinar um modelo EfficientDet costuma exigir lidar com configurações complexas de grafos do TensorFlow e cadeias de dependências, enquanto o YOLO11 foi desenvolvido com base em uma estrutura moderna de PyTorch.

Este ecossistema bem mantido permite aos programadores instalar o pacote, carregar um modelo pré-treinado e começar a treinar com um conjunto de dados personalizado usando apenas algumas linhas de código.

Exemplo de código Python#

Aqui tens um exemplo totalmente executável que demonstra a simplicidade da API da Ultralytics. Este script transfere um modelo YOLO11 pré-treinado, treina-o e executa uma previsão rápida.

from ultralytics import YOLO

# Inicializa um modelo YOLO11 nano pré-treinado
model = YOLO("yolo11n.pt")

# Treina o modelo de forma eficiente com o motor PyTorch integrado
# O treino é eficiente e requer menos VRAM do que os modelos legados
results = model.train(data="coco8.yaml", epochs=10, imgsz=640, device="cpu")

# Executa a inferência em tempo real numa imagem de exemplo
prediction = model.predict("https://ultralytics.com/images/bus.jpg")

# Apresenta as caixas delimitadoras de saída
prediction[0].show()

Olhando para o futuro: a vantagem do YOLO26#

As equipes que estão começando novos projetos devem considerar o Ultralytics YOLO26, lançado em janeiro de 2026, que simplifica a implantação e melhora o desempenho em dispositivos de borda.

Entre as principais inovações do YOLO26 estão:

  • Design de ponta a ponta sem NMS: Uma cabeça opcional um-para-um (nms=False) dispensa o pós-processamento de supressão não máxima (NMS), proporcionando ao YOLO26 uma latência baixa e consistente para robótica em alta velocidade e condução autônoma.
  • Até 43% mais rápido na inferência em CPU: Para implantações sem GPUs dedicadas, o YOLO26n é até 43% mais rápido em CPU que o YOLO11n.
  • Otimizador MuSGD: Inspirado no Kimi K2 da Moonshot AI, esse híbrido de SGD e Muon traz a estabilidade de treinamento de modelos de linguagem grandes (LLM) para a visão computacional e acelera a convergência.
  • ProgLoss + STAL: A perda progressiva e a atribuição de rótulos com consciência de alvos pequenos (STAL) melhoram o reconhecimento de objetos pequenos, que costuma ser um desafio na análise de imagens de satélite e em imagens capturadas por drones.
  • Remoção de DFL: A remoção de Distribution Focal Loss simplifica o processo de exportação do modelo para dispositivos de borda.
Modelos alternativos a explorar

Se o teu projeto tiver requisitos muito específicos, também podes testar o modelo RT-DETR para deteção baseada em Transformer ou o amplamente adotado YOLOv8, que continua a ser um modelo essencial em muitas implementações empresariais legadas.

Casos de uso e recomendações#

A escolha entre YOLO11 e EfficientDet depende dos requisitos específicos do teu projeto, das restrições de implementação e das preferências de ecossistema.

Quando escolher YOLO11#

YOLO11 é uma ótima opção para:

  • Implantação de borda em produção: aplicações comerciais em dispositivos como Raspberry Pi ou NVIDIA Jetson, nos quais a confiabilidade e a manutenção ativa são fundamentais.
  • Aplicações visuais multitarefa: Projetos que exigem detecção, segmentação, estimativa de pose e OBB em uma única estrutura unificada.
  • Prototipagem e implantação rápidas: Equipes que precisam passar rapidamente da coleta de dados à produção usando a API Python da Ultralytics.

Quando escolher o EfficientDet#

O EfficientDet é recomendado 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 Ultralytics (YOLO26)#

Para a maioria dos novos projetos, o Ultralytics YOLO26 oferece a melhor combinação de desempenho e experiência para desenvolvedores:

  • 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 por GPU dedicada, nos quais a inferência em CPU até 43% mais rápida de YOLO26n em comparação com YOLO11n oferece uma vantagem decisiva.
  • Deteção de objetos pequenos: Cenários desafiantes, como imagens aéreas captadas por drones ou análise de sensores de IoT, nos quais ProgLoss e STAL melhoram a precisão na deteção de objetos pequenos.

Conclusão#

O EfficientDet foi uma arquitetura pioneira que demonstrou o valor do escalonamento composto na detecção de objetos. Os modelos mais recentes são mais capazes, mais fáceis de integrar e mais rápidos em GPUs.

Com suporte a múltiplas tarefas, inferência rápida em GPU e uma API simples, o YOLO11 é a melhor opção para pipelines visuais modernos. Para novos projetos, especialmente implantações que priorizam dispositivos de borda, o YOLO26 oferece inferência opcional sem NMS e maior precisão.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.