Começar

YOLO26 vs YOLO11

Ao criar sistemas de visão computacional, escolher o modelo certo significa equilibrar precisão, latência e eficiência de recursos. Esta comparação técnica abrange a transição de Ultralytics YOLO11 para o mais recente YOLO26, fornecendo a engenheiros e investigadores de IA os detalhes necessários para tomar decisões arquiteturais informadas.

Linhagem e metadados dos modelos#

Ambos os modelos foram desenvolvidos pela Ultralytics, mas representam paradigmas diferentes na evolução dos modelos de deteção de objetos e de visão multitarefa.

Detalhes do YOLO26:

Detalhes do YOLO11:

Outras arquiteturas

Embora YOLO26 seja o modelo de tempo real mais avançado da Ultralytics, quem dispõe de hardware especializado ou de muita memória também pode explorar arquiteturas baseadas em Transformer, como RT-DETR ou o primeiro YOLO sem NMS, YOLOv10.

Diferenças e inovações arquitetónicas#

A transição de YOLO11 para YOLO26 altera tanto a arquitetura do modelo como a receita de treino. Enquanto YOLO11 estabeleceu uma referência sólida para a deteção de objetos e a aprendizagem multitarefa, YOLO26 reformula o processo de implementação para a computação de borda.

Conceção de ponta a ponta sem NMS#

Uma das melhorias mais significativas de YOLO26 é a inferência nativa de ponta a ponta. Ao contrário de YOLO11, que depende do pós-processamento de supressão não máxima (NMS) para filtrar caixas delimitadoras sobrepostas, YOLO26 pode ignorar completamente esta etapa com a sua cabeça opcional um-para-um (nms=False). Esta abordagem, introduzida na família YOLO pelo YOLOv10, reduz a variabilidade da latência e simplifica a lógica de implementação em diversos dispositivos de borda.

Remoção de DFL para maior eficiência na borda#

YOLO11 usa a Perda Focal de Distribuição (DFL) para aperfeiçoar as estimativas das caixas delimitadoras. No entanto, a DFL depende de operações softmax que muitas vezes têm pouco suporte em aceleradores de borda de baixo consumo. YOLO26 remove a DFL sem sacrificar a precisão. Esta simplificação melhora a compatibilidade com sistemas incorporados e ajuda YOLO26n a alcançar uma inferência em CPU até 43% mais rápida do que YOLO11n.

O otimizador MuSGD#

YOLO26 introduz o otimizador MuSGD, uma combinação de Descida do Gradiente Estocástica (SGD) e Muon, inspirada nas inovações de treino de modelos de linguagem de grande dimensão (LLM) do Kimi K2 da Moonshot AI. Traz a estabilidade do treino de modelos de linguagem para a visão computacional e acelera a convergência.

ProgLoss e STAL#

Para investigadores que trabalham com imagens aéreas ou aplicações com drones, a deteção de objetos pequenos é um desafio antigo. YOLO26 introduz ProgLoss combinado com STAL (atribuição de etiquetas consciente de objetos pequenos), que melhora o reconhecimento de objetos pequenos em relação a YOLO11.

Comparação de desempenho e métricas#

YOLO26 alcança um mAP superior ao YOLO11 em todos os tamanhos, de +1,4 (n) a +2,8 (x), com contagens semelhantes de parâmetros e FLOPs. YOLO26n e YOLO26s também são mais rápidos em CPU, enquanto os modelos maiores YOLO11 mantêm uma vantagem de latência em CPU.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
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

Nota: YOLO26n tem uma latência ONNX em CPU \~31% inferior à de YOLO11n (38,9 ms vs. 56,1 ms), o que reflete o seu design pensado primeiro para a borda.

Versatilidade em tarefas de visão computacional#

Ambos os modelos beneficiam do ecossistema da Ultralytics, mantido ativamente, e da sua API Python unificada, e ambos suportam deteção, segmentação, classificação, estimativa de pose e OBB. YOLO26 acrescenta segmentação semântica e estimativa de profundidade, além de várias melhorias específicas para cada tarefa:

  • Segmentação de instâncias: YOLO26 usa uma função de perda de segmentação semântica e um módulo proto multiescala que melhoram a qualidade das máscaras em relação a YOLO11. Sabe mais sobre fluxos de trabalho de segmentação.
  • Estimativa de pose: Ao integrar a Estimativa de Log-Verosimilhança Residual (RLE), YOLO26 melhora a precisão dos pontos-chave em poses humanas complexas. Descobre as capacidades de estimativa de pose.
  • Caixas delimitadoras orientadas (OBB): Uma função de perda de ângulo especializada resolve problemas de descontinuidade nos limites, tornando YOLO26 mais fiável na deteção de objetos rodados em imagens de satélite. Lê sobre as tarefas OBB.
  • Classificação de imagens: Ambos os modelos processam classificação de alta velocidade com eficiência, e YOLO26 oferece ganhos modestos na precisão top-1 no ImageNet (71,4% vs. 70,0% para os modelos n).

Exemplo de código para treino e inferência#

Treinar um modelo ou executar inferência com a Ultralytics exige apenas algumas linhas de código. O treino de modelos YOLO também requer menos memória CUDA do que redes Transformer de grandes dimensões.

from ultralytics import YOLO

# Carrega o modelo nano YOLO26
model = YOLO("yolo26n.pt")

# Treina o modelo de forma eficiente com o conjunto de dados COCO8
# optimizer="auto" seleciona MuSGD para treinos mais longos
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Usa a GPU para acelerar o treinamento
)

# Executa a inferência numa imagem sem NMS
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Apresenta as previsões instantâneas e claras
results[0].show()

Casos de uso ideais e estratégias de implementação#

A escolha entre YOLO26 e YOLO11 depende das limitações do teu ambiente de produção.

Quando implementar o YOLO26#

YOLO26 é a opção recomendada para novos projetos. Foi criado para:

  • Computação de borda e IoT: O desempenho em CPU e a remoção da DFL tornam-no adequado para dispositivos como Raspberry Pi, Coral Edge TPU e processadores móveis.
  • Análise de drones e imagens aéreas: ProgLoss + STAL melhoram a deteção e o rastreamento de objetos pequenos e rápidos em cenas amplas.
  • Aplicações sensíveis à latência: Em robótica autónoma ou controlo de qualidade na indústria, a cabeça opcional sem NMS (nms=False) mantém a latência consistente, sem picos causados pelo pós-processamento.

Quando manter o YOLO11#

YOLO11 continua a ser um modelo capaz. Podes continuar a usar YOLO11 se:

  • Pipelines legados: a tua infraestrutura de implementação existente em C++ está estreitamente ligada ao formato de saída específico e à lógica NMS do YOLO11.
  • Referências académicas: Estás a publicar investigação e precisas de uma referência de 2024 amplamente reconhecida para comparar novos algoritmos.

O poder do ecossistema Ultralytics#

Quer implementes YOLO11, quer YOLO26, os modelos Ultralytics incluem um ecossistema bem mantido, atualizações frequentes e uma comunidade alargada.

Para equipas empresariais, a Ultralytics Platform oferece uma solução de ponta a ponta para anotação de dados, treino de modelos e implementação na nuvem. O pacote ultralytics cobre o resto do ciclo de vida, desde o ajuste de hiperparâmetros até à exportação dos pesos treinados para CoreML ou TensorRT.

Comentários2

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

  1. CoLndGitHub

    Hello, thank you for this article. I'm seeing that the best speed upgrade is 31% between 11n and 26n, where does the "up to 43% acceleration" come from please? Thank you have a nice day

    1. Murat Raimbekov

      your math is right - YOLO26n at 38.9 ms vs YOLO11n at 56.1 ms is ~31% lower latency, which is what the in-page note on this comparison reflects. the "up to 43% faster" headline expresses the same two numbers as a throughput speedup instead: 56.1 / 38.9 ≈ 1.44, so YOLO26n processes ~44% more frames per second on the same CPU than YOLO11n, marketed as "up to 43% faster". both describe the identical benchmark, just two different conventions:

      • latency reduction: (56.1 - 38.9) / 56.1 = ~31%
      • throughput speedup: 56.1 / 38.9 - 1 = ~44% (rounded down to "up to 43%" in the headline)

      a cleaner restatement: YOLO26n delivers up to ~43% faster CPU ONNX inference than YOLO11n, corresponding to ~31% lower latency in the benchmark table. the "up to" qualifier reflects that nano is where the gap is largest - on s/m/l/x tiers the gap is smaller (or negative on the larger ones), so the headline is bound to the best case. we will look at tightening the wording in the docs so the two metrics read clearly side by side.

      thanks for flagging.