Começar

YOLOv5 vs YOLOv6-3.0

O cenário da visão computacional está em constante evolução, com novas arquiteturas ampliando os limites de velocidade e precisão. Ao selecionar um modelo para teu próximo projeto de IA visual, é comum que os desenvolvedores comparem frameworks consolidados e versáteis com detectores industriais altamente especializados. Esta comparação explora as diferenças técnicas entre Ultralytics YOLOv5 e YOLOv6-3.0 da Meituan, ajudando-te a escolher a melhor ferramenta para as tuas necessidades de implantação.

Introdução aos modelos#

Ultralytics YOLOv5: o padrão versátil#

Lançado em 2020, o Ultralytics YOLOv5 rapidamente se tornou uma opção amplamente adotada para detecção de objetos acessível e de alto desempenho. Ele é conhecido pela facilidade de uso, pelos pipelines de treinamento robustos e pelas extensas integrações de implantação.

O YOLOv5 foi projetado desde o início para oferecer uma experiência simples aos desenvolvedores no ecossistema PyTorch. Ele proporciona um equilíbrio favorável de desempenho, alcançando alta precisão média (mAP) e mantendo velocidades de inferência elevadas, adequadas a diversos cenários de implantação no mundo real, de dispositivos de borda a servidores na nuvem.

YOLOv6-3.0: capacidade de processamento industrial#

Desenvolvido pelo Departamento de IA de Visão da Meituan, YOLOv6-3.0 foi concebido especificamente para aplicações industriais, priorizando fortemente a taxa de processamento em aceleradores de hardware dedicados.

  • Autores: Chuyi Li, Lulu Li, Yifei Geng et al.
  • Organização: Meituan
  • Data: 2023-01-13
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

O YOLOv6 busca maximizar a velocidade de processamento em GPUs como a NVIDIA T4. Ele usa esquemas de quantização dedicados e backbones especializados para alcançar seu desempenho, sendo uma boa opção para processamento em servidores de backend, onde a inferência em lote é amplamente utilizada.

Sabe mais sobre YOLOv6

Diferenças arquitetónicas#

Entender as escolhas arquiteturais por trás desses modelos é importante para identificar os casos de uso ideais.

A arquitetura do YOLOv5#

O YOLOv5 usa um backbone CSPDarknet altamente otimizado combinado com um neck Path Aggregation Network (PANet). Essa estrutura é extensivamente ajustada para garantir requisitos mínimos de memória durante o treinamento e a inferência. Ao contrário de modelos Transformer grandes, que exigem muita memória CUDA e longos tempos de treinamento, o YOLOv5 funciona com eficiência em hardware de consumo comum.

Eficiência de memória

Os modelos Ultralytics são projetados especificamente para oferecer eficiência de treinamento. Muitas vezes, você consegue treinar um modelo YOLOv5 em uma única GPU intermediária, tornando-o bastante acessível tanto para pesquisadores quanto para startups.

O YOLOv5 é mais do que um detector de objetos: o repositório original do YOLOv5 estende sua arquitetura para segmentação de instâncias e classificação de imagens.

A arquitetura YOLOv6-3.0#

YOLOv6-3.0 conta com um backbone EfficientRep, projetado para ser compatível com o hardware, especialmente para execução em GPU. O modelo usa um módulo Bi-directional Concatenation (BiC) no pescoço para aprimorar a fusão de características.

Durante o treinamento, YOLOv6 usa uma estratégia Anchor-Aided Training (AAT) para estabilizar a convergência, embora continue sendo um detector sem âncoras durante a inferência. Embora essa arquitetura seja excelente em tarefas aceleradas por GPU, às vezes pode ser mais complexa de adaptar a diversos dispositivos de borda do que o framework altamente portátil YOLOv5.

Análise de desempenho#

Ao avaliar esses modelos, as métricas de velocidade bruta e precisão são essenciais. A seguir, apresentamos uma tabela comparativa que destaca o desempenho de vários tamanhos de modelo no conjunto de dados COCO.

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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

Embora o YOLOv6-3.0 alcance um mAP superior em todos os tamanhos equivalentes, o YOLOv5 mantém uma estrutura mais leve. Por exemplo, o YOLOv5n requer significativamente menos parâmetros e FLOPs do que seu equivalente YOLOv6, sendo adequado para implantações móveis ou limitadas pela CPU.

Ecossistema e facilidade de uso#

Para muitas equipes de engenharia, o ecossistema ao redor do modelo é o verdadeiro fator decisivo.

O YOLOv6 é um repositório de pesquisa capaz, mas implantá-lo em vários formatos exige mais trabalho manual. Em contrapartida, a Ultralytics oferece um ecossistema bem mantido, caracterizado por uma experiência de uso simplificada. Com a API Python unificada e a intuitiva Ultralytics Platform, os desenvolvedores têm acesso à gestão de conjuntos de dados, ao treinamento com um clique e à exportação direta para formatos como ONNX e TensorRT.

Exemplo de código: API unificada da Ultralytics#

O pacote pip ultralytics da Ultralytics permite carregar, treinar e implantar modelos com apenas algumas linhas de código.

from ultralytics import YOLO

# Carregue um modelo YOLOv5 pequeno pré-treinado
model = YOLO("yolov5su.pt")  # YOLOv5u: pesos YOLOv5 sem âncoras para o pacote ultralytics

# Treina o modelo com o conjunto de dados COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Execute inferência rápida em uma imagem
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporte para ONNX para implantação em dispositivos de borda
model.export(format="onnx")

Casos de uso e recomendações#

A escolha entre YOLOv5 e YOLOv6 depende dos requisitos específicos do seu projeto, das limitações de implantação e das preferências de ecossistema.

Quando escolher o YOLOv5#

O YOLOv5 é uma ótima opção 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 o YOLOv6#

O YOLOv6 é recomendado para:

  • Implantação industrial ciente do hardware: cenários em que o design do modelo ciente do hardware e a reparametrização eficiente proporcionam desempenho otimizado em hardware de destino específico.
  • Detecção rápida em estágio único: aplicações que priorizam a velocidade bruta de inferência na GPU para processamento de vídeo em tempo real em ambientes controlados.
  • Integração com o ecossistema Meituan: equipes que já trabalham com a pilha tecnológica e a infraestrutura de implantação da Meituan.

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.

Próximos passos: a vantagem do YOLO26#

Embora o YOLOv5 continue sendo uma ferramenta confiável e o YOLOv6-3.0 ofereça alta vazão em GPUs industriais, o estado da arte evoluiu. Para desenvolvedores que começam novos projetos hoje, a opção recomendada é o Ultralytics YOLO26.

Lançado em janeiro de 2026, o YOLO26 representa um avanço significativo. Ele herda a versatilidade do ecossistema Ultralytics e introduz várias melhorias arquiteturais:

  • Design de ponta a ponta sem NMS: A cabeça opcional sem NMS do YOLO26 (nms=False) elimina o pós-processamento de supressão não máxima, reduzindo a variação da latência e simplificando a lógica de implantação.
  • Inferência na CPU até 43% mais rápida: Com a remoção da DFL e uma cabeça mais leve, o YOLO26n é até 43% mais rápido na CPU do que o YOLO11n, o que beneficia dispositivos de borda e de baixo consumo.
  • Otimizador MuSGD: Ao aproveitar inovações de treinamento de LLMs, o novo otimizador MuSGD proporciona um treinamento estável e uma convergência mais rápida.
  • Versatilidade avançada: O YOLO26 oferece suporte à segmentação de instâncias e semântica, à estimativa de profundidade, à classificação, à estimativa de pose e às caixas delimitadoras orientadas (OBB) com cabeças e funções de perda específicas para cada tarefa, enquanto ProgLoss e STAL melhoram o reconhecimento de objetos pequenos.

Se estás explorando outras opções do ecossistema Ultralytics, também podes considerar o YOLO11, de uso geral, ou o YOLO-World para tarefas de detecção de vocabulário aberto.

Conclusão#

Tanto o YOLOv5 quanto o YOLOv6-3.0 tiveram um impacto significativo na área da visão computacional. O YOLOv6-3.0 oferece excelente vazão em hardware de servidor de alto nível, sendo adequado para análises offline especializadas. No entanto, o YOLOv5 continua sendo uma ótima opção para desenvolvedores que precisam de um modelo robusto, fácil de usar e versátil, respaldado pelo ecossistema Ultralytics.

Para obter o melhor equilíbrio entre precisão, implantação opcional sem NMS e experiência de desenvolvimento, a opção recomendada para soluções modernas de IA visual é migrar para o YOLO26 por meio da Ultralytics Platform.

Comentários

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