Começar

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.

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.

Gerenciamento de dados e implantações

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.

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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

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.

Exportação para velocidade máxima

Para obter o máximo desempenho, exporta esses modelos para TensorRT em hardware NVIDIA ou para OpenVINO em CPUs Intel. A cabeça opcional sem NMS do YOLO26 (nms=False) simplifica ainda mais o pipeline exportado.

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.