YOLOv5 vs EfficientDet
Ao iniciar um projeto de visão computacional, escolher a arquitetura de rede neural certa é uma das decisões mais importantes que vais tomar. Este guia apresenta uma comparação técnica aprofundada entre o Ultralytics YOLOv5 e o EfficientDet da Google. Ao analisar as respetivas arquiteturas, métricas de desempenho e ecossistemas de treino, ajuda programadores e investigadores a identificar o melhor modelo de deteção de objetos para os seus ambientes de implementação específicos.
Embora o EfficientDet tenha introduzido conceitos inovadores de escalabilidade composta e fusão de características, o YOLOv5 tornou a deteção de objetos de alto desempenho amplamente acessível através da sua implementação intuitiva em PyTorch, da experiência de utilizador simplificada e do sólido equilíbrio entre velocidade e precisão.
Ultralytics YOLOv5: o padrão do setor em acessibilidade#
Lançado em junho de 2020, o YOLOv5 marcou uma mudança decisiva na linhagem YOLO. Desenvolvido nativamente em PyTorch, em vez do framework Darknet baseado em C utilizado pelas versões anteriores do YOLO, tornou-se a arquitetura de eleição para programadores que pretendem criar, treinar e implementar modelos rapidamente.
- Autores: Glenn Jocher
- Organização: Ultralytics
- Data: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- Documentação: https://docs.ultralytics.com/models/yolov5
Inovações arquiteturais#
O YOLOv5 é conhecido pela arquitetura otimizada e por um ciclo de vida simplificado de aprendizagem automática. Utiliza um backbone CSPDarknet53 modificado combinado com um neck Path Aggregation Network (PANet), que melhora a propagação de características em várias escalas espaciais.
Principais avanços:
- Aumento de dados Mosaic: Esta técnica de treino combina quatro imagens de treino distintas num único mosaico. Isto obriga o modelo a aprender a identificar objetos em contextos espaciais complexos e melhora a capacidade de detetar alvos pequenos.
- Aprendizagem automática de caixas âncora: Antes de começar o treino, o YOLOv5 analisa os teus dados de treino personalizados e calcula automaticamente as dimensões ideais das caixas âncora utilizando agrupamento k-means.
- Eficiência de memória: Em comparação com modelos pesados baseados em Transformer, o YOLOv5 mantém uma utilização de memória inferior durante o treino e a inferência, permitindo-lhe funcionar sem problemas em hardware de consumo.
EfficientDet: detecção de objetos escalável#
Apresentado pelo Google Research em 2019, o EfficientDet buscava oferecer uma família de detectores de objetos escaláveis. Ele se baseia no backbone de classificação de imagens EfficientNet e introduz um mecanismo inovador de fusão de características.
- Autores: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organização: Google
- Data: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- Documentação: https://github.com/google/automl/tree/master/efficientdet#readme
Inovações arquiteturais#
A principal proposta do EfficientDet está em sua abordagem sistemática de escalonamento e agregação de características:
- BiFPN (rede piramidal de características bidirecional): ao contrário das FPNs tradicionais, que só transmitem informações de cima para baixo, a BiFPN permite uma fusão rápida e simples de características em várias escalas, introduzindo pesos aprendíveis para determinar a importância de diferentes características de entrada.
- Escalabilidade composta: O EfficientDet aumenta conjuntamente a resolução, a profundidade e a largura de todas as redes backbone, de características e de previsão de caixas/classes, resultando em modelos que vão do leve D0 ao maior D7.
Sabe mais sobre o EfficientDet
Enquanto o EfficientDet depende bastante do ecossistema TensorFlow e das bibliotecas AutoML, o YOLOv5 funciona nativamente no PyTorch, oferecendo um fluxo de trabalho que muitos desenvolvedores consideram mais intuitivo, idiomático em Python e fácil de depurar.
Comparação de desempenho e métricas#
Ao comparar esses modelos, é fundamental avaliar seu desempenho em benchmarks padrão, como o conjunto de dados COCO. A tabela abaixo destaca as compensações entre tamanho, demanda computacional (FLOPs) e velocidade de inferência.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
Análise equilibrada#
O YOLOv5 destaca-se pela flexibilidade de implementação e pela compatibilidade com aceleração de hardware. As suas velocidades TensorRT em T4 são muito superiores às do EfficientDet com precisão semelhante; por exemplo, o YOLOv5m alcança 45,4 mAP em 4,03 ms, contra 43,0 mAP em 10,92 ms para o EfficientDet-d2. Isto torna o YOLOv5 adequado para análise de vídeo de alto débito e fluxos de trabalho de inferência em tempo real. Além disso, o ecossistema Ultralytics permite exportar para formatos como ONNX, CoreML e TensorRT com um único comando.
O EfficientDet oferece excelente eficiência em termos de parâmetros. Para uma determinada quantidade de parâmetros, ele costuma alcançar um alto valor de precisão média média (mAP). No entanto, sua eficiência em parâmetros nem sempre se traduz em tempos de inferência em tempo real mais rápidos em GPUs, devido ao roteamento complexo da camada BiFPN, que pode ser limitado pela largura de banda da memória, em vez da capacidade computacional.
Ecossistema e facilidade de uso#
A principal vantagem de escolher um modelo Ultralytics está no ecossistema que o acompanha. O YOLOv5 faz parte de um repositório mantido ativamente e com uma grande comunidade.
Com a introdução da Plataforma Ultralytics, os utilizadores podem passar da recolha de dados à implementação num só lugar. A plataforma oferece suporte à anotação automática, ao treino na nuvem e à monitorização de modelos. Em contrapartida, o treino do EfficientDet exige muitas vezes lidar com as complexidades de APIs mais antigas de deteção de objetos do TensorFlow, o que pode implicar uma curva de aprendizagem acentuada para a prototipagem rápida.
Além disso, a versatilidade do YOLOv5 vai além das caixas delimitadoras. Em versões posteriores, o repositório YOLOv5 adicionou a segmentação de instâncias (v7.0) e a classificação de imagens (v6.2), oferecendo uma base de código unificada para várias tarefas de visão computacional.
Casos de utilização ideais#
- Escolhe o YOLOv5 quando: precisas de prototipagem rápida, de uma experiência de treino simples e de uma implementação otimizada em dispositivos de borda. É ideal para drones, análise de retalho e aplicações móveis em que a baixa latência é essencial.
- Escolha o EfficientDet quando: você trabalhar exclusivamente em um ambiente Google Cloud/TensorFlow AutoML e precisar da máxima precisão por parâmetro, sem restrições rígidas de latência em tempo real.
A próxima geração: adotando o YOLO26#
Embora o YOLOv5 continue a ser um modelo de trabalho fiável, o panorama da visão computacional evoluiu. Para os programadores que iniciam novos projetos em 2026, o YOLO26 é o modelo Ultralytics mais recente e recomendado.
Com base no legado dos seus antecessores (como o YOLOv8 e o YOLO11), o YOLO26 introduz várias inovações:
- Design de ponta a ponta sem NMS: A cabeça opcional um-para-um do YOLO26 (
nms=False) elimina a necessidade de pós-processamento de supressão não máxima. Isto reduz a variação da latência e simplifica a arquitetura de implementação. - Inferência na CPU até 43% mais rápida: O YOLO26n funciona até 43% mais depressa do que o YOLO11n na CPU, o que beneficia dispositivos de IA de borda de baixo consumo e CPUs padrão sem GPUs dedicadas.
- Otimizador MuSGD: Inspirado em técnicas de treino de modelos de linguagem de grande dimensão (LLM), este híbrido de SGD e Muon proporciona um treino estável e uma convergência rápida.
- Estratégias de treino avançadas: A integração de ProgLoss e STAL melhora o reconhecimento de alvos pequenos, algo essencial para imagens de drones a grande altitude e para a robótica.
- Remoção de DFL: Ao remover Distribution Focal Loss, o processo de exportação do modelo é simplificado, melhorando a compatibilidade com diversos aceleradores de hardware.
Quem quiser explorar outras arquiteturas recentes do ecossistema Ultralytics também pode comparar modelos como YOLOv10 ou RT-DETR.
A API Python da Ultralytics utiliza a mesma interface em todas as gerações de modelos. Se utilizares pesos YOLOv5u no pacote ultralytics, atualizar para YOLO26 é tão simples como alterar a cadeia de caracteres dos pesos do modelo no teu código; os projetos criados no repositório original YOLOv5 precisam primeiro de migrar para o pacote ultralytics.
Exemplo de código: treino e inferência#
Eis como podes treinar e executar inferência com um modelo YOLO no pacote Ultralytics. O código funciona tal como está e trata automaticamente da transferência do conjunto de dados, dos ciclos de treino e da validação.
from ultralytics import YOLO
# Carrega um modelo YOLOv5u (substitui por 'yolo26n.pt' para experimentar a arquitetura mais recente)
model = YOLO("yolov5su.pt") # YOLOv5u: pesos YOLOv5 sem âncoras para o pacote ultralytics
# Treine o modelo no conjunto de dados de exemplo COCO8 por 20 épocas
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)
# Executa inferência numa imagem da Web
inference_results = model("https://ultralytics.com/images/bus.jpg")
# Exiba a imagem com caixas delimitadoras
inference_results[0].show()Ao dar prioridade à experiência do utilizador, manter o seu ecossistema e lançar atualizações como o YOLO26, a Ultralytics disponibiliza aos programadores ferramentas atuais para resolver desafios reais de IA de visão.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.