YOLO11 vs PP-YOLOE+#

Escolher a arquitetura de rede neural ideal é fundamental para implementar aplicações de visão computacional em produção. Nesta comparação técnica, analisamos dois modelos de destaque na área da deteção de objetos em tempo real: o Ultralytics YOLO11 e o PP-YOLOE+ da Baidu. Ambas as arquiteturas oferecem um desempenho robusto, mas abordam de formas bastante diferentes os desafios da precisão, da velocidade de inferência e do ecossistema para programadores.

Abaixo, um gráfico interativo mostra os limites de desempenho destes modelos para te ajudar a identificar a melhor opção para as tuas restrições de hardware.

Origens dos modelos e linhagem técnica#

Compreender as origens e as filosofias de design desses modelos fornece um contexto valioso sobre seus respectivos pontos fortes e casos de uso ideais.

Detalhes do YOLO11#

Desenvolvido pela Ultralytics, YOLO11 representa uma iteração altamente refinada da série YOLO, priorizando o equilíbrio entre inferência em alta velocidade, eficiência extrema de parâmetros e facilidade de uso incomparável. É amplamente reconhecido por seus recursos unificados para várias tarefas e pela API Python intuitiva para desenvolvedores.

• Autores: Glenn Jocher e Jing Qiu
• Organização: Ultralytics
• Data: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Documentação: Documentação do YOLO11

Detalhes do PP-YOLOE+#

PP-YOLOE+ é uma versão aprimorada do PP-YOLOv2, desenvolvida com base na estrutura PaddlePaddle. O modelo introduz mudanças arquiteturais, como o backbone CSPRepResNet e o Aprendizado de Alinhamento de Tarefas (TAL), para ampliar os limites da precisão, especialmente em GPUs de alto desempenho.

• Autores: Autores do PaddlePaddle
• Organização: Baidu
• Data: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• Documentação: Documentação de configuração do PP-YOLOE+

Saiba mais sobre o PP-YOLOE+

Diferenças arquitetónicas#

Os projetos arquiteturais fundamentais do YOLO11 e do PP-YOLOE+ refletem suas diferentes prioridades no cenário da visão computacional.

YOLO11 usa como base um backbone altamente otimizado e uma cabeça de detecção sem âncoras. O modelo utiliza blocos C3k2 e Spatial Pyramid Pooling - Fast (SPPF) para capturar recursos em várias escalas com sobrecarga computacional mínima. Esse projeto é muito vantajoso para reduzir a latência de inferência em dispositivos com recursos limitados, como NPUs de borda e CPUs móveis. Além disso, YOLO11 foi projetado nativamente para aprendizado de múltiplas tarefas, com suporte a segmentação de instâncias, estimativa de pose e detecção de caixas delimitadoras orientadas (OBB) desde o início.

PP-YOLOE+ introduz o backbone CSPRepResNet e uma cabeça Efficient Task-aligned (ET-head). O modelo utiliza intensamente técnicas de reparametrização para aumentar a capacidade de representação durante o treinamento e, em seguida, incorpora esses parâmetros em convoluções padrão para a inferência. Embora isso proporcione uma Precisão Média (mAP) impressionante, os modelos resultantes tendem a ter mais parâmetros e ocupar mais memória, sendo mais adequados para implantação em GPUs de servidor robustas do que em dispositivos de borda leves.

Desempenho e benchmarks#

Ao avaliar o desempenho, analisamos a precisão (mAP), a velocidade de inferência em diferentes hardwares e a eficiência do modelo (parâmetros e FLOPs). A tabela abaixo destaca as métricas comparativas, com os valores mais eficientes ou de melhor desempenho em negrito.

Análise#

YOLO11 apresenta uma clara vantagem no equilíbrio de desempenho e na eficiência de parâmetros. Por exemplo, YOLO11m alcança um mAP maior (51.5) do que PP-YOLOE+m (49.8), usando menos parâmetros (20.1M contra 23.43M) e atingindo velocidades de inferência significativamente maiores no TensorRT (4.7ms contra 5.56ms). A leveza dos modelos YOLO11 se traduz naturalmente em menores requisitos de memória durante o treinamento do modelo e a implantação.

Ecossistema de treinamento e facilidade de uso#

O verdadeiro valor de um modelo muitas vezes está na facilidade com que os desenvolvedores podem treiná-lo com conjuntos de dados de visão computacional personalizados e implantá-lo em produção.

A vantagem da Ultralytics#

A Ultralytics prioriza uma experiência de desenvolvimento simplificada. O treinamento do YOLO11 é feito por meio de uma API Python simples ou da CLI, que abstrai o código boilerplate complexo. A Plataforma Ultralytics aprimora ainda mais essa experiência, oferecendo treinamento sem código, gerenciamento automatizado de conjuntos de dados e exportações com um clique para formatos como ONNX, CoreML e TensorRT.

Além disso, os modelos YOLO são altamente eficientes no uso de memória durante o treinamento, evitando a enorme sobrecarga de VRAM típica das arquiteturas baseadas em Transformer ou dos modelos com muita reparametrização, o que permite treiná-los em hardware de consumo.

from ultralytics import YOLO

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

# Treina o modelo com o conjunto de dados COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Executa a inferência numa imagem
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

Ecossistema PP-YOLOE+#

PP-YOLOE+ funciona no ecossistema PaddleDetection. Embora essa estrutura seja poderosa e profundamente integrada às soluções industriais da Baidu, ela exige que os desenvolvedores adotem a estrutura de aprendizado profundo específica PaddlePaddle. Isso pode tornar a curva de aprendizado mais íngreme para equipes que já padronizaram o PyTorch. Além disso, exportar modelos PP-YOLOE+ para formatos universais padrão destinados a dispositivos de borda pode exigir etapas adicionais de conversão em comparação com os pipelines de exportação nativos dos fluxos de trabalho da Ultralytics.

Casos de utilização ideais#

A escolha entre esses modelos depende do seu ambiente específico de implantação.

• Escolha YOLO11 para desenvolvimento ágil, computação de borda e aplicações móveis. A alta velocidade de inferência, a baixa ocupação de memória e os amplos recursos de exportação tornam o modelo ideal para tarefas como gerenciamento de estoque no varejo em CPUs padrão, análise de imagens aéreas capturadas por drones e pipelines complexos de múltiplas tarefas.
• Escolha PP-YOLOE+ se todo o seu pipeline de produção já depender fortemente do ecossistema PaddlePaddle ou se você estiver implantando em servidores de inferência dedicados e de alto desempenho, nos quais as restrições de memória e a compatibilidade de hardware (fora do hardware otimizado para Paddle) não sejam preocupações prioritárias.

A próxima geração: conheça YOLO26#

Embora YOLO11 continue sendo incrivelmente poderoso, o campo da IA evolui rapidamente. Para o que há de mais avançado em detecção de objetos, a Ultralytics apresentou o novo YOLO26. Lançado em janeiro de 2026, YOLO26 se baseia nos sucessos de seus antecessores para oferecer eficiência e precisão sem precedentes.

Principais inovações do YOLO26:

• Projeto de ponta a ponta sem NMS: a cabeça opcional um para um do YOLO26 (nms=False) dispensa o pós-processamento de supressão não máxima (NMS). Isso acelera significativamente a inferência e simplifica a lógica de implantação — um avanço arquitetural pioneiro do YOLOv10.
• Inferência na CPU até 43% mais rápida: otimizada especificamente para dispositivos de borda sem GPUs, garantindo desempenho em tempo real em hardware de menor consumo.
• Otimizador MuSGD: inspirado na estabilidade do treinamento de LLMs, essa combinação de SGD e Muon garante convergência mais rápida e treinamento mais estável.
• ProgLoss + STAL: funções de perda aprimoradas melhoram drasticamente o reconhecimento de objetos pequenos, algo fundamental para aplicações com drones e vigilância de segurança.
• Remoção do DFL: a remoção da Distribution Focal Loss simplifica a exportação do modelo e melhora drasticamente a compatibilidade com uma ampla variedade de dispositivos de borda.

Para novos projetos que priorizam velocidade, exportação integrada e máxima precisão, recomendamos aproveitar os recursos do YOLO26 por meio da Plataforma Ultralytics.

Se você estiver avaliando outras arquiteturas, também pode se interessar por uma comparação entre YOLO11 e RT-DETR ou por explorar o desempenho do legado YOLOv8 nos benchmarks atuais.