YOLO11 vs YOLOv5
Escolher a arquitetura de rede neural certa é uma decisão importante para qualquer projeto de visão computacional. À medida que a inteligência artificial evolui, também evoluem as ferramentas disponíveis para desenvolvedores e pesquisadores. Este guia apresenta uma comparação técnica entre dois modelos amplamente utilizados do ecossistema Ultralytics: o já consolidado YOLOv5 e o mais recente YOLO11.
Quer implementes modelos leves para aplicações de IA de borda, quer processe fluxos de vídeo de alta resolução em GPUs na nuvem, compreender as particularidades das arquiteturas, as métricas de desempenho e os casos de uso ideais destes modelos permitirá fazer uma escolha baseada em dados, adequada às restrições específicas da tua implementação.
Linhas de evolução dos modelos e detalhes técnicos#
Ambos os modelos refletem o foco da Ultralytics na colaboração de código aberto, no desempenho confiável e na facilidade de uso, e ambos são amplamente adotados pela comunidade de aprendizado de máquina.
Detalhes do YOLO11#
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2024-09-27
- GitHub: ultralytics/ultralytics
- Documentação: Documentação do YOLO11
Detalhes do YOLOv5#
- Autores: Glenn Jocher
- Organização: Ultralytics
- Data: 2020-06-26
- GitHub: ultralytics/yolov5
- Documentação: Documentação do YOLOv5
Diferenças arquitetónicas#
A evolução do YOLOv5 para o YOLO11 introduz várias mudanças arquitetônicas que melhoram a precisão e a eficiência de parâmetros.
YOLOv5 foi um dos primeiros modelos YOLO desenvolvido nativamente em PyTorch, com um backbone CSPNet (Cross Stage Partial Network) e um neck PANet (Path Aggregation Network). Ele usava detecção baseada em âncoras, que exigia caixas de âncora predefinidas para prever os limites dos objetos. Embora fosse muito eficaz, ajustar essas âncoras para conjuntos de dados de visão computacional personalizados podia ser trabalhoso.
Em contrapartida, YOLO11 usa uma abordagem de detecção sem âncoras. Isso elimina a necessidade de ajustar manualmente as caixas de âncora, simplifica o processo de treinamento e melhora a generalização em diversos conjuntos de dados, como o conjunto de dados COCO. Além disso, YOLO11 tem uma cabeça desacoplada, ou seja, as tarefas de classificação e regressão de caixas delimitadoras são processadas em ramificações separadas. Essa separação melhora a velocidade de convergência e a precisão média (mAP), especialmente em cenários complexos de detecção de objetos.
Métricas de desempenho e benchmarks#
A tabela abaixo compara métricas importantes entre diferentes tamanhos de modelo. Ambos são modelos Ultralytics com baixos requisitos de memória e, durante o treinamento, normalmente consomem menos memória CUDA do que as alternativas baseadas em Transformer, reduzindo a barreira de entrada em termos de hardware.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
YOLO11 oferece mAP mais alto em todas as escalas. Por exemplo, YOLO11m alcança 51.5 mAP com 20.1M parâmetros, contra 45.4 mAP com 21.2M parâmetros do YOLOv5m. YOLOv5n, YOLOv5s e YOLOv5m são um pouco mais rápidos no T4 TensorRT, mas têm precisão consideravelmente menor.
Metodologias de treinamento e facilidade de utilização#
Um princípio fundamental da Ultralytics é a facilidade de uso, apoiada por um ecossistema bem mantido e amplo suporte da comunidade.
Historicamente, YOLOv5 dependia de scripts de interface de linha de comando (CLI) (train.py, detect.py) para execução. Embora fossem poderosos, integrar esses scripts diretamente a aplicações Python personalizadas muitas vezes exigia soluções alternativas.
O YOLO11 é baseado no pacote Python simplificado ultralytics (introduzido com o YOLOv8). Esta API unificada trata de tudo, desde o treinamento até à exportação de modelos para formatos como ONNX, OpenVINO e TensorRT, de forma nativa.
Para um fluxo de trabalho sem código, os desenvolvedores podem usar a Ultralytics Platform para anotar dados, treinar modelos na nuvem e implantá-los em dispositivos de borda.
Comparação de código#
Veja como treinar YOLO11 com a API de Python:
from ultralytics import YOLO
# Carrega um modelo pequeno YOLO11 pré-treinado
model = YOLO("yolo11s.pt")
# Treina o modelo com dados personalizados
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Exporta o modelo para ONNX para implementação
model.export(format="onnx")Para sistemas legados que usam o repositório YOLOv5, o treinamento pela CLI é assim:
# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.ptCasos de uso ideais e aplicações no mundo real#
Ambos os modelos têm pontos fortes distintos, adequados a diferentes ambientes operacionais.
Quando usar o YOLOv5#
Mesmo sendo de uma geração anterior, YOLOv5 continua a ser uma opção confiável para:
- Integração com sistemas legados: Ambientes profundamente integrados com estruturas de tensores específicas ou pipelines de implementação do YOLOv5 que não podem ser refatorados facilmente.
- Referências académicas: Investigadores que precisam de referências consolidadas e estabelecidas há muito tempo para estudos académicos reproduzíveis em análise de imagens médicas.
Quando usar o YOLO11#
YOLO11 é a melhor opção para pipelines de produção modernos devido à sua versatilidade:
- Ambientes multitarefa: YOLOv5 adicionou segmentação de instâncias e classificação de imagens em versões posteriores, enquanto YOLO11 oferece suporte imediato à detecção, segmentação, classificação, estimativa de pose e detecção de caixas delimitadoras orientadas (OBB).
- Análise de vídeo de alta densidade: ideal para sistemas inteligentes de trânsito ou gestão de estoque no varejo, em que a alta precisão em cenas complexas é fundamental.
O futuro: a arquitetura YOLO26#
YOLO11 continua a ser um padrão sólido, mas a visão computacional segue avançando. Os desenvolvedores que começam projetos novos também devem considerar Ultralytics YOLO26 (lançado em janeiro de 2026), o modelo recomendado atualmente.
YOLO26 foi projetado tanto para otimização de borda quanto para escala empresarial. As principais mudanças incluem:
- Conceção ponta a ponta sem NMS: O YOLO26 oferece suporte nativo à inferência ponta a ponta, dispensando o pós-processamento de supressão de não máximos (NMS) com
nms=Falsepara uma implementação mais rápida e simples. - Remoção da DFL: A Distribution Focal Loss foi removida para simplificar a exportação de modelos e melhorar a compatibilidade com dispositivos de baixo consumo energético.
- Otimizador MuSGD: uma combinação de SGD e Muon que traz a estabilidade do treinamento de modelos de linguagem grandes (LLM) para a visão computacional, acelerando a convergência.
- Inferência na CPU até 43% mais rápida: YOLO26n é até 43% mais rápido que YOLO11n na CPU, o que o torna adequado para implantações de IoT e dispositivos sem GPUs dedicadas.
- ProgLoss + STAL: Progressive Loss e Small-Target-Aware Label Assignment (STAL) melhoram o reconhecimento de objetos pequenos, algo essencial para imagens aéreas captadas por drones.
Resumo#
A escolha entre YOLO11 e YOLOv5 depende, em última análise, da fase do ciclo de vida do teu projeto. YOLOv5 oferece estabilidade comprovada e uma comunidade grande. Entre os dois, YOLO11 é a melhor opção para projetos novos, combinando maior precisão, uma API de Python mais simples e suporte a mais tarefas. Para obter a melhor precisão e velocidade na CPU atualmente, começa com YOLO26, que também podes treinar e implantar na Ultralytics Platform.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.