Começar

YOLO11 vs YOLOv9

As arquiteturas de detecção de objetos em tempo real continuam melhorando. Dois marcos notáveis são Ultralytics YOLO11 e YOLOv9. Ambos têm bom desempenho, mas adotam abordagens diferentes para os desafios centrais da inferência e do treinamento de aprendizado profundo.

Este guia compara YOLO11 e YOLOv9, analisando suas arquiteturas, métricas de desempenho e cenários de implantação ideais para ajudar-te a escolher o modelo certo para teu próximo projeto de visão computacional.

Visão geral do modelo#

Ultralytics YOLO11#

YOLO11 é um modelo otimizado e versátil, projetado para ambientes de produção. Ele equilibra alta precisão com os requisitos práticos de computação de borda e implantação em larga escala.

YOLOv9#

YOLOv9 é uma contribuição acadêmica que introduz novos conceitos para reduzir a perda de informação em redes neurais profundas, com foco na extração de características.

Saiba mais sobre o YOLOv9

Inovações arquiteturais#

YOLOv9: informações de gradiente programáveis#

YOLOv9 aborda o problema do "gargalo de informação" — em que dados se perdem à medida que passam por camadas sucessivas de uma rede profunda. Para resolvê-lo, os autores introduziram a Informação de Gradiente Programável (PGI) e a Rede Generalizada de Agregação Eficiente de Camadas (GELAN). PGI ajuda os gradientes usados para atualizar os pesos durante a retropropagação a reter informações mais completas, resultando em representações de características precisas. A arquitetura GELAN maximiza a eficiência de parâmetros, permitindo que YOLOv9 alcance alta precisão com uma estrutura relativamente leve.

YOLO11: ecossistema e eficiência#

Enquanto YOLOv9 se concentra no fluxo de gradientes, YOLO11 foi projetado para oferecer confiabilidade e versatilidade no mundo real. Ele refina a arquitetura YOLO central para manter os requisitos de memória CUDA durante o treinamento abaixo dos de alternativas com muitos Transformers. YOLO11 também é mais que um detector de objetos: enquanto YOLOv9 na Ultralytics abrange detecção e segmentação, YOLO11 oferece suporte a segmentação de instâncias, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB).

Desenvolvimento simplificado

Um dos maiores pontos fortes do YOLO11 é sua integração ao pacote Python Ultralytics, que abstrai as complexidades do carregamento de dados, do aumento de dados e do treinamento distribuído em uma API unificada.

Comparação de desempenho#

Ao selecionar um modelo para produção, considera a compensação entre média da precisão média (mAP), velocidade de inferência e quantidade de parâmetros.

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

YOLOv9e alcança a maior precisão geral (55,6 mAP), o que o torna útil para avaliação comparativa acadêmica, embora execute em 16,77 ms com T4 TensorRT, contra 11,3 ms do YOLO11x. YOLO11 oferece uma relação velocidade/precisão melhor em todas as escalas. Por exemplo, YOLO11m alcança 51,5 mAP em 4,7 ms (TensorRT), contra 51,4 mAP em 6,43 ms do YOLOv9m, de tamanho semelhante.

Metodologias de treinamento e ecossistema#

A experiência de desenvolvimento difere bastante entre as duas estruturas.

Treinamento do YOLOv9#

Treinar YOLOv9 a partir do repositório original costuma exigir o uso de código de pesquisa personalizado, o gerenciamento de versões específicas de dependências e argumentos complexos de linha de comando, o que pode atrasar as equipes empresariais. Os pesos do YOLOv9 também estão disponíveis no pacote ultralytics, que elimina a maior parte dessa configuração.

Treinamento do YOLO11#

YOLO11 usa a API Python bem mantida da Ultralytics, que te leva da instalação a um modelo treinado em poucas etapas. O treinamento conta com pesos pré-treinados prontamente disponíveis e uma comunidade ativa.

from ultralytics import YOLO

# Carrega um modelo YOLO11 pequeno pré-treinado
model = YOLO("yolo11s.pt")

# Treina em um conjunto de dados personalizado com aumentos de dados integrados
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exporta para o formato ONNX para implantação
model.export(format="onnx")

Com apenas três linhas de Python, os desenvolvedores podem carregar um modelo, iniciar o treinamento com valores padrão otimizados de hiperparâmetros e exportar a arquitetura treinada para estruturas como ONNX ou TensorRT para implantação na borda.

Aplicações no mundo real#

Quando escolher o YOLOv9#

YOLOv9 é uma boa opção para pesquisadores que exploram arquiteturas de aprendizado profundo e técnicas de informação de gradiente. Sua maior variante, YOLOv9e, é adequada para análises de cenas densas em que a precisão é essencial e a complexidade da implantação é secundária em relação ao desempenho algorítmico.

Quando escolher YOLO11#

YOLO11 é a escolha mais sólida para produção. Seus recursos de detecção de objetos são adequados para a gestão do tráfego em cidades inteligentes e para dispositivos de borda, como o Raspberry Pi ou o NVIDIA Jetson. Além disso, sua versatilidade em várias tarefas permite que um único pipeline de desenvolvimento dê conta da segmentação na manufatura e da estimativa de pose em análises esportivas.

Conheça o YOLO26#

Para desenvolvedores que iniciam novos projetos hoje, a Ultralytics recomenda YOLO26 (lançado em janeiro de 2026), o modelo mais recente da família Ultralytics YOLO.

YOLO26 combina avanços recentes em um modelo pronto para produção:

  • Design de ponta a ponta sem NMS: A cabeça opcional um para um do YOLO26 (nms=False) ignora o pós-processamento com supressão não máxima (NMS), resultando em pipelines de implantação mais simples e rápidos.
  • Remoção da DFL: A remoção da Perda Focal de Distribuição melhora a compatibilidade com dispositivos de baixo consumo e aceleradores de IA de borda.
  • Otimizador MuSGD: Inspirado em métodos de treinamento de modelos de linguagem grandes (LLM), o otimizador MuSGD (um híbrido de SGD e Muon) oferece treinamento estável e convergência mais rápida.
  • Inferência em CPU até 43% mais rápida: YOLO26n executa até 43% mais rápido que YOLO11n em CPU, sendo adequado para dispositivos de computação de borda sem GPUs dedicadas.
  • ProgLoss + STAL: A Perda Progressiva e a Atribuição de Rótulos Consciente de Alvos Pequenos (STAL) melhoram o reconhecimento de objetos pequenos, algo essencial para o monitoramento agrícola e imagens aéreas.

Quem quiser explorar arquiteturas variadas também pode conhecer RT-DETR para detecção baseada em Transformer ou YOLO-World para detecção zero-shot de vocabulário aberto.

Conclusão#

YOLO11 e YOLOv9 são modelos importantes na história da visão computacional. YOLOv9 oferece ideias arquitetônicas notáveis para retenção de características. Para a maioria das implantações no mundo real, desde aplicações empresariais de IA até dispositivos móveis de borda, a facilidade de uso, a eficiência de memória e o suporte versátil a tarefas do YOLO11 lhe dão vantagem. Para novos sistemas, o YOLO26, mais recente, acrescenta inferência em CPU mais rápida e implantação opcional sem NMS.

Comentários

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