Começar

YOLOv10 vs YOLOv5

Escolher a arquitetura de rede neural certa é essencial para implantar pipelines de visão computacional bem-sucedidos em produção. Esta página apresenta uma análise técnica aprofundada que compara YOLOv10 e YOLOv5, dois modelos muito influentes na evolução da detecção de objetos em tempo real. Embora ambos tenham causado um impacto significativo na comunidade de IA, eles representam épocas e filosofias diferentes no design de arquiteturas de aprendizado profundo.

Este guia avalia essas arquiteturas com base na precisão média (mAP), latência de inferência, eficiência de parâmetros e suporte do ecossistema, ajudando você a escolher o melhor modelo para suas necessidades de implantação.

Visão geral dos modelos#

YOLOv10: deteção de objetos ponta a ponta em tempo real#

Desenvolvido por pesquisadores da Universidade Tsinghua, YOLOv10 introduziu uma nova abordagem para a detecção de objetos ao eliminar a necessidade de pós-processamento NMS.

A característica definidora do YOLOv10 é seu design ponta a ponta sem NMS. Historicamente, os modelos YOLO dependiam da supressão não máxima (NMS) para filtrar caixas delimitadoras redundantes. YOLOv10 utiliza atribuições duplas consistentes para treinamento sem NMS, o que reduz a variabilidade da latência de inferência e simplifica a lógica de implantação. Além disso, a arquitetura segue um design holístico orientado à eficiência e à precisão, que otimiza diversos componentes para reduzir a redundância computacional.

Sabe mais sobre o YOLOv10

YOLOv5: o padrão do setor em usabilidade#

Lançado pela Ultralytics em junho de 2020, YOLOv5 elevou as expectativas de usabilidade em frameworks de IA de visão de código aberto. Continua sendo uma das arquiteturas mais amplamente implantadas no mundo.

YOLOv5 é conhecido pela facilidade de uso e pelo ecossistema bem mantido. Escrito inteiramente em PyTorch, oferecia suporte pronto para uso a treinamento, validação e exportação para formatos como ONNX e TensorRT. Ao contrário do YOLOv10, que se concentra na detecção de objetos, YOLOv5 também oferece versatilidade: o repositório original do YOLOv5 adicionou segmentação de instâncias na v7.0 e classificação de imagens na v6.2.

Comparação de desempenho e métricas#

Visualizar a relação entre velocidade e precisão é essencial para identificar os modelos que oferecem a melhor precisão dentro de uma determinada restrição de velocidade. Entender essas métricas de desempenho é fundamental para selecionar um modelo compatível com as restrições específicas do seu hardware.

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Análise técnica#

  1. Precisão (mAP): O YOLOv10 apresenta uma vantagem geracional clara em precisão. Por exemplo, o modelo YOLOv10-X alcança 54.4% de mAPval50-95, superando o YOLOv5x (50.7% de mAP). Esse ganho deve-se, em grande parte, à cabeça sem âncoras do YOLOv10 e a aprimoramentos voltados à precisão, como convoluções com kernels grandes e atenção própria parcial.
  2. Latência de inferência: Embora os modelos YOLOv5 sejam muito rápidos em benchmarks brutos de TensorRT na T4 (por exemplo, YOLOv5n a 1.12 ms), YOLOv10 pode dispensar totalmente a etapa de pós-processamento NMS. Em implantações ponta a ponta práticas, o design sem NMS do YOLOv10 oferece uma latência mais consistente, algo essencial para aplicações em tempo real, como veículos autônomos e robótica.
  3. Eficiência de parâmetros: Os modelos YOLOv10 oferecem um ótimo equilíbrio de desempenho. YOLOv10-S alcança 46.3% mAP com 7.2M de parâmetros, o mesmo total que YOLOv5s, que chega a 37.4% mAP.
Dica de implantação

Ao implantar em dispositivos de IA de borda, como o NVIDIA Jetson, os modelos sem lógica NMS (YOLOv10 ou YOLO26 exportado com nms=False) costumam ser compilados com mais facilidade para TensorRT, evitando operações de fallback para a CPU.

Casos de uso e recomendações#

A escolha entre YOLOv10 e YOLOv5 depende dos requisitos específicos do teu 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 YOLOv5#

O YOLOv5 é recomendado para:

  • Sistemas de produção comprovados: Implantações existentes nas quais são valorizados o longo histórico de estabilidade do YOLOv5, sua ampla documentação e sua grande comunidade.
  • Treinamento com recursos limitados: ambientes com recursos de GPU limitados, nos quais o pipeline de treinamento eficiente e os menores requisitos de memória do YOLOv5 são vantajosos.
  • Amplo suporte a formatos de exportação: projetos que exigem implantação em vários formatos, incluindo ONNX, TensorRT, CoreML e LiteRT.

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 somente com CPU: dispositivos sem aceleração dedicada por GPU, nos quais YOLO26n é até 43% mais rápido na CPU do que YOLO11n.
  • Detecção de objetos pequenos: cenários desafiadores, como imagens aéreas capturadas por drones ou análise de sensores IoT, em que ProgLoss e STAL melhoram a precisão em objetos minúsculos.

A vantagem da Ultralytics#

Embora o YOLOv10 ofereça excelentes recursos de detecção, depender de repositórios acadêmicos às vezes pode complicar os pipelines de produção. Ao usar o pacote Python oficial da Ultralytics, você tem acesso a um ecossistema unificado compatível com YOLOv5 e YOLOv10, além de recursos avançados.

  • Eficiência de treinamento: As arquiteturas Ultralytics YOLO são otimizadas para usar pouca memória durante o treinamento. Ao contrário dos modelos transformer mais pesados, como RT-DETR, que exigem muito mais memória CUDA, YOLOv5 e YOLOv10 treinam confortavelmente em GPUs de consumo comuns.
  • Integração com o ecossistema: A Ultralytics Platform permite que desenvolvedores gerenciem conjuntos de dados visualmente e treinem na nuvem, enquanto o pacote Python se integra a ferramentas de acompanhamento de experimentos, como Weights & Biases, e oferece suporte ao ajuste de hiperparâmetros.

Exemplo de código: treinamento#

Usando a biblioteca Ultralytics, alternar entre essas arquiteturas é tão simples quanto mudar a string do modelo. O pipeline de treinamento gerencia automaticamente o aumento de dados, o dimensionamento e a configuração do otimizador.

from ultralytics import YOLO

# Para usar YOLOv5:
# model = YOLO("yolov5su.pt")

# Para usar YOLOv10:
model = YOLO("yolov10s.pt")

# Treina o modelo com um conjunto de dados personalizado
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # Usa a GPU 0
)

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

A próxima geração: Ultralytics YOLO26#

Se estiveres começando um novo projeto de aprendizado de máquina, avalia o mais recente Ultralytics YOLO26. Lançado em janeiro de 2026, ele combina inovações importantes das gerações recentes do YOLO.

O YOLO26 incorpora o design ponta a ponta sem NMS do YOLOv10 como uma cabeça opcional um-para-um (nms=False), o que simplifica a implantação. O YOLO26 também apresenta várias outras melhorias:

  • Inferência na CPU até 43% mais rápida: Com a remoção do módulo Distribution Focal Loss (DFL), YOLO26n é até 43% mais rápido que YOLO11n em CPUs comuns, tornando YOLO26 uma ótima opção para implantação em dispositivos móveis e sensores IoT de baixo consumo.
  • Otimizador MuSGD: Inspirado em técnicas de treinamento de modelos de linguagem grandes (LLM), como o Kimi K2 da Moonshot AI, YOLO26 usa um híbrido de SGD e Muon. Isso proporciona um treinamento mais estável e uma convergência mais rápida do que os otimizadores SGD e AdamW padrão usados em modelos YOLO anteriores.
  • ProgLoss + STAL: A função de perda progressiva e a atribuição de rótulos consciente de alvos pequenos aprimoram o reconhecimento de objetos pequenos, essencial para imagens de drones e aplicações de segurança aérea.
  • Melhorias específicas por tarefa: Enquanto YOLOv10 é exclusivamente um detector de caixas delimitadoras, YOLO26 oferece suporte a detecção, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose e OBB, com melhorias específicas por tarefa, como Residual Log-Likelihood Estimation (RLE) para pose e uma função de perda de ângulo especializada para caixas delimitadoras orientadas (OBB).
Saiba mais

Para comparar essas arquiteturas com outras famílias de detectores, consulta as comparações YOLO11 vs EfficientDet e RT-DETR vs YOLOv8.

Quer uses o comprovado YOLOv5, o YOLOv10 sem NMS ou o mais recente YOLO26, o ecossistema Ultralytics oferece as ferramentas para levar rapidamente tuas aplicações de IA de visão à produção.

Colaboradores

Comentários

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