YOLOv5 vs YOLO26#

A evolução da visão computacional tem sido impulsionada pela busca contínua por modelos mais rápidos, precisos e acessíveis. Ao comparar Ultralytics YOLOv5 com o avançado Ultralytics YOLO26, observamos uma mudança de paradigma que aproxima sistemas legados robustos da vanguarda da implementação moderna de IA.

Este guia apresenta uma análise técnica abrangente de ambas as arquiteturas, destacando as métricas de desempenho, as diferenças estruturais e os cenários de implementação ideais.

Visão geral dos modelos#

YOLOv5: o cavalo de batalha do setor#

Lançado em 2020, o YOLOv5 revolucionou a acessibilidade da deteção de objetos. Ao migrar a arquitetura nativamente para a estrutura PyTorch, proporcionou aos programadores uma experiência sem precedentes, do zero ao domínio.

• Autores: Glenn Jocher
• Organização: Ultralytics
• Data: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Documentação: Documentação do YOLOv5

O YOLOv5 estabeleceu os alicerces do ecossistema Ultralytics, amplamente mantido. Introduziu técnicas agressivas de aumento de dados, ciclos de treino eficientes e caminhos de exportação altamente otimizados para formatos de dispositivos de borda, como CoreML e ONNX. A facilidade de utilização e os baixos requisitos de memória durante o treino tornaram-no uma escolha habitual entre startups e investigadores de todo o mundo.

YOLO26: o padrão de IA visual de próxima geração#

Avançando para janeiro de 2026, Ultralytics YOLO26 representa o auge da IA visual em tempo real. Integra nativamente os conhecimentos adquiridos em gerações intermédias, como YOLOv8 e YOLO11, e introduz grandes avanços inspirados no treino de modelos de linguagem de grande dimensão (LLM).

• Autores: Glenn Jocher e Jing Qiu
• Organização: Ultralytics
• Data: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Documentação: Documentação do YOLO26

O YOLO26 estabelece um novo padrão de equilíbrio de desempenho, oferecendo precisão de última geração e sendo concebido especificamente para se destacar em cenários de computação de borda.

Avanços arquitetónicos no YOLO26#

Enquanto o YOLOv5 depende de cabeças de deteção baseadas em âncoras e funções de perda padrão, o YOLO26 reformula completamente os mecanismos internos para eliminar os estrangulamentos da implementação.

1. Conceção ponta a ponta sem NMS: A diferença mais significativa é a opção nativa de inferência ponta a ponta do YOLO26. Ao contrário do YOLOv5, que requer supressão não máxima (NMS) para filtrar caixas delimitadoras redundantes, a cabeça opcional um para um do YOLO26 (nms=False) ignora totalmente esta etapa de pós-processamento. Isto garante uma latência de inferência determinística e simplifica significativamente a integração em C++ ou em hardware integrado.
2. Remoção de DFL: O YOLO26 remove a Distribution Focal Loss (DFL). Esta opção arquitetónica simplifica drasticamente a exportação dos modelos e melhora a compatibilidade com dispositivos de borda de baixo consumo e microcontroladores, que muitas vezes têm dificuldade em lidar com operadores complexos.
3. Otimizador MuSGD: Inspirado no Kimi K2 da Moonshot AI, o YOLO26 utiliza o otimizador MuSGD, uma combinação de SGD e Muon. Este traz para a visão computacional a estabilidade e a convergência rápida observadas no treino de LLM, resultando em menor utilização de memória e ciclos de treino mais rápidos em comparação com modelos com muitos Transformers.
4. ProgLoss + STAL: O YOLO26 utiliza as sofisticadas funções ProgLoss e STAL, melhorando significativamente a capacidade de detetar objetos pequenos e densos — um desafio histórico para o YOLOv5.

Comparação de desempenho#

Ao comparar os modelos no conjunto de dados COCO, o YOLO26 demonstra grandes melhorias na precisão (mAP) em todas as escalas, utilizando menos parâmetros a partir da variante média.

Nota: O YOLO26 Nano (YOLO26n) alcança uns impressionantes 40,9 mAP, em comparação com os 28,0 mAP do YOLOv5n, um ganho de 12,9 pontos com apenas mais 0,5 M de parâmetros. Além disso, a remoção de DFL e a cabeça sem NMS simplificam a implementação em CPU e em dispositivos de borda.

Versatilidade e suporte a tarefas#

O YOLOv5 é conhecido sobretudo pela deteção de objetos. Embora atualizações posteriores tenham introduzido a segmentação básica, o YOLO26 foi concebido desde o início como um motor unificado para várias tarefas.

O YOLO26 suporta nativamente:

• Segmentação de instâncias: inclui protótipos multiescala específicos para cada tarefa e uma função de perda de segmentação semântica.
• Segmentação semântica: classificação densa de cada píxel.
• Estimativa de profundidade: previsão da profundidade de cada píxel a partir de uma única imagem.
• Classificação de imagens: categorização padrão de imagens completas.
• Estimativa de pose: utiliza a estimativa residual de log-verosimilhança (RLE) para detetar pontos-chave com elevada precisão.
• Caixas delimitadoras orientadas (OBB): inclui uma função de perda angular especializada para resolver problemas de descontinuidade nos limites, algo essencial para a análise de imagens de satélite.

Utilização e exemplos de código#

A API Python da Ultralytics torna extremamente simples mudar de modelo. Como ambos os modelos partilham o mesmo ecossistema bem mantido, basta alterar o ficheiro de pesos para atualizar um pipeline legado de YOLOv5 para YOLO26.

Exemplo em Python#

from ultralytics import YOLO

# Para utilizar YOLOv5, carrega um ficheiro de pesos v5
# model = YOLO("yolov5su.pt")

# Migra para o modelo YOLO26 recomendado
model = YOLO("yolo26n.pt")

# Treina com o conjunto de dados COCO8; optimizer="auto" seleciona MuSGD em execuções mais longas (>10k iterações)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # A baixa utilização de memória do YOLO26 permite utilizar tamanhos de lote maiores
)

# Executa uma inferência sem NMS
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

Exemplo de CLI#

Podes implementar o YOLO26 diretamente através da linha de comandos, utilizando a integração com TensorRT para obter o máximo desempenho da GPU:

# Export the model to TensorRT format
yolo export model=yolo26n.pt format=engine

# Run inference with the compiled engine
yolo predict model=yolo26n.engine source=path/to/video.mp4

Casos de utilização ideais#

Quando escolher YOLO26#

Para qualquer projeto moderno de visão computacional, YOLO26 é a recomendação indiscutível.

• IA de borda e IoT: a inferência em CPU até 43% mais rápida do que a do YOLO11n e a remoção de DFL tornam-no perfeito para implementação num Raspberry Pi ou em dispositivos móveis.
• Pipelines de alta velocidade: a arquitetura sem NMS garante uma latência estável e previsível, crucial para a robótica autónoma e os sistemas de alarme de segurança em tempo real.
• Cenários complexos: se a tua aplicação precisar de acompanhar objetos pequenos (por exemplo, monitorização com drones) ou objetos em rotação (OBB), as funções de perda avançadas do YOLO26 (ProgLoss + STAL) oferecem uma enorme vantagem em termos de precisão.

Quando escolher YOLOv5#

• Sistemas legados: se o teu ambiente de produção tiver dependências codificadas diretamente na geração específica de âncoras ou na lógica de análise de NMS do YOLOv5, a migração poderá exigir um breve período de refatoração.
• Referências académicas específicas: os investigadores utilizam frequentemente o YOLOv5 como referência clássica para demonstrar a evolução histórica das arquiteturas de deteção de objetos.

Resumo#

A transição do YOLOv5 para o YOLO26 não é apenas uma atualização incremental; representa um salto fundamental na forma como os modelos de deteção de objetos são treinados e implementados. Ao tirar partido do otimizador MuSGD, eliminar o pós-processamento complexo com uma arquitetura sem NMS e acelerar significativamente o desempenho em CPU, Ultralytics YOLO26 oferece um equilíbrio excecional entre velocidade e precisão.

Embora o YOLOv5 seja sempre lembrado como o modelo que democratizou a IA visual, os programadores que pretendem criar aplicações robustas, prontas para produção e preparadas para o futuro devem, sem hesitar, apostar no YOLO26.