YOLO11 vs YOLO26
Cada geração Ultralytics YOLO busca melhorar a velocidade, a precisão e a eficiência de implantação para detecção de objetos em tempo real. Esta comparação técnica aborda a transição do amplamente usado YOLO11 para o atual YOLO26, analisando suas arquiteturas, métricas de desempenho e cenários de implantação ideais.
Quer estejas desenvolvendo sistemas de entrega por drones ou otimizando um pipeline global de manufatura inteligente, entender as diferenças entre esses dois modelos vai ajudar-te a escolher o mais adequado.
Linagem dos modelos e ecossistema#
Os dois modelos se beneficiam do ecossistema Ultralytics, que oferece uma API simples, manutenção contínua e uma comunidade ativa. Ambos oferecem suporte pronto para uso a tarefas de detecção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB), e YOLO26 também oferece segmentação semântica e estimativa de profundidade.
YOLO11: o padrão consolidado#
Lançado no fim de 2024, o YOLO11 aperfeiçoou os avanços das gerações anteriores, consolidando seu lugar como uma solução confiável para ambientes de produção.
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Documentação: Documentação do YOLO11
YOLO26: a próxima geração#
Introduzido em janeiro de 2026, YOLO26 se concentra na implantação em dispositivos de borda e na inferência opcional de ponta a ponta, melhorando a velocidade em CPU e a facilidade de integração.
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Documentação: Documentação do YOLO26
YOLO11 e YOLO26 estão totalmente integrados à Plataforma Ultralytics, que oferece fluxos de trabalho sem código para anotação de conjuntos de dados, treinamento na nuvem e monitoramento da implantação.
Inovações arquiteturais#
Embora YOLO11 dependa de métodos tradicionais de pós-processamento que impulsionam a visão computacional há anos, YOLO26 introduz várias mudanças estruturais que eliminam gargalos de implantação.
Conceção de ponta a ponta sem NMS#
Uma das atualizações mais significativas do YOLO26 é sua arquitetura nativamente ponta a ponta. Sua cabeça opcional um-para-um (nms=False) elimina o pós-processamento de supressão não máxima (NMS), um conceito introduzido nos modelos YOLO pelo YOLOv10. Evitar o NMS simplifica o pipeline de implantação e mantém a latência consistente, o que é essencial para aplicações em tempo real, como algoritmos de direção autônoma.
Remoção de DFL para otimização de borda#
YOLO26 elimina a Perda Focal de Distribuição (DFL). Embora a DFL fosse útil no YOLO11 para localização detalhada, removê-la simplifica o grafo de exportação da rede. Isso melhora a compatibilidade com hardware de baixo consumo, tornando YOLO26 uma boa opção para dispositivos de borda como o Raspberry Pi ou o NVIDIA Jetson.
Otimizador MuSGD#
Inspirado em métodos de treinamento de modelos de linguagem grandes (LLM), especificamente no Kimi K2, da Moonshot AI, YOLO26 usa o Otimizador MuSGD. Esse híbrido de Gradiente Descendente Estocástico (SGD) e Muon proporciona treinamento mais estável e convergência mais rápida; com optimizer=auto, a Ultralytics seleciona MuSGD para treinamentos mais longos.
Perda e atribuição de rótulos#
YOLO26 incorpora ProgLoss + STAL (Perda Progressiva e Atribuição de Rótulos Consciente de Alvos Pequenos). Essa combinação melhora a detecção de objetos pequenos e densamente agrupados. Além disso, YOLO26 introduz melhorias específicas para cada tarefa: perda de segmentação semântica e um módulo proto multiescala para segmentação de instâncias, Estimativa Residual de Log-Verossimilhança (RLE) para estimativa de pose e uma perda de ângulo especializada para reduzir problemas de borda em tarefas de detecção OBB.
Comparação de desempenho#
O equilíbrio entre precisão (mAP), quantidade de parâmetros, complexidade computacional (FLOPs) e velocidade orienta a seleção de hardware. YOLO26 tem como alvo específico a inferência em CPU, e YOLO26n alcança inferência em CPU até 43% mais rápida que YOLO11n.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
YOLO26n ganha 1,4 mAP em relação ao YOLO11n (40,9 contra 39,5) e reduz o tempo de inferência em CPU de 56,1 ms para 38,9 ms com ONNX Runtime. YOLO26 é mais preciso em todos os tamanhos; nas escalas m, l e x, YOLO11 continua mais rápido em CPU, enquanto a latência com T4 TensorRT é semelhante nas duas famílias.
Casos de uso e aplicações no mundo real#
A escolha entre YOLO11 e YOLO26 depende, em grande parte, da tua infraestrutura específica e dos objetivos do projeto.
Computação de borda e IoT#
Para aplicações com restrições de energia e hardware, como monitoramento agrícola inteligente por drones ou sistemas locais de alarme de segurança, YOLO26 é a melhor opção. A remoção da DFL e a inferência em CPU até 43% mais rápida (YOLO26n em comparação com YOLO11n) permitem executar modelos de visão complexos em dispositivos sem GPUs dedicadas, mantendo altas taxas de quadros.
Nuvem e escala empresarial#
YOLO11 continua sendo uma boa opção para implantações empresariais existentes desenvolvidas em torno dele, como análise de vídeo na nuvem e pipelines de processamento de mídia em larga escala já integrados aos formatos de saída do modelo.
Detecção de objetos pequenos#
Se o teu projeto exige alta precisão em objetos pequenos, como detectar defeitos em uma placa de circuito ou rastrear veículos distantes em imagens aéreas, a implementação ProgLoss + STAL do YOLO26 melhora a revocação e a precisão nesses casos difíceis.
Eficiência de treinamento e requisitos de memória#
Uma grande vantagem da estrutura Ultralytics é o baixo consumo de memória durante o treinamento. Ao contrário de detectores baseados em Transformer, como RT-DETR, que podem consumir muita memória CUDA, YOLO11 e YOLO26 são otimizados para treinar com eficiência em hardware de consumo.
A integração do otimizador MuSGD no YOLO26 também ajuda a acelerar a convergência, reduzindo o total de horas de computação em GPU e os custos de computação na nuvem.
Aqui está um exemplo simples de treinamento de YOLO26 com a API Python:
from ultralytics import YOLO
# Inicializa o modelo YOLO26 Nano
model = YOLO("yolo26n.pt")
# Treina o modelo com o conjunto de dados COCO8
# A seleção do otimizador (MuSGD para execuções mais longas) e o gerenciamento de memória são feitos automaticamente
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Executa uma validação rápida para verificar as métricas mAP
metrics = model.val()
# Exporta o modelo treinado para ONNX para inferência rápida na CPU
model.export(format="onnx")Explorando arquiteturas alternativas#
YOLO26 é o ponto de partida recomendado, mas outros modelos na documentação da Ultralytics podem atender a necessidades específicas. Para usuários vinculados a ambientes legados, arquiteturas anteriores como YOLOv5 ainda oferecem desempenho confiável. Para recursos zero-shot, quando não é possível definir classes antecipadamente, YOLO-World oferece detecção de vocabulário aberto orientada por prompts de texto.
Conclusão#
A transição de YOLO11 para YOLO26 vai além de uma atualização incremental: ela muda a forma como os modelos de detecção em tempo real são executados em produção. Com inferência opcional sem NMS e otimizações voltadas primeiro para dispositivos de borda, YOLO26 é a opção recomendada para novos projetos. Com o apoio da documentação da Ultralytics, a atualização para YOLO26 traz implantação mais simples, treinamento estável e maior precisão nas tarefas de visão compatíveis.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.