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.
- Autores: Glenn Jocher
- Organização: Ultralytics
- Data: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- Documentação: Documentação do YOLOv5
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).
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Documentação: Documentação do YOLO26
O YOLO26 oferece um ótimo equilíbrio entre precisão e velocidade e foi projetado especificamente para cenários de computação de borda.
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.
- 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. - 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.
- 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.
- 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.
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
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.
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.mp4Casos 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.