YOLOv5 vs YOLOv7#

O panorama da visão computacional evoluiu rapidamente nos últimos anos, impulsionado pela necessidade de deteção de objetos em tempo real mais rápida e precisa. Ao escolher a arquitetura certa para o teu projeto de visão computacional, é essencial compreender as nuances entre modelos populares como o Ultralytics YOLOv5 e o YOLOv7. Esta comparação técnica abrangente analisa as suas arquiteturas, metodologias de treino, métricas de desempenho e cenários de implementação ideais para te ajudar a tomar uma decisão informada.

Num relance: origens dos modelos#

Compreender as origens e as filosofias de design por detrás destes modelos fornece contexto para as suas escolhas arquiteturais.

Detalhes do YOLOv5:

• Autores: Glenn Jocher
• Organização: Ultralytics
• Data: 2020-06-26
• GitHub: Repositório do YOLOv5
• Documentação: Documentação do YOLOv5

Detalhes do YOLOv7:

• Autores: Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao
• Organização: Institute of Information Science, Academia Sinica, Taiwan
• Data: 2022-07-06
• Arxiv: Artigo do YOLOv7
• GitHub: Repositório do YOLOv7
• Documentação: Documentação do YOLOv7

Sabe mais sobre o YOLOv7

Inovações e diferenças arquiteturais#

YOLOv5: o padrão de acessibilidade#

Introduzido pela Ultralytics em 2020, o YOLOv5 provocou uma mudança de paradigma ao utilizar nativamente o framework PyTorch, reduzindo significativamente a barreira de entrada para investigadores e programadores. A sua arquitetura baseia-se num backbone CSPDarknet53 modificado, integrando redes Parciais entre Estágios (CSP) para reduzir o número de parâmetros e manter o fluxo de gradientes.

Um dos seus maiores pontos fortes são os seus requisitos de memória. Em comparação com detetores antigos de duas etapas ou modelos Transformer pesados como o RT-DETR, o YOLOv5 requer significativamente menos memória CUDA durante o treino, permitindo tamanhos de batch maiores em GPUs de consumo comuns. Além disso, a sua versatilidade integrada nativamente suporta classificação de imagens, deteção de objetos e segmentação de imagens de forma integrada.

YOLOv7: a ultrapassar os limites da precisão em tempo real#

Lançado em meados de 2022, o YOLOv7 concentrou-se em ultrapassar os limites do estado da arte na deteção em tempo real nos benchmarks MS COCO. Os autores introduziram a Rede de Agregação de Camadas Eficiente Estendida (E-ELAN), que melhora a capacidade de aprendizagem da rede sem destruir o caminho de gradientes original.

O YOLOv7 também é famoso pelo seu "conjunto de técnicas gratuitas para o treino", especialmente pelas suas técnicas de reparametrização durante o treino, que convertem vários módulos numa única camada convolucional para inferência, aumentando a velocidade sem sacrificar a precisão. No entanto, esta metodologia de treino complexa resulta frequentemente em curvas de aprendizagem mais íngremes e em pipelines de exportação menos simples em comparação com o ecossistema nativo da Ultralytics.

Comparação de desempenho#

Ao avaliar estes modelos, o equilíbrio de desempenho entre velocidade, precisão e custo computacional é fundamental. Abaixo encontras uma comparação detalhada das suas métricas de desempenho com base no conjunto de dados MS COCO val2017.

Embora o YOLOv7 alcance pontuações mAP absolutas mais elevadas nas variantes maiores, o YOLOv5 oferece um espetro incomparável de modelos — desde o Nano ultraleve (YOLOv5n) para dispositivos edge extremos até ao Extra-Large (YOLOv5x) para inferência na cloud.

A vantagem do ecossistema Ultralytics#

A utilidade de um modelo vai além da sua arquitetura em bruto; o ecossistema que o envolve determina a rapidez com que pode ser implementado em produção. É aqui que os modelos da Ultralytics se destacam.

• Facilidade de utilização: a Ultralytics Platform e a sua API Python unificada proporcionam uma experiência de utilização simplificada, uma sintaxe simples e documentação abrangente. O treino de um conjunto de dados personalizado não requer código boilerplate.
• Ecossistema bem mantido: a Ultralytics beneficia de desenvolvimento ativo, atualizações frequentes e forte apoio da comunidade. As integrações com ferramentas como o Comet ML e o Weights & Biases já vêm incorporadas.
• Eficiência de treino: os carregadores de dados, o caching inteligente e o suporte para várias GPUs tornam os modelos da Ultralytics excecionalmente eficientes para treinar. Os pesos pré-treinados prontamente disponíveis aceleram significativamente a aprendizagem por transferência.

Exemplo de código: primeiros passos#

Com a Ultralytics, implementar um modelo requer apenas algumas linhas de código. O seguinte trecho de código Python demonstra como é simples carregar, treinar e executar inferência utilizando o pacote recomendado ultralytics.

from ultralytics import YOLO

# Load a pretrained YOLOv5s model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 example dataset
# Ultralytics automatically handles data downloading and augmentation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a sample image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
predictions[0].show()

Em contrapartida, utilizar o repositório original do YOLOv7 geralmente envolve clonar repositórios complexos, gerir dependências manualmente e utilizar argumentos extensos na linha de comandos.

Aplicações no mundo real e casos de utilização ideais#

Quando escolher o YOLOv7#

O YOLOv7 continua a ser uma opção forte para benchmarks académicos ou pipelines específicos de GPUs antigas, nos quais o mAP máximo é o único objetivo e o sistema já está adaptado aos seus tensores de saída baseados em âncoras. Investigadores que analisam caminhos de gradientes utilizam frequentemente o YOLOv7 como baseline.

Quando escolher o YOLOv5#

O YOLOv5 é amplamente preferido em ambientes de produção devido à sua estabilidade excecional. É a escolha ideal para:

• Computação móvel e edge: implementar o YOLOv5n no iOS através do CoreML ou no Android através do TFLite.
• Startups ágeis: as equipas que precisam de ciclos de iteração rápidos beneficiam da integração simples com a Ultralytics Platform para gestão de conjuntos de dados e treino na cloud.
• Ambientes multitarefa: sistemas que requerem deteção de objetos, classificação e segmentação em simultâneo.

O futuro: avançar para o YOLO26#

Embora comparar o YOLOv5 e o YOLOv7 seja um excelente exercício para compreender a evolução da IA de visão, o estado da arte continuou a avançar. Lançado em janeiro de 2026, o Ultralytics YOLO26 representa um salto monumental, tornando as arquiteturas mais antigas praticamente obsoletas para novos projetos.

Para os programadores que procuram o máximo desempenho, o YOLO26 oferece várias vantagens inovadoras em relação ao YOLOv5 e ao YOLOv7:

• Design de ponta a ponta sem NMS: ao eliminar o pós-processamento de supressão não máxima, o YOLO26 proporciona uma implementação muito mais simples e uma latência mais rápida e consistente.
• Otimizador MuSGD: inspirado nas inovações de LLM da Moonshot AI, este otimizador híbrido proporciona um treino altamente estável e uma convergência rápida.
• Velocidade edge sem precedentes: otimizada especificamente para ambientes edge, a variante nano oferece uma inferência na CPU até 43% mais rápida ao remover a Perda Focal de Distribuição (DFL).
• Precisão superior: novas funções de perda como ProgLoss + STAL melhoram significativamente o reconhecimento de objetos pequenos, tornando o modelo ideal para imagens captadas por drones e para robótica.

Quer estejas a manter um pipeline YOLOv5 existente ou a procurar implementar o YOLO26 de vanguarda, a Ultralytics Platform fornece todas as ferramentas necessárias para teres sucesso na visão computacional moderna.