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#
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2026-01-14
- GitHub: Repositório da Ultralytics no GitHub
- Documentação: Documentação oficial 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#
- Autores: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li e Jian Sun
- Organização: Megvii
- Data: 2021-07-18
- arXiv: Relatório técnico do YOLOX
- GitHub: Repositório do YOLOX no GitHub
- Documentação: Documentação do 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.
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.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
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.