YOLO26 vs. EfficientDet
Escolher a arquitetura de rede neural certa é fundamental para o sucesso de qualquer aplicação de visão computacional. Este guia técnico explora as compensações, as métricas de desempenho e as inovações arquitetônicas de dois modelos de destaque: Ultralytics YOLO26 e o consagrado EfficientDet do Google.
Quer a tua implantação tenha como alvo servidores em nuvem de alto rendimento ou dispositivos de IA de borda com restrições de latência, entender as diferenças entre essas arquiteturas ajuda-te a equilibrar velocidade, precisão e eficiência.
Visão geral da arquitetura: YOLO26#
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2026-01-14
- GitHub: GitHub da Ultralytics
- Documentação: Documentação oficial do YOLO26
Lançado no início de 2026, YOLO26 é o modelo mais recente da família YOLO, projetado para facilitar o uso e oferecer alto média da precisão média (mAP) em hardware moderno. Ele oferece suporte a detecção de objetos, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação de imagens, estimativa de pose e detecção de caixas delimitadoras orientadas (OBB).
YOLO26 introduz vários recursos que melhoram tanto a estabilidade do treinamento quanto a velocidade da inferência:
- Design ponta a ponta sem NMS: Com base no treinamento sem NMS que o YOLOv10 introduziu nos modelos YOLO, o YOLO26 oferece uma cabeça opcional ponta a ponta um-para-um (
nms=False), que elimina a necessidade de pós-processamento com supressão não máxima (NMS). Isso resulta em uma lógica de implantação mais simples e menor variação de latência. - Inferência na CPU até 43% mais rápida: As otimizações arquitetônicas tornam o YOLO26n até 43% mais rápido que o YOLO11n em CPUs padrão, sendo adequado para ambientes de IoT e sistemas embarcados.
- Remoção da DFL: A Distribution Focal Loss foi removida, resultando em um processo de exportação mais simples e maior compatibilidade com dispositivos de borda de baixo consumo que usam ferramentas como ONNX.
- Otimizador MuSGD: Inspirado nas rotinas de treinamento de LLM do Kimi K2, da Moonshot AI, esse híbrido de SGD e Muon traz inovações do treinamento de modelos de linguagem grandes diretamente para a visão computacional, promovendo convergência mais rápida e treinamento mais estável.
- ProgLoss + STAL: A Perda Progressiva e a Atribuição de Rótulos Consciente de Alvos Pequenos (STAL) melhoram o reconhecimento de objetos pequenos, um fator importante para aplicações que envolvem imagens aéreas de drones e robótica.
Graças à remoção da DFL e à arquitetura sem NMS, exportar modelos YOLO26 para formatos adequados a dispositivos de borda, como NVIDIA TensorRT ou Intel OpenVINO, praticamente não exige o desenvolvimento de plugins personalizados.
Visão geral da arquitetura: EfficientDet#
- Autores: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organização: Google Research
- Data: 2019-11-20
- arXiv: Artigo do EfficientDet
- GitHub: Repositório do Google AutoML
Introduzido pelo Google, o EfficientDet foi desenvolvido no ecossistema TensorFlow e projetado em torno do conceito de escalonamento composto. Sua arquitetura dimensiona simultaneamente a rede backbone, a rede de características e as redes de previsão de caixas/classes com base nas restrições de recursos.
Principais inovações do EfficientDet:
- BiFPN (Rede Piramidal de Características Bidirecional): Um mecanismo que permite uma fusão de características em múltiplas escalas simples e rápida, possibilitando que a rede compreenda melhor objetos de vários tamanhos.
- Escalonamento composto: Um método heurístico para aumentar uniformemente a resolução, a profundidade e a largura, criando uma família de modelos de d0 (o menor) a d7 (o maior).
Embora o EfficientDet continue sendo uma opção sólida para detecção de caixas delimitadoras, ele não oferece a versatilidade multitarefa moderna (como tarefas OBB nativas) nem o ecossistema Python unificado e simplificado que os desenvolvedores modernos esperam.
Saiba mais sobre o EfficientDet
Comparação de desempenho e métricas#
A tabela a seguir compara as duas arquiteturas no conjunto de dados COCO, mostrando as diferenças no tamanho dos modelos, na precisão e na latência, com as velocidades de CPU medidas usando ONNX Runtime e as velocidades de GPU usando TensorRT em uma NVIDIA T4.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
O YOLO26x alcança a maior precisão (57.5 mAP), 3.8 pontos acima do EfficientDet-d7, e executa em 11.8 ms em vez de 128.07 ms em uma T4 com TensorRT. O YOLO26 é muito mais rápido na GPU em todas as variantes (chegando a apenas 1.7 ms).
Eficiência de treinamento e vantagem do ecossistema#
Uma diferença importante entre as duas arquiteturas está nos ambientes de desenvolvimento. O EfficientDet está profundamente integrado ao ecossistema Google AutoML e TensorFlow, o que pode gerar uma curva de aprendizado acentuada e configurações rígidas para conjuntos de dados personalizados e tarefas mais recentes, como detecção orientada em DOTAv1.
A Ultralytics oferece um ecossistema bem mantido, desenvolvido com PyTorch, com treinamento eficiente em memória que funciona em GPUs modestas.
Com a Plataforma Ultralytics, os desenvolvedores têm acesso a um fluxo de trabalho MLOps de ponta a ponta que abrange anotação de dados, treinamento na nuvem e implantação de modelos, encurtando o caminho do protótipo à produção.
Exemplo de implementação#
A API da Ultralytics permite treinar e exportar um modelo YOLO26 com poucas linhas de código.
from ultralytics import YOLO
# Inicializa o modelo YOLO26 sem NMS e de ponta a ponta
model = YOLO("yolo26n.pt")
# Treina com um conjunto de dados personalizado (optimizer='auto' seleciona MuSGD para execuções de treinamento mais longas)
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # Treina na GPU
)
# Exporta nativamente para TensorRT para implantação com latência ultrabaixa
model.export(format="engine")Casos de utilização ideais#
Quando usar YOLO26:
- Computação de borda e dispositivos móveis: Com o YOLO26n até 43% mais rápido em CPU que o YOLO11n e inferência opcional sem NMS, YOLO26 tem bom desempenho em dispositivos com orçamentos computacionais muito limitados, como Raspberry Pis ou celulares.
- Multitarefa: Quando um único pipeline exige caixas delimitadoras, máscaras de segmentação e rastreamento, YOLO26 lida com tudo isso em uma só estrutura.
- Imagens aéreas e de drones: A combinação de ProgLoss e STAL melhora a detecção de objetos pequenos a grandes altitudes.
Quando usar EfficientDet:
- Pipelines legados de TensorFlow: Se a tua infraestrutura oferece suporte apenas a SavedModels do TensorFlow ou exige pipelines específicos do TensorFlow Serving, o EfficientDet oferece compatibilidade nativa.
- TPUs com recursos limitados: O EfficientDet foi otimizado para as unidades de processamento tensorial (TPUs) personalizadas do Google.
Explorando outras alternativas#
Este guia se concentra em YOLO26 e EfficientDet, mas o ecossistema Ultralytics inclui outras arquiteturas. Se a tua aplicação depende de transformers, RT-DETR oferece detecção em tempo real baseada em Transformer. Se, em vez disso, você dá suporte a sistemas legados, YOLO11 continua totalmente compatível. Para uma visão geral mais ampla, visita o Hub de Comparações de Modelos da Ultralytics.
Para novos pipelines de visão computacional, a velocidade, a facilidade de uso e a precisão de YOLO26 fazem dele a opção recomendada para pesquisadores e desenvolvedores.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.