Começar

YOLO11 vs YOLOv10

As arquiteturas de visão computacional em tempo real continuam melhorando tanto em dispositivos de borda quanto na infraestrutura em nuvem. Esta análise técnica compara dois modelos influentes: Ultralytics YOLO11 e YOLOv10. Ambos avançaram a detecção de objetos em 2024, mas adotam abordagens arquitetônicas diferentes para alcançar seu desempenho.

Entendendo a arquitetura YOLO11#

Detalhes do YOLO11:

YOLO11 se baseia em anos de pesquisa em visão computacional e IA. Seu design enfatiza a riqueza de características e a versatilidade em diversas tarefas de visão computacional.

Uma das melhorias de destaque do YOLO11 é a implementação do Bloco C3k2. Esse módulo de gargalo refinado melhora o fluxo de gradientes pela rede e a eficiência de parâmetros, mantendo alta precisão. Além disso, YOLO11 usa um mecanismo aprimorado de atenção espacial, que ajuda a identificar itens pequenos ou parcialmente ocluídos. Isso faz dele uma boa opção para casos de uso com imagens aéreas e análise detalhada de imagens médicas.

YOLO11 usa um design sem âncoras, que reduz o ajuste de hiperparâmetros e generaliza bem em uma ampla variedade de conjuntos de dados personalizados. Os requisitos de memória durante o treinamento também são menores que os das arquiteturas baseadas em Transformer, permitindo que pesquisadores treinem modelos grandes com eficiência em hardware de consumo padrão.

Explorando a arquitetura YOLOv10#

Detalhes do YOLOv10:

Desenvolvido por pesquisadores da Universidade Tsinghua, YOLOv10 foi o primeiro modelo de ponta a ponta da família YOLO. Seu recurso definidor é o treinamento sem NMS: usando atribuições duplas consistentes durante o treinamento, o modelo aprende a prever uma caixa delimitadora por objeto na inferência. Isso elimina a necessidade de supressão não máxima (NMS) durante a inferência, uma etapa de pós-processamento que historicamente criava gargalos de latência nos pipelines de implantação.

A arquitetura também introduz uma estratégia holística de eficiência e precisão. Ela incorpora redução de resolução desacoplada espacialmente e por canal e designs de blocos guiados por classificação, que reduzem seletivamente a redundância nas etapas da rede. Isso resulta em menos FLOPs e menor sobrecarga computacional sem sacrificar significativamente a média da precisão média (mAP). Para aplicações em tempo real em que cada milissegundo conta, remover o NMS proporciona um grafo de inferência determinístico, adequado para dispositivos de IA de borda.

Sabe mais sobre o YOLOv10

Métricas de desempenho e benchmarks#

Esta comparação equilibra precisão, quantidade de parâmetros e velocidade. A tabela a seguir mostra como os modelos se comparam em várias escalas 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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

YOLO11 alcança mAP ligeiramente superior em todas as escalas comparáveis (por exemplo, 39,5 contra 38,5 para os modelos nano e 54,7 contra 54,4 para os modelos x), enquanto YOLOv10 usa menos parâmetros nas escalas maiores (29,5 M contra 56,9 M para os modelos x). A latência do TensorRT em T4 é semelhante nas duas famílias.

Exportação para produção

Ao preparar os modelos para implantação, é importante exportá-los para formatos otimizados. Tanto YOLO11 quanto YOLOv10 podem ser exportados para formatos como ONNX e TensorRT usando a estrutura Ultralytics. Consulta nosso guia sobre opções de implantação de modelos para ver instruções passo a passo.

A vantagem do ecossistema Ultralytics#

Embora as métricas de desempenho isoladas sejam importantes, a estrutura ao redor determina o sucesso prático de um projeto de aprendizado de máquina. É aí que YOLO11 se destaca, como parte nativa do ecossistema Ultralytics.

A Plataforma Ultralytics oferece uma experiência de usuário simplificada. Com uma API Python simples e unificada, os desenvolvedores podem realizar tarefas além das caixas delimitadoras básicas. YOLO11 oferece suporte pronto para uso à segmentação de instâncias, classificação de imagens, estimativa de pose e detecção de caixas delimitadoras orientadas (OBB), enquanto YOLOv10 se concentra na detecção. Essa versatilidade costuma faltar em repositórios de pesquisa especializados.

Além disso, o ecossistema conta com ampla documentação e suporte ativo da comunidade. Integrações com ferramentas como Weights & Biases para rastreamento de experimentos e OpenVINO para otimização em hardware Intel estão incorporadas diretamente à biblioteca. O treinamento de um modelo exige pouquíssimo código boilerplate e usa menos memória CUDA que modelos Transformer mais pesados, como RT-DETR.

Exemplo prático de código#

Treinar e executar inferência com a Ultralytics exige poucas linhas de código, e a mesma API funciona com YOLO11 e YOLOv10.

from ultralytics import YOLO

# Inicializa o modelo (YOLO11n ou YOLOv10n)
model = YOLO("yolo11n.pt")

# Treina o modelo com eficiência em um conjunto de dados personalizado
# Ultralytics gerencia automaticamente os hiperparâmetros e a otimização da memória
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Executa a inferência numa imagem
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Exibe os objetos detectados
inference_results[0].show()

Casos de uso e recomendações#

Escolher entre YOLO11 e YOLOv10 depende dos requisitos específicos do teu projeto, das restrições de implantação 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 de visão multitarefa: Projetos que exigem detecção, segmentação, classificação, 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 YOLOv10#

O YOLOv10 é recomendado para:

  • Detecção em tempo real sem NMS: Aplicações que se beneficiam da detecção de ponta a ponta sem supressão não máxima, reduzindo a complexidade da implantação.
  • Equilíbrio entre velocidade e precisão: Projetos que exigem um bom equilíbrio entre velocidade de inferência e precisão de detecção em várias escalas de modelo.
  • Aplicações com latência consistente: Cenários de implantação nos quais tempos de inferência previsíveis são essenciais, como em robótica ou sistemas autônomos.

Quando escolher Ultralytics (YOLO26)#

Para a maioria dos projetos novos, 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.

A próxima geração: YOLO26#

YOLOv10 introduziu a detecção YOLO sem NMS, e YOLO11 aprimorou a versatilidade multitarefa. Para desenvolvedores que começam hoje novas implantações em produção, recomendamos Ultralytics YOLO26.

Lançado em janeiro de 2026, o YOLO26 combina os pontos fortes de ambos. Ele oferece o design ponta a ponta sem NMS do YOLOv10 como uma cabeça opcional um-para-um (nms=False), o que simplifica o pipeline de implantação e mantém a latência consistente. O YOLO26 também adiciona otimizações voltadas para a borda: a remoção de DFL (remoção da perda focal de distribuição) simplifica a exportação, e o YOLO26n executa na CPU até 43% mais rápido que o YOLO11n, tornando o YOLO26 uma ótima opção para dispositivos IoT de baixo consumo e aplicações móveis.

YOLO26 também traz a estabilidade do treinamento de modelos de linguagem grandes (LLM) para a visão computacional com o Otimizador MuSGD, um híbrido de SGD e Muon. Junto com ProgLoss + STAL (Perda Progressiva e Atribuição de Rótulos Consciente de Alvos Pequenos), YOLO26 melhora a precisão em objetos pequenos, algo essencial para detecção em vídeos de trânsito detalhados e automação robótica complexa.

Conclusão#

A escolha do modelo de visão certo depende das tuas restrições operacionais específicas. YOLOv10 é um marco importante da pesquisa, pois demonstra que é possível remover o NMS do pipeline de detecção YOLO. Para um equilíbrio melhor entre desempenho, versatilidade de tarefas e ferramentas de implantação, YOLO11 oferece uma solução confiável e pronta para empresas.

Para engenheiros que querem inferência opcional de ponta a ponta junto com desempenho rápido em dispositivos de borda, a migração para YOLO26 é o caminho recomendado. Usar a Plataforma Ultralytics mantém os projetos sobre uma base eficiente e bem mantida.

Comentários

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