Começar

YOLO11 vs PP-YOLOE+

Escolher a arquitetura de rede neural certa é fundamental ao implantar aplicações de visão computacional em produção. Esta comparação analisa dois modelos de destaque para detecção de objetos em tempo real, o Ultralytics YOLO11 e o PP-YOLOE+ da Baidu. Ambos têm bom desempenho, mas abordam a precisão, a velocidade de inferência e o ecossistema para desenvolvedores de maneiras bem diferentes.

O gráfico interativo abaixo mostra a relação entre velocidade e precisão dos dois modelos para ajudar-te a identificar a melhor opção para as limitações do teu 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, o YOLO11 aprimora a série YOLO com um equilíbrio entre inferência rápida, eficiência de parâmetros e facilidade de uso. É conhecido pelo suporte unificado a múltiplas tarefas e pela API Python fácil de usar para desenvolvedores.

Detalhes do PP-YOLOE+#

O PP-YOLOE+ é uma versão aprimorada do PP-YOLOE, que evoluiu do PP-YOLOv2, e foi desenvolvido com base na estrutura PaddlePaddle. Ele usa alterações arquitetônicas, como o backbone CSPRepResNet e o aprendizado de alinhamento de tarefas (TAL), para melhorar a precisão, principalmente em GPUs de alto desempenho.

Saiba mais sobre o PP-YOLOE+

Diferenças arquitetónicas#

As arquiteturas do YOLO11 e do PP-YOLOE+ refletem prioridades de projeto diferentes.

YOLO11 combina um backbone eficiente com uma cabeça de detecção sem âncoras. Usa blocos C3k2 e o Spatial Pyramid Pooling - Fast (SPPF) para capturar características em várias escalas com sobrecarga computacional mínima, o que ajuda a reduzir a latência de inferência em dispositivos com recursos limitados, como NPUs de borda e CPUs móveis. O YOLO11 também oferece suporte nativo a segmentação de instâncias, classificação de imagens, estimativa de pose e detecção de caixas delimitadoras orientadas (OBB).

PP-YOLOE+ usa o backbone CSPRepResNet, um neck CSPPAN e uma cabeça eficiente alinhada a tarefas (ET-head). Ele utiliza reparametrização para aumentar a capacidade de representação durante o treinamento e, em seguida, incorpora esses parâmetros às convoluções padrão para inferência. Isso proporciona uma Precisão Média (mAP) elevada, mas as variantes maiores têm mais parâmetros que as versões correspondentes do YOLO11 (52.2M contra 25.3M na escala L), o que as torna mais adequadas para GPUs de servidor do que para dispositivos de borda leves.

Versatilidade para múltiplas tarefas

Se o teu projeto precisar ir além das caixas delimitadoras padrão, o Ultralytics YOLO11 oferece suporte nativo a segmentação, classificação, estimativa de pose e detecção de OBB na mesma API, reduzindo o esforço de desenvolvimento em comparação com a integração de vários repositórios separados.

Desempenho e benchmarks#

A tabela abaixo compara a precisão (mAP), a velocidade de inferência em diferentes hardwares e a eficiência do modelo (parâmetros e FLOPs), destacando em negrito o melhor valor de cada coluna.

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
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Análise#

O YOLO11 oferece um equilíbrio de desempenho melhor na maioria dos tamanhos. YOLO11m alcança um mAP maior que PP-YOLOE+m (51.5 contra 49.8), com menos parâmetros (20.1M contra 23.43M) e inferência TensorRT mais rápida (4.7 ms contra 5.56 ms). Na maior escala, ambos alcançam 54.7 mAP, mas o YOLO11x é mais rápido (11.3 ms contra 14.3 ms) e tem muito menos parâmetros (56.9M contra 98.42M). O PP-YOLOE+ é competitivo nos tamanhos menores: o PP-YOLOE+t supera o YOLO11n em mAP (39.9 contra 39.5), mas tem maior latência; já o PP-YOLOE+s usa menos parâmetros e FLOPs que o YOLO11s, mas tem menor precisão. Os modelos menores do YOLO11 também precisam de menos memória durante o treinamento do modelo e a implantação.

Ecossistema de treinamento e facilidade de uso#

Grande parte do valor prático de um modelo depende da facilidade com que os desenvolvedores podem treiná-lo com conjuntos de dados personalizados de visão computacional e implantá-lo em produção.

A vantagem da Ultralytics#

A Ultralytics prioriza a experiência do desenvolvedor. O YOLO11 pode ser treinado por meio de uma API Python simples ou da CLI, sem código boilerplate complexo, e a Ultralytics Platform oferece treinamento sem código, gerenciamento de conjuntos de dados e exportações com um clique para formatos como ONNX, CoreML e TensorRT.

Os modelos YOLO também são eficientes no uso de memória durante o treinamento e evitam a grande sobrecarga de VRAM das arquiteturas baseadas em Transformer e dos modelos reparametrizados mais pesados, podendo assim ser treinados 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+#

O 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 específica de aprendizado profundo PaddlePaddle. Isso pode tornar a curva de aprendizado mais íngreme para equipes que já padronizaram o PyTorch. Exportar modelos PP-YOLOE+ para formatos comuns de borda também pode exigir etapas extras de conversão em comparação com o pipeline de exportação integrado da Ultralytics, que converte o YOLO11 para ONNX, TensorRT e até mesmo PaddlePaddle com um único comando.

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.
  • Escolhe o PP-YOLOE+ se o teu pipeline de produção já estiver baseado no ecossistema PaddlePaddle ou se estiveres implantando em servidores de inferência dedicados de alto desempenho, nos quais as limitações de memória e a compatibilidade de hardware (fora do hardware otimizado para Paddle) não sejam preocupações prioritárias.

A próxima geração: conheça YOLO26#

O YOLO11 continua sendo uma ótima opção, mas, para novos projetos, a Ultralytics recomenda o YOLO26. Lançado em janeiro de 2026, o YOLO26 aprimora seus antecessores tanto em eficiência quanto em precisão.

Principais inovações do YOLO26:

  • Design de ponta a ponta sem NMS: A cabeça opcional um-para-um do YOLO26 (nms=False) ignora o pós-processamento de supressão não máxima (NMS). Isso reduz a latência e simplifica a lógica de implantação, com base em uma abordagem introduzida originalmente no YOLOv10.
  • Até 43% mais rápido na inferência em CPU: O YOLO26n é até 43% mais rápido em CPU que o YOLO11n, o que melhora o desempenho em tempo real em dispositivos de borda sem GPUs.
  • Otimizador MuSGD: Inspirado no treinamento de modelos de linguagem grandes (LLM), esse híbrido de SGD e Muon proporciona convergência mais rápida e treinamento mais estável.
  • ProgLoss + STAL: A perda progressiva e a atribuição de rótulos com consciência de alvos pequenos (STAL) melhoram o reconhecimento de objetos pequenos, algo fundamental para aplicações com drones e vigilância de segurança.
  • Remoção de DFL: Remover a Distribution Focal Loss simplifica a exportação do modelo e melhora a compatibilidade com uma ampla variedade de dispositivos de borda.

Para novos projetos que priorizam velocidade, exportação simples e precisão, o YOLO26 é a opção recomendada, e podes treiná-lo e implantá-lo na Ultralytics Platform.

Se estiveres avaliando outras arquiteturas, consulta a comparação entre RT-DETR e YOLO11 ou lê sobre como o YOLO11 se compara ao YOLOv8, YOLOv9 e YOLOv10.

Comentários

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