Começar

YOLO26 vs. YOLOv5

Escolher a arquitetura certa é fundamental para o sucesso de qualquer projeto de visão computacional. Este guia compara dois grandes lançamentos da Ultralytics: o amplamente adotado YOLOv5 e o atual YOLO26. Ambos influenciaram a detecção de objetos em tempo real, mas seus projetos subjacentes refletem mais de cinco anos de avanços na forma como as redes neurais processam dados visuais.

Visão geral do modelo#

Os principais detalhes dos dois modelos estão resumidos abaixo.

Detalhes do YOLO26:

Detalhes do YOLOv5:

Explorando outras opções

Embora este guia se concentre no YOLO26 e no YOLOv5, desenvolvedores que migram sistemas legados também podem se interessar por uma comparação com o YOLO11 ou com a arquitetura sem NMS do YOLOv10. Ambos são excelentes opções para dar os primeiros passos em ambientes de implantação específicos.

Inovações arquiteturais#

O intervalo de mais de cinco anos entre o YOLOv5 e o YOLO26 abrange grandes avanços na pesquisa de aprendizado profundo. O YOLOv5 ajudou a popularizar o treinamento de YOLO baseado em PyTorch, oferecendo um mecanismo de detecção otimizado e baseado em âncoras que se tornou padrão no setor. No entanto, ele dependia da Supressão Não Máxima (NMS) durante o pós-processamento, o que podia criar gargalos de latência em dispositivos com recursos limitados.

O YOLO26 reformula o pipeline de inferência com um design ponta a ponta sem NMS. Sua cabeça opcional um-para-um (nms=False) elimina a necessidade de pós-processamento com NMS, proporcionando uma lógica de implantação mais rápida e simples — um conceito introduzido nos modelos YOLO pelo YOLOv10. O YOLO26 também conta com remoção de DFL (perda focal de distribuição), que simplifica a cabeça de saída. Isso facilita a exportação do modelo para formatos como ONNX e TensorRT e melhora a compatibilidade com dispositivos de borda e de baixo consumo.

Durante o treinamento, o YOLO26 usa o Otimizador MuSGD, um híbrido de SGD e Muon inspirado no Kimi K2 da Moonshot AI. Isso leva ideias do treinamento de LLMs para a visão computacional, proporcionando treinamento mais estável e convergência mais rápida que o otimizador SGD puro usado por padrão no YOLOv5.

Desempenho e métricas#

Ao avaliar modelos, o equilíbrio entre a precisão média (mAP) e a velocidade de inferência determina a viabilidade no mundo real. O YOLO26 é otimizado tanto para GPUs de ponta quanto para CPUs de borda.

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Os benchmarks mostram um grande ganho de precisão. Por exemplo, YOLO26n alcança um mAP de 40,9, em comparação com 28,0 de YOLOv5n, e o YOLO26n oferece inferência na CPU até 43% mais rápida que o YOLO11n. Isso torna o YOLO26 mais adequado para implantações embarcadas, como em Raspberry Pi ou dispositivos móveis. O YOLOv5 é mais rápido no T4 com TensorRT nas escalas n, s e m, mas a diferença de precisão favorece fortemente o YOLO26 (por exemplo, mAP de 53,1 contra 45,4 para os modelos m).

Ecossistema de treinamento e facilidade de uso#

Ambos os modelos se beneficiam do ecossistema Ultralytics bem mantido, com uma API Python simples, documentação abrangente e suporte ativo da comunidade. O YOLO26 acrescenta outras melhorias de treinamento.

Os modelos Ultralytics normalmente precisam de menos memória CUDA durante o treinamento que alternativas com uso intenso de Transformer. O YOLO26 acrescenta ProgLoss + STAL (Progressive Loss e Small-Target-Aware Label Assignment), que melhoram o reconhecimento de objetos pequenos sem aumentar o consumo de memória.

from ultralytics import YOLO

# Inicializa o modelo YOLO26 Nano
model = YOLO("yolo26n.pt")

# Treina o modelo (optimizer='auto' seleciona MuSGD em execuções de treinamento mais longas)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Executa inferência rápida, sem NMS, em uma imagem de teste
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

Este script permite que os desenvolvedores iterem rapidamente em conjuntos de dados personalizados, desde a ingestão dos dados até um modelo pronto para produção.

Implantação simplificada

Com a Ultralytics Platform, você pode exportar seus modelos YOLO26 treinados para formatos como CoreML ou LiteRT sem escrever uma única linha de código de conversão.

Versatilidade e casos de uso ideais#

Quando usar o YOLOv5#

O YOLOv5 continua sendo uma ferramenta confiável para sistemas legados. Se você tem um pipeline industrial existente estreitamente vinculado a saídas baseadas em âncoras ou executa inferência em dispositivos NVIDIA Jetson mais antigos com pilhas TensorRT maduras e congeladas, o YOLOv5 oferece uma solução estável e bem documentada.

Quando usar o YOLO26#

O YOLO26 é a opção recomendada para novos projetos de visão computacional e abrange mais tarefas que seu antecessor. Enquanto o YOLOv5 se concentra principalmente na detecção (com segmentação e classificação adicionadas posteriormente), o YOLO26 oferece suporte nativo a segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação de imagens, estimativa de pose e Caixas Delimitadoras Orientadas (OBB).

O YOLO26 introduz melhorias específicas para cada tarefa, como uma função de perda especializada para segmentação semântica, a Estimativa Residual de Log-Verossimilhança (RLE) para pontos-chave de pose mais precisos e uma função de perda angular especializada para OBB que resolve problemas nos limites.

  • IoT de borda e robótica: A inferência sem NMS opcional e a inferência na CPU até 43% mais rápida (YOLO26n contra YOLO11n) tornam o YOLO26 adequado para navegação robótica em tempo real e câmeras domésticas inteligentes.
  • Imagens aéreas: As melhorias de ProgLoss + STAL tornam mais confiável a detecção de objetos minúsculos capturados por drones, como veículos em estacionamentos ou plantações em campos agrícolas.
  • Análise de vídeo em tempo real: Seja para rastrear atletas em transmissões esportivas ou monitorar o fluxo do tráfego, o YOLO26 equilibra precisão e velocidade para vídeo em tempo real.

Como os dois modelos compartilham o ecossistema Ultralytics, migrar do YOLOv5 para o YOLO26 é simples e dá a pesquisadores e desenvolvedores acesso aos recursos mais recentes da Ultralytics.

Comentários

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