Começar

YOLOv10 vs EfficientDet

A escolha da rede neural ideal para deteção de objetos é uma decisão fundamental para os sistemas modernos de visão computacional. Duas arquiteturas que influenciaram a área são YOLOv10 e EfficientDet. Ambas procuram maximizar a precisão e minimizar o custo computacional, mas adotam abordagens arquitetónicas muito diferentes.

Este guia aborda os designs, as metodologias de treinamento e as características de implementação, ajudando desenvolvedores e engenheiros de ML a tomar decisões baseadas em dados para aplicações de IA visual. Também analisa o desempenho em hardware que vai desde dispositivos de IA de borda incorporados até GPUs potentes na nuvem.

YOLOv10: detecção em tempo real sem NMS#

Desenvolvido para reduzir a latência em tempo real, YOLOv10 abordou um dos gargalos mais persistentes da família YOLO: a supressão não máxima (NMS). Ao eliminar esta etapa de pós-processamento, o modelo alcança uma latência previsível, essencial para veículos autónomos e robótica de alta velocidade.

Inovações arquiteturais#

YOLOv10 introduz atribuições duplas consistentes para treinamento sem NMS. Durante o treinamento, utiliza atribuições de rótulos um-para-muitos e um-para-um, permitindo que a rede aprenda representações ricas e, ao mesmo tempo, produza uma única caixa delimitadora por objeto durante a inferência. A arquitetura também incorpora um design holístico orientado à eficiência e à precisão, simplificando a cabeça de classificação e reduzindo a redundância computacional encontrada em iterações anteriores.

Detalhes do modelo#

Implantação simplificada

Como o YOLOv10 elimina a etapa de NMS, é naturalmente mais fácil exportá-lo para formatos como o formato ONNX e o NVIDIA TensorRT, sem depender de plugins personalizados de execução para filtrar caixas delimitadoras.

Pontos fortes:

  • Inferência previsível: a remoção da NMS garante tempos de inferência consistentes, independentemente do número de objetos na cena.
  • Menor uso de memória: Em comparação com modelos baseados em Transformer, como RT-DETR, YOLOv10 exige menos memória durante o treinamento e a inferência.
  • Excelente equilíbrio entre velocidade e precisão: otimizado especificamente para cenários de baixa latência sem sacrificar as métricas de desempenho.

Pontos fracos:

Sabe mais sobre o YOLOv10

EfficientDet: escalável e equilibrado#

Introduzido pela Google Brain, EfficientDet aborda a deteção de objetos através da escala sistemática de redes. Baseia-se no backbone EfficientNet de classificação de imagens e introduz um novo mecanismo de fusão de características.

Inovações arquiteturais#

O elemento central de EfficientDet é a rede piramidal de características bidirecional (BiFPN), que permite uma fusão de características multiescala fácil e rápida. Ao contrário das FPNs tradicionais, que apenas somam características de cima para baixo, BiFPN introduz ligações bidirecionais entre escalas e pesos treináveis para aprender a importância das diferentes características de entrada. Além disso, EfficientDet utiliza um método de escala composta que ajusta uniformemente a resolução, a profundidade e a largura de todas as redes de backbone, de características e de previsão de caixas/classes.

Detalhes do modelo#

Pontos fortes:

  • Alta eficiência: excelente proporção entre parâmetros e precisão, tornando as variantes menores -d0 a -d2 muito leves.
  • Escalonamento fundamentado: o escalonamento composto permite que os usuários escolham facilmente um tamanho de modelo que se ajuste exatamente ao orçamento computacional disponível.

Pontos fracos:

  • Integração com frameworks legados: A implementação original depende de versões mais antigas do TensorFlow, o que pode complicar os pipelines modernos de implementação.
  • Treinamento mais lento: Treinar EfficientDet do zero é lento e exige um ajuste cuidadoso dos hiperparâmetros em comparação com a convergência rápida das arquiteturas YOLO.
  • Velocidade de inferência: embora use os parâmetros de forma eficiente, as operações complexas da BiFPN costumam resultar em velocidades de inferência mais lentas no mundo real e em hardware padrão, em comparação com modelos YOLO altamente otimizados.

Sabe mais sobre o EfficientDet

Desempenho e benchmarks#

O verdadeiro teste destes modelos é o desempenho empírico em benchmarks padrão, como o conjunto de dados COCO. A tabela abaixo ilustra as diferenças essenciais no número de parâmetros, nas operações de vírgula flutuante (FLOPs) e na latência de inferência em GPUs NVIDIA T4.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

YOLOv10 tem uma grande vantagem na velocidade de inferência em GPU. Por exemplo, YOLOv10s alcança 46.3 mAP com uma latência TensorRT de 2.49 ms, enquanto EfficientDet-d3 chega a 47.5 mAP, um resultado semelhante, mas demora 19.59 ms. No extremo superior, YOLOv10m (51.1 mAP, 4.74 ms) quase iguala EfficientDet-d5 (51.5 mAP, 67.86 ms). Isto torna YOLOv10 muito mais adequado para transmissão de vídeo em tempo real ou pipelines de fabricação de alta velocidade. EfficientDet-d0 tem o menor número de FLOPs da tabela (2.54B).

Casos de uso e recomendações#

A escolha entre YOLOv10 e EfficientDet depende dos requisitos específicos do seu projeto, das restrições de implantação e das preferências de ecossistema.

Quando escolher o YOLOv10#

O YOLOv10 é uma ótima opção para:

  • Detecção em tempo real sem NMS: Aplicações que se beneficiam da detecção de ponta a ponta sem supressão não máxima, reduzindo a complexidade da implantação.
  • Equilíbrio entre velocidade e precisão: Projetos que exigem um bom equilíbrio entre velocidade de inferência e precisão de detecção em várias escalas de modelo.
  • Aplicações com latência consistente: Cenários de implantação nos quais tempos de inferência previsíveis são essenciais, como em robótica ou sistemas autônomos.

Quando escolher o EfficientDet#

O EfficientDet é recomendado para:

  • Google Cloud e pipelines de TPU: Sistemas baseados em TensorFlow na infraestrutura de TPU do Google Cloud, onde a implementação de referência do EfficientDet oferece suporte ao treinamento em TPU.
  • Investigação sobre escalonamento composto: Avaliação comparativa académica centrada no estudo dos efeitos do escalonamento equilibrado da profundidade, largura e resolução da rede.
  • Implementação móvel através do LiteRT: Projetos que exigem especificamente a exportação para LiteRT (anteriormente TensorFlow Lite) para Android ou dispositivos Linux integrados.

Quando escolher Ultralytics (YOLO26)#

Para a maioria dos projetos novos, Ultralytics YOLO26 oferece a melhor combinação de desempenho e experiência para desenvolvedores:

  • 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 apenas com CPU: Dispositivos sem aceleração por GPU dedicada, nos quais a inferência em CPU até 43% mais rápida de YOLO26n em comparação com 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.

O padrão moderno: chega o Ultralytics YOLO26#

YOLOv10 introduziu a deteção YOLO sem NMS e EfficientDet demonstrou o valor da escala baseada em princípios, mas a visão computacional continuou a evoluir. Para os desenvolvedores que iniciam projetos novos hoje, Ultralytics YOLO26 é o modelo recomendado. Lançado em janeiro de 2026, combina estas ideias num pacote pronto para produção, com suporte da Ultralytics Platform.

Por que o YOLO26 supera a concorrência#

  1. Design ponta a ponta sem NMS: O YOLO26 oferece o design ponta a ponta sem NMS do YOLOv10 como uma cabeça opcional um-para-um (nms=False), simplificando a implantação e acelerando a inferência.
  2. Inferência na CPU até 43% mais rápida: Em dispositivos de borda sem aceleradores dedicados, YOLO26n é até 43% mais rápido do que YOLO11n em CPUs padrão.
  3. Otimizador MuSGD avançado: Inspirado em métodos de treinamento de modelos de linguagem grandes (LLM), YOLO26 utiliza um híbrido de SGD e Muon para obter treinamento estável e convergência rápida, melhorando a eficiência do treinamento em comparação com EfficientDet.
  4. ProgLoss + STAL: Progressive Loss e atribuição de rótulos atenta a alvos pequenos (STAL) melhoram o reconhecimento de objetos pequenos, uma área em que os detectores anteriores costumam ter dificuldades.
  5. Remoção de DFL: A remoção de Distribution Focal Loss simplifica a exportação para muitos formatos de hardware, incluindo OpenVINO e CoreML.

YOLO26 também oferece mais versatilidade. Enquanto EfficientDet e YOLOv10 são modelos de deteção, YOLO26 também executa segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas com o mesmo pacote Python da Ultralytics.

Ecossistema bem mantido

Tanto o YOLO11 quanto o YOLOv8 continuam totalmente compatíveis com o ecossistema Ultralytics. Para obter a melhor combinação de desempenho, estabilidade e suporte de longo prazo, recomendamos usar modelos Ultralytics mantidos oficialmente.

Facilidade de uso com a Ultralytics#

O ecossistema bem mantido da Ultralytics garante uma experiência fluida para os desenvolvedores. Treinar um modelo, validá-lo e exportá-lo para TensorRT requer apenas algumas linhas de código.

from ultralytics import YOLO

# Carrega um modelo YOLOv10 pré-treinado (ou atualiza nativamente para YOLO26)
model = YOLO("yolov10n.pt")

# Treina o modelo com eficiência em um conjunto de dados personalizado
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Executa a inferência e visualiza os resultados imediatamente
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Exporta para uma implementação rápida
model.export(format="engine", quantize=16)

Conclusão#

Ao comparar YOLOv10 e EfficientDet, a escolha depende das tuas preferências de framework e das tuas exigências de velocidade. EfficientDet oferece uma abordagem estruturada à escala dos modelos no ecossistema TensorFlow. No entanto, YOLOv10 proporciona melhor desempenho em tempo real, menor uso de memória e um caminho de implementação mais direto graças à sua arquitetura sem NMS.

Para obter o melhor equilíbrio entre desempenho, facilidade de utilização e versatilidade multitarefa, recomendamos YOLO26 na Ultralytics Platform. Adota a abordagem sem NMS de YOLOv10, acrescenta técnicas de treinamento mais recentes, como o otimizador MuSGD, e é distribuído num framework de código aberto com o apoio de uma grande comunidade global.

Comentários

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