Começar

YOLO26 vs. YOLOX

Em 2021, o YOLOX introduziu um influente design sem âncoras que aproximou a pesquisa acadêmica das aplicações industriais de detecção de objetos em tempo real. Em janeiro de 2026, a Ultralytics YOLO lançou o YOLO26. Esta comparação analisa como o YOLO26 se baseia em inovações anteriores e em que difere em desempenho, versatilidade e facilidade de uso.

Visão geral dos modelos#

Compreender as origens e as filosofias fundamentais desses modelos é essencial para tomar decisões informadas sobre a implantação.

Detalhes do YOLO26#

O YOLO26 é o modelo Ultralytics YOLO mais recente e oferece uma cabeça opcional de ponta a ponta sem NMS (nms=False), que elimina gargalos de pós-processamento. Ele é otimizado para implantações na nuvem e na borda, com um ecossistema que oferece suporte a diversas tarefas de visão.

Detalhes do YOLOX#

Saiba mais sobre o YOLOX

YOLOX foi um grande avanço: introduziu uma cabeça desacoplada e uma arquitetura sem âncoras, além da estratégia de atribuição de rótulos SimOTA. Na época de seu lançamento, oferecia um excelente equilíbrio entre velocidade e precisão, o que o tornou uma opção popular para muitos sistemas legados.

Inovações arquiteturais#

As diferenças entre o YOLO26 e o YOLOX refletem o progresso no projeto de aprendizado profundo entre 2021 e 2026.

Embora o YOLOX tenha popularizado a abordagem sem âncoras, ele ainda dependia da supressão não máxima (NMS) tradicional para filtrar caixas delimitadoras redundantes. O YOLO26 adiciona uma cabeça opcional ponta a ponta sem NMS (nms=False). Essa abordagem, introduzida nos modelos YOLO pelo YOLOv10, ignora o pós-processamento com NMS, resultando em pipelines de implantação mais rápidos e simples, com menor variação de latência.

Além disso, o YOLO26 oferece remoção do DFL. Remover a Distribution Focal Loss simplifica o processo de exportação e melhora a compatibilidade com dispositivos de borda e hardware de baixo consumo. Em conjunto com outras otimizações arquitetônicas, isso torna o YOLO26n até 43% mais rápido na CPU do que o YOLO11n, uma ótima opção para ambientes sem GPUs dedicadas.

A estabilidade do treinamento é outro diferencial importante. O YOLO26 usa o otimizador MuSGD, uma combinação híbrida de SGD e Muon inspirada nas inovações de treinamento de LLM da Moonshot AI. Esse otimizador traz a estabilidade do treinamento de modelos de linguagem grandes para a visão computacional, favorecendo uma convergência mais rápida.

Aprimoramentos do treinamento

O YOLO26 usa ProgLoss + STAL, um esquema progressivo de equilíbrio de perdas e uma estratégia de atribuição de rótulos com consciência de alvos pequenos que melhoram o reconhecimento de objetos pequenos. Isso é importante para tarefas como o processamento de imagens aéreas e a análise de ambientes densos.

Desempenho e benchmarks#

No conjunto de dados COCO, o YOLO26 alcança mAP mais alto que o YOLOX em todos os tamanhos comparáveis (por exemplo, 48,6 contra 40,5 nos modelos s), com menor latência no T4 com TensorRT.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

Observação: o YOLO26x alcança 57,5 mAP com 55,7M de parâmetros, em comparação com 51,1 mAP e 99,1M de parâmetros do YOLOXx.

Ecossistema e facilidade de uso#

Uma das vantagens mais significativas de escolher o YOLO26 é o ecossistema bem mantido oferecido pela Ultralytics. Enquanto o YOLOX exige lidar com bases de código de pesquisa e configurar manualmente o ambiente, a Ultralytics oferece uma experiência de desenvolvimento mais simples.

Com a API Python unificada, desenvolvedores podem alternar facilmente entre tarefas como detecção de objetos, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação de imagens, estimativa de pose e OBB. O YOLOX é limitado à detecção com caixas delimitadoras.

Exemplo de treinamento#

Treinar um modelo com um conjunto de dados personalizado usando a Ultralytics é eficiente. O pipeline de treinamento mantém baixo o uso de memória CUDA, permitindo lotes maiores em hardware para consumidores do que muitas arquiteturas mais antigas ou modelos Transformer grandes.

from ultralytics import YOLO

# Inicializa o modelo pequeno YOLO26
model = YOLO("yolo26s.pt")

# Treina o modelo com o conjunto de dados COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Exporta o modelo treinado para o formato ONNX para implantação
model.export(format="onnx")

A Ultralytics Platform aprimora ainda mais esse fluxo de trabalho, oferecendo treinamento na nuvem, anotação de conjuntos de dados com auxílio de IA e opções de implantação para equipes que passam do protótipo à produção.

Casos de uso ideais e aplicações no mundo real#

O modelo certo depende do ambiente de implantação.

IA de borda e IoT#

Para aplicações que exigem processamento local em hardware limitado, como sistemas inteligentes de alarme de segurança ou sensores ambientais remotos, o YOLO26 é a melhor opção. Sua cabeça opcional sem NMS e a execução rápida na CPU permitem executá-lo em dispositivos como o Raspberry Pi sem soluções alternativas complexas de quantização.

Robótica autônoma#

Aplicações de robótica exigem alta precisão e baixa latência. Os recursos de estimativa de pose do YOLO26, reforçados pela estimativa residual de log-verossimilhança (RLE), permitem que robôs compreendam a cinemática humana em tempo real. A falta de detecção nativa de pontos-chave no YOLOX o torna inadequado para tarefas avançadas de interação entre humanos e robôs.

Inspeção em grandes altitudes e imagens aéreas#

Ao inspecionar infraestruturas com drones, é fundamental detectar defeitos pequenos. ProgLoss e STAL no YOLO26 melhoram a revocação na detecção de objetos pequenos. Além disso, o YOLO26 oferece suporte nativo a caixas delimitadoras orientadas (OBB), com uma perda de ângulo especializada para resolver problemas de limites, o que o torna adequado para imagens de satélite e aéreas, nas quais os objetos podem estar em qualquer orientação.

Implantações legadas#

O YOLOX ainda pode ser usado em ambientes legados nos quais pipelines de implantação em C++ existentes foram desenvolvidos explicitamente em torno das saídas específicas de sua cabeça desacoplada em 2021. Para novos projetos, recomenda-se migrar para o ecossistema da Ultralytics devido aos ganhos de desempenho e ao suporte contínuo da comunidade.

Conheça outros modelos#

Embora o YOLO26 seja o modelo Ultralytics recomendado, o ecossistema oferece diversos modelos adaptados a necessidades específicas. Para desenvolvedores interessados em arquiteturas baseadas em Transformer, o RT-DETR oferece uma abordagem alternativa à detecção de ponta a ponta. Além disso, o YOLO11 continua sendo uma opção bem testada para ambientes de produção que exigem benchmarks históricos abrangentes.

Em resumo, a transição do YOLOX para o YOLO26 ilustra a rapidez com que o campo avançou. Com uma API intuitiva, um conjunto versátil de recursos e alta eficiência, o YOLO26 é a opção recomendada para pesquisadores e desenvolvedores.

Comentários

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