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:
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Documentação: Documentação do YOLO26
Detalhes do YOLOv5:
- Autores: Glenn Jocher
- Organização: Ultralytics
- Data: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- Documentação: Documentação do YOLOv5
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.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
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.
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.