Começar

YOLOv5 vs YOLO26

A evolução da visão computacional tem sido marcada pela busca contínua por modelos mais rápidos, precisos e acessíveis. Ultralytics YOLOv5 e Ultralytics YOLO26 representam dois momentos dessa evolução: um modelo legado amplamente utilizado e o modelo atual recomendado da Ultralytics.

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 tornou a detecção de objetos muito mais acessível. Ao implementar a arquitetura nativamente na estrutura PyTorch, ofereceu aos desenvolvedores um caminho simples da instalação ao treinamento e à implantação.

O YOLOv5 estabeleceu a base do ecossistema Ultralytics, que continua sendo mantido ativamente. Ele introduziu técnicas robustas de aumento de dados, ciclos de treinamento eficientes e caminhos de exportação altamente otimizados para formatos de borda, como CoreML e ONNX. Sua facilidade de uso e os baixos requisitos de memória durante o treinamento fizeram dele uma ferramenta essencial para startups e pesquisadores do mundo todo.

YOLO26: o padrão de IA visual de próxima geração#

Lançado em janeiro de 2026, o Ultralytics YOLO26 é a geração mais recente do Ultralytics YOLO. Ele incorpora lições aprendidas com gerações intermediárias, como YOLOv8 e YOLO11, e introduz técnicas de treinamento inspiradas no treinamento de modelos de linguagem grandes (LLM).

O YOLO26 oferece um ótimo equilíbrio entre precisão e velocidade e foi projetado especificamente para cenários de computação de borda.

Outros modelos Ultralytics

Se você estiver migrando uma base de código antiga, talvez também queira comparar YOLOv5 com YOLO11, o modelo da geração anterior que oferece suporte a diversas tarefas, como estimativa de pose e caixas delimitadoras orientadas (OBB).

Inovações arquiteturais no YOLO26#

Enquanto o YOLOv5 depende de cabeças de detecção baseadas em âncoras e funções de perda padrão, o YOLO26 reformula a cabeça, as funções de perda e o otimizador para remover gargalos de implantação.

  1. Design ponta a ponta sem NMS: A diferença mais significativa é a opção de inferência nativa ponta a ponta do YOLO26. Ao contrário do YOLOv5, que exige supressão não máxima (NMS) para filtrar caixas delimitadoras redundantes, a cabeça opcional um-para-um do YOLO26 (nms=False) dispensa essa etapa de pós-processamento. Isso torna a latência de inferência mais previsível e simplifica a integração com C++ ou hardware embarcado.
  2. Remoção de DFL: O YOLO26 remove a Distribution Focal Loss (DFL). Essa escolha arquitetural simplifica a exportação do modelo e melhora a compatibilidade com dispositivos de borda e aceleradores de baixo consumo que frequentemente têm dificuldades com operadores complexos.
  3. Otimizador MuSGD: Inspirado no Kimi K2 da Moonshot AI, o YOLO26 utiliza o Otimizador MuSGD, um híbrido de SGD e Muon. Isso traz para a visão computacional a estabilidade e a convergência rápida observadas no treinamento de LLMs.
  4. ProgLoss + STAL: O YOLO26 usa ProgLoss e STAL para melhorar a detecção de objetos pequenos e densos, um desafio histórico para o YOLOv5.

Comparação de desempenho#

Ao comparar os modelos no conjunto de dados COCO, o YOLO26 apresenta maior precisão (mAP) em todas as escalas e usa menos parâmetros a partir da variante média.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Observação: o YOLO26 Nano (YOLO26n) alcança 40.9 mAP, em comparação com 28.0 mAP do YOLOv5n: um ganho de 12.9 pontos com apenas 0.5M de parâmetros adicionais, enquanto a remoção de DFL e a cabeça sem NMS simplificam a implantação na CPU e em dispositivos de borda.

Versatilidade e suporte a tarefas#

O YOLOv5 é conhecido principalmente pela detecção de objetos. Embora atualizações posteriores tenham introduzido segmentação básica, o YOLO26 foi desenvolvido desde o início como um mecanismo multitarefa unificado.

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-verossimilhança (RLE) para localizar pontos-chave com mais 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.
Integração com o Ecossistema

Ambos os modelos se beneficiam da Ultralytics Platform, que oferece anotação de dados, treinamento na nuvem e implantação com um clique.

Utilização e exemplos de código#

A API Python da Ultralytics facilita a alternância entre modelos. Como ambos compartilham o mesmo ecossistema bem mantido, para atualizar um pipeline YOLOv5u no pacote ultralytics para YOLO26, basta alterar o arquivo de pesos.

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 novos projetos de visão computacional, o YOLO26 é a opção recomendada.

  • IA de borda e IoT: A inferência na CPU até 43% mais rápida (YOLO26n em comparação com YOLO11n) e a remoção de DFL tornam o modelo ideal para implantação em um Raspberry Pi ou em dispositivos móveis.
  • Pipelines de alta velocidade: A cabeça opcional sem NMS oferece uma latência mais previsível, algo importante para robótica autônoma e sistemas de alarme de segurança em tempo real.
  • Cenários complexos: Se a sua aplicação exigir a detecção de objetos pequenos (por exemplo, monitoramento com drones) ou objetos rotacionados (OBB), as melhorias de treinamento do YOLO26 (ProgLoss + STAL, além de uma função de perda angular dedicada a OBB) aumentam a 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 é mais do que uma atualização incremental: ela muda a forma como os modelos de detecção de objetos são treinados e implantados. Com o otimizador MuSGD, uma cabeça opcional sem NMS que elimina o pós-processamento e uma inferência mais rápida na CPU, o Ultralytics YOLO26 oferece um ótimo equilíbrio entre velocidade e precisão.

Embora o YOLOv5 continue sendo o modelo que tornou a IA de visão acessível a uma ampla comunidade de desenvolvedores, quem estiver criando novas aplicações para produção deve começar com o YOLO26.

Comentários

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