Começar

YOLO11 vs YOLOv8

As arquiteturas de detecção de objetos continuam evoluindo. Ao avaliar modelos para implantação no mundo real, os desenvolvedores costumam comparar Ultralytics YOLO11 e seu antecessor amplamente adotado, Ultralytics YOLOv8. Ambos são conhecidos pela velocidade, precisão e experiência de desenvolvimento, mas são adequados a ciclos de vida de projeto e metas de desempenho ligeiramente diferentes.

Este guia analisa as arquiteturas, metodologias de treinamento e casos de uso ideais para ajudar-te a escolher o modelo certo para teus projetos de inteligência artificial.

Inovações arquiteturais#

A transição do YOLOv8 para YOLO11 introduziu vários refinamentos arquitetônicos que melhoram a eficiência da extração de características e reduzem a sobrecarga computacional.

Arquitetura do YOLO11#

YOLO11 se concentra na eficiência de parâmetros. Ele substitui os módulos C2f por blocos C3k2, que melhoram o processamento de características espaciais sem aumentar a quantidade de parâmetros. Além disso, YOLO11 introduz o módulo C2PSA (Atenção Espacial Parcial entre Estágios) em seu backbone. Esse mecanismo de atenção ajuda o modelo a se concentrar em regiões de interesse importantes, melhorando a detecção de objetos pequenos e lidando com oclusões complexas.

Arquitetura do YOLOv8#

Lançado um ano antes, YOLOv8 trouxe uma cabeça de detecção sem âncoras para Ultralytics YOLO, eliminando a necessidade de ajustar manualmente as caixas âncora e simplificando a formulação da perda. Sua arquitetura usa o bloco C2f, um design que equilibra a profundidade da rede e o fluxo de gradientes, tornando-o confiável em uma ampla variedade de aplicações de visão computacional.

Filosofia de projeto

Enquanto YOLOv8 estabeleceu as bases para a detecção sem âncoras no ecossistema Ultralytics, YOLO11 refinou essa abordagem com mecanismos de atenção espacial, alcançando maior precisão com menos recursos computacionais.

Desempenho e benchmarks#

Ao implantar modelos em dispositivos de borda como o Raspberry Pi ou em servidores de alto desempenho com NVIDIA TensorRT, é essencial entender a compensação entre velocidade e precisão. A tabela abaixo mostra que YOLO11 é mais preciso que YOLOv8 em todos os tamanhos de modelo.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Análise das métricas#

YOLO11 alcança maior média da precisão média (mAP) e reduz tanto a quantidade de parâmetros quanto as operações de ponto flutuante (FLOPs). Por exemplo, o modelo YOLO11m exige 22% menos parâmetros que o YOLOv8m, mas oferece 1,3 ponto a mais de mAP no conjunto de dados COCO. Além disso, as velocidades de inferência em CPU após a exportação para o formato ONNX mostram que YOLO11 é mais rápido em todos os tamanhos (56,1 ms contra 80,4 ms para os modelos nano), tornando-o uma boa opção para implantações sem aceleração por GPU.

A vantagem do ecossistema Ultralytics#

Independentemente de escolheres YOLO11 ou YOLOv8, os dois modelos se beneficiam do ecossistema Ultralytics, que simplifica o ciclo de vida do aprendizado de máquina.

Facilidade de uso e API simples#

O pacote Python ultralytics oferece uma API simplificada que permite a engenheiros e pesquisadores treinar, validar e exportar modelos com apenas algumas linhas de código. Ele abstrai as complexidades típicas associadas à configuração de ambientes de aprendizado profundo no PyTorch.

Eficiência de treinamento e requisitos de memória#

Ao contrário dos Vision Transformers pesados (como o RT-DETR), os modelos Ultralytics YOLO são conhecidos pelo baixo uso de memória durante o treinamento. Essa eficiência de memória permite que os desenvolvedores treinem redes precisas em GPUs de consumo ou em ambientes de nuvem como o Google Colab, sem enfrentar erros de falta de memória.

Versatilidade em tarefas de visão computacional#

YOLO11 e YOLOv8 são modelos multitarefa. Além da detecção de objetos padrão com caixas delimitadoras, eles oferecem suporte nativo a segmentação de instâncias, classificação de imagens, estimativa de pose humana e caixas delimitadoras orientadas (OBB) para imagens aéreas.

Casos de uso e recomendações#

A escolha entre YOLO11 e YOLOv8 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 avançar rapidamente da coleta de dados à produção usando a API Python da Ultralytics, simples e eficiente.

Quando escolher o YOLOv8#

O YOLOv8 é recomendado para:

  • Implantação multitarefa versátil: projetos que exigem um modelo comprovado para detecção, segmentação, classificação, estimativa de pose e OBB no ecossistema Ultralytics.
  • Sistemas de produção estabelecidos: Ambientes de produção existentes já baseados na arquitetura YOLOv8, com pipelines de implantação estáveis e bem testados.
  • Amplo suporte da comunidade e do ecossistema: Aplicações que se beneficiam dos extensos tutoriais, integrações de terceiros e recursos da comunidade ativa do YOLOv8.

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 somente com CPU: Dispositivos sem aceleração de GPU dedicada, nos quais a inferência na CPU até 43% mais rápida do YOLO26 (YOLO26n contra 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.

Exemplo de código: primeiros passos#

Treinar e implantar um modelo Ultralytics exige apenas algumas linhas de código. O exemplo a seguir mostra como carregar um modelo YOLO11 pré-treinado, ajustá-lo a um conjunto de dados personalizado e exportá-lo para implantação na borda usando o Apple CoreML:

from ultralytics import YOLO

# Inicializa o modelo pequeno YOLO11
model = YOLO("yolo11s.pt")

# Treina o modelo de forma eficiente, com requisitos de memória otimizados
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Avalia o desempenho na validação
metrics = model.val()

# Executa inferência em tempo real numa imagem de teste
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporta para CoreML para uma implementação móvel rápida
export_path = model.export(format="coreml")
Atualizações simples

Como a API Ultralytics é padronizada, atualizar um pipeline legado de YOLOv8 para YOLO11 geralmente requer apenas alterar a cadeia de pesos de "yolov8n.pt" para "yolo11n.pt".

O futuro: IA de borda com YOLO26#

YOLO11 é uma arquitetura madura e competente, mas, para os desenvolvedores que estão começando projetos novos, Ultralytics YOLO26 (lançado em janeiro de 2026) é o modelo recomendado.

YOLO26 adiciona vários recursos novos:

  • Design ponta a ponta sem NMS: com base nos conceitos explorados no YOLOv10, YOLO26 oferece uma cabeça opcional um-para-um (nms=False) que ignora o pós-processamento de supressão não máxima (NMS), resultando em latência menor e mais previsível em diferentes hardwares de implantação.
  • Inferência na CPU até 43% mais rápida: com a remoção do ramo Distribution Focal Loss (DFL), YOLO26n é até 43% mais rápido que YOLO11n na CPU, o que o torna adequado para dispositivos de computação de borda sem GPUs potentes.
  • Otimizador MuSGD: inspirado em técnicas de treinamento de modelos de linguagem grandes (LLM), YOLO26 usa MuSGD, uma combinação de SGD e Muon, para uma convergência de treinamento estável e rápida.
  • ProgLoss + STAL: Progressive Loss e Small-Target-Aware Label Assignment (STAL) melhoram o reconhecimento de objetos pequenos e ocluídos, algo essencial para robótica autônoma e análise com drones.

Quer utilizes a confiabilidade comprovada do YOLOv8, a arquitetura otimizada do YOLO11 ou os recursos de próxima geração do YOLO26, a Ultralytics Platform oferece ferramentas para levar as tuas aplicações de IA visual do conceito à produção. As integrações da Ultralytics conectam os teus modelos a fluxos de trabalho empresariais e painéis de análise.

Comentários

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