YOLO26 vs YOLOv8
Os modelos de visão computacional procuram alcançar desempenho em tempo real sem sacrificar a precisão, e para os programadores que trabalham em aprendizagem automática, escolher a arquitetura de modelo certa é fundamental. Esta comparação técnica aborda a transição de Ultralytics YOLOv8, uma arquitetura amplamente adotada e lançada em 2023, para Ultralytics YOLO26, lançado em janeiro de 2026.
Ao comparar as arquiteturas, as métricas de desempenho e as metodologias de treino, mostra onde a atualização traz vantagens para a deteção de objetos, a segmentação e muito mais.
Histórico e metadados dos modelos#
Compreender as origens destas arquiteturas ajuda a contextualizar as escolhas de design. Ambos os modelos foram desenvolvidos pela Ultralytics, que se dedica a tornar a IA de visão acessível e fácil de implementar.
Detalhes do YOLO26:
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Documentação: https://docs.ultralytics.com/models/yolo26
Detalhes do YOLOv8:
- Autores: Glenn Jocher, Ayush Chaurasia e Jing Qiu
- Organização: Ultralytics
- Data: 2023-01-10
- GitHub: https://github.com/ultralytics/ultralytics
- Documentação: https://docs.ultralytics.com/models/yolov8
Inovações arquiteturais#
A transição de YOLOv8 para YOLO26 altera a forma como a rede gera previsões e calcula a perda.
YOLO26: eficiência na borda#
YOLO26 foi concebido para eliminar obstáculos à implementação e maximizar a velocidade de inferência em hardware com recursos limitados.
- Design ponta a ponta sem NMS: Com base no treinamento sem NMS que o YOLOv10 introduziu nos modelos YOLO, o YOLO26 oferece inferência ponta a ponta por meio de uma cabeça opcional um-para-um (
nms=False). Ao ignorar a etapa de pós-processamento de supressão não máxima (NMS), ele reduz a variação da latência e simplifica a lógica de implantação para aplicações que exigem garantias rigorosas de tempo real. - Remoção da DFL: A remoção da Perda Focal de Distribuição (DFL) simplifica a cabeça de saída. Esta escolha arquitetural melhora a compatibilidade com dispositivos de borda de baixo consumo e facilita a exportação para formatos como ONNX e CoreML.
- Otimizador MuSGD: Inspirado na estabilidade de treinamento observada em grandes modelos de linguagem (LLMs), como o Kimi K2 da Moonshot AI, o YOLO26 usa o otimizador MuSGD — um híbrido de descida estocástica do gradiente e Muon. Isso leva ideias do treinamento de LLMs para a visão computacional, proporcionando convergência mais rápida e execuções de treinamento mais estáveis.
- ProgLoss + STAL: Para enfrentar o difícil problema de reconhecer objetos pequenos, o YOLO26 implementa a Progressive Loss (ProgLoss) combinada com a Small-Target-Aware Label Assignment (STAL). Isso melhora a detecção de objetos pequenos, tornando o modelo adequado para aplicações com drones.
O YOLO26 também traz melhorias direcionadas para vários domínios da visão computacional. Ele usa uma função de perda de segmentação semântica e protótipos multiescala para melhorar a segmentação de instâncias, a Estimativa Residual de Log-Verossimilhança (RLE) para uma estimativa de pose mais precisa e uma função de perda angular especializada para resolver problemas de limites em Caixas Delimitadoras Orientadas (OBB).
YOLOv8: o modelo versátil para o dia a dia#
Quando foi lançado em 2023, o YOLOv8 estabeleceu um novo padrão ao migrar totalmente para um design sem âncoras, que generalizava melhor para diferentes proporções entre os lados dos conjuntos de dados.
- Módulo C2f: Ele substituiu o antigo módulo C3 pelo bloco C2f, permitindo melhor fluxo de gradientes pela espinha dorsal da rede.
- Cabeça desacoplada: O YOLOv8 tem uma cabeça desacoplada, na qual a classificação e a regressão das caixas delimitadoras são calculadas de forma independente, melhorando a precisão média (mAP).
- Versatilidade de tarefas: Foi um dos primeiros modelos a oferecer, de fábrica, uma API unificada para detecção, segmentação, classificação de imagens, pose e, posteriormente, tarefas de OBB.
Métricas de desempenho e requisitos de recursos#
Ao avaliar modelos para produção, é fundamental equilibrar a precisão, a velocidade de inferência e o tamanho do modelo. O YOLO26 é mais preciso que o YOLOv8 em todos os tamanhos, tem menos parâmetros e FLOPs e apresenta menor latência no T4 com TensorRT a partir da escala s.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Observação: os valores destacados demonstram o equilíbrio de desempenho e os ganhos de eficiência da arquitetura YOLO26 em relação à sua predecessora.
Análise#
O YOLO26 oferece inferência na CPU mais rápida que modelos YOLOv8 comparáveis na maioria das escalas. Por exemplo, YOLO26n é executado em 38,9 ms na CPU com ONNX, em comparação com 80,4 ms para YOLOv8n, enquanto aumenta o mAP de 37,3 para 40,9. Esse ganho de eficiência na CPU vem, em grande parte, da remoção do DFL e da cabeça sem NMS, tornando o YOLO26 uma ótima opção para ambientes sem GPUs dedicadas. O YOLOv8x é a exceção: ele é executado mais rápido na CPU que o YOLO26x (479,1 ms contra 525,8 ms).
Além disso, os modelos YOLO26 têm menos parâmetros e FLOPs em suas respectivas categorias de tamanho, o que reduz o uso de memória da GPU durante a inferência e o treinamento.
A vantagem do ecossistema Ultralytics#
Um fator importante na escolha de um modelo de IA é a infraestrutura ao redor dele. Tanto o YOLO26 quanto o YOLOv8 se beneficiam da Ultralytics Platform unificada e da mesma experiência para desenvolvedores.
- Facilidade de uso: Os desenvolvedores podem carregar, treinar e exportar modelos com poucas linhas de código. A API Python permanece consistente entre as gerações de modelos.
- Eficiência de treinamento: Os modelos Ultralytics YOLO normalmente precisam de menos memória CUDA durante o treinamento que os modelos Transformer (como o RT-DETR). Isso permite usar tamanhos de lote maiores em hardware de consumo.
- Ecossistema bem mantido: Com atualizações contínuas, pipelines de CI/CD rigorosos e integrações abrangentes com ferramentas como Weights & Biases e TensorRT, o repositório Ultralytics está pronto para produção.
- Versatilidade: Uma única importação dá conta de diversas tarefas e conjuntos de dados, oferecendo suporte a sistemas complexos que exigem rastreamento, classificação e segmentação simultâneos.
Como a API Ultralytics é altamente padronizada, atualizar um sistema de produção do YOLOv8 para o YOLO26 pode ser tão simples quanto trocar a string "yolov8n.pt" por "yolo26n.pt" no script.
Aplicações no mundo real#
A escolha entre esses modelos geralmente depende das restrições de implantação, embora o YOLO26 seja recomendado para novos projetos.
Computação de borda e redes de IoT#
Para ambientes de borda — como implantações em Raspberry Pi ou sensores locais em fábricas —, o YOLO26 é a melhor opção. Sua velocidade na CPU e a cabeça opcional sem NMS ajudam câmeras inteligentes a processar vídeos com alta taxa de quadros para gerenciamento de estacionamento, sem gargalos de pós-processamento.
Imagens aéreas e de grandes altitudes#
No monitoramento agrícola ou na inspeção de infraestrutura com drones, a detecção de objetos pequenos é fundamental. A implementação de ProgLoss + STAL no YOLO26 ajuda a detectar pequenas pragas ou fissuras finas em tubulações que arquiteturas mais antigas, como o YOLOv8, poderiam não identificar, o que é útil ao treinar com conjuntos de dados aéreos como o VisDrone.
Sistemas legados com GPU#
O YOLOv8 continua relevante para sistemas estreitamente vinculados às saídas específicas de regressão de caixas delimitadoras ou implantações corporativas que estão presas a ciclos de validação prolongados e não podem migrar de arquitetura com facilidade.
Casos de uso e recomendações#
A escolha entre YOLO26 e YOLOv8 depende dos requisitos específicos do projeto, das restrições de implantação e das preferências de ecossistema.
Quando escolher o YOLO26#
O YOLO26 é uma ótima opção para:
- Implantação de borda sem NMS: Aplicações que exigem inferência consistente e de baixa latência, sem a complexidade do pós-processamento com supressão não máxima.
- Ambientes somente com CPU: Dispositivos sem aceleração de GPU dedicada, nos quais a inferência na CPU até 43% mais rápida do YOLO26 (YOLO26n contra YOLO11n) oferece uma vantagem decisiva.
- Deteção de objetos pequenos: Cenários desafiantes, como imagens aéreas captadas por drones ou análise de sensores de IoT, nos quais ProgLoss e STAL melhoram a precisão na deteção de objetos pequenos.
Quando escolher o YOLOv8#
O YOLOv8 é recomendado para:
- Implantação versátil e multitarefa: Projetos que exigem um modelo comprovado para detecção, segmentação, classificação e estimativa de pose no ecossistema Ultralytics.
- Sistemas de produção estabelecidos: Ambientes de produção existentes já baseados na arquitetura YOLOv8, com pipelines de implantação estáveis e bem testados.
- Amplo suporte da comunidade e do ecossistema: Aplicações que se beneficiam dos extensos tutoriais, integrações de terceiros e recursos da comunidade ativa do YOLOv8.
Exemplo de código: primeiros passos#
O código Python a seguir demonstra como treinar um modelo YOLO26 no conjunto de dados COCO8 e executar inferência sem NMS.
from ultralytics import YOLO
# Carrega o modelo YOLO26 Nano altamente eficiente
model = YOLO("yolo26n.pt")
# Treina no conjunto de dados COCO8 padrão
# Os hiperparâmetros padrão e os aumentos de dados são aplicados automaticamente
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # primeira GPU CUDA; usa device="cpu" para treinar na CPU
)
# Executa inferência de ponta a ponta, sem NMS, em uma imagem de origem
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Visualiza as detecções resultantes
predictions[0].show()Outros modelos a considerar#
Embora o YOLO26 seja o modelo Ultralytics recomendado, os desenvolvedores que criam aplicações variadas também podem explorar:
- YOLO11: O antecessor imediato do YOLO26, que aprimora o YOLOv8 e ainda é amplamente usado em sistemas de produção.
- RT-DETR: Transformer de detecção em tempo real da Baidu. É uma boa opção para pesquisadores que exploram o mecanismo de atenção em tarefas de visão, embora exija mais memória CUDA para treinamento que os modelos Ultralytics YOLO padrão.
Para treinar na nuvem, rotular conjuntos de dados e implantar em um só lugar, confira a Ultralytics Platform.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.