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.
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Documentação: https://docs.ultralytics.com/models/yolo11
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.
- Autores: Chien-Yao Wang e Hong-Yuan Mark Liao
- Organização: Instituto de Ciências da Informação, Academia Sinica, Taiwan
- Data: 2024-02-21
- arXiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
- Documentação: https://docs.ultralytics.com/models/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).
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.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
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.