Começar

YOLOv5 vs YOLOv7

O cenário da visão computacional evoluiu rapidamente nos últimos anos, impulsionado pela necessidade de detecção de objetos em tempo real mais rápida e precisa. Ao escolher a arquitetura certa para o teu projeto, é importante entender as diferenças entre modelos populares como Ultralytics YOLOv5 e YOLOv7. Esta comparação técnica aborda suas arquiteturas, metodologias de treinamento, métricas de desempenho e cenários ideais de implantação para ajudar-te a tomar uma decisão informada.

Visão geral: origens dos modelos#

Entender as origens e filosofias de design por trás desses modelos ajuda a contextualizar suas escolhas arquiteturais.

Detalhes do YOLOv5:

Detalhes do YOLOv7:

Saiba mais sobre o YOLOv7

Explore outras arquiteturas

Queres saber como esses modelos se comparam a outros? Consulta comparações como YOLOv5 vs YOLO11 ou YOLOv7 vs EfficientDet para ampliar teu conhecimento sobre o ecossistema de detecção de objetos.

Inovações e diferenças arquitetônicas#

YOLOv5: o padrão de acessibilidade#

Lançado pela Ultralytics em 2020, o YOLOv5 foi criado nativamente sobre o framework PyTorch, reduzindo significativamente a barreira de entrada para pesquisadores e desenvolvedores. Sua arquitetura utiliza um backbone Modified CSPDarknet53, que incorpora redes Cross Stage Partial (CSP) para reduzir a quantidade de parâmetros e manter o fluxo de gradientes.

Um de seus maiores pontos fortes são os baixos requisitos de memória. Em comparação com detectores antigos de dois estágios ou modelos Transformer pesados como o RT-DETR, o YOLOv5 exige muito menos memória CUDA durante o treinamento, permitindo lotes maiores em GPUs comuns de consumo. Ele também oferece versatilidade: o repositório original do YOLOv5 oferece suporte à detecção de objetos, à segmentação de instâncias e à classificação de imagens.

YOLOv7: ampliando os limites da precisão em tempo real#

Lançado em meados de 2022, o YOLOv7 se concentrou em elevar a precisão de última geração para detecção em tempo real nos benchmarks do MS COCO. Os autores introduziram a Extended Efficient Layer Aggregation Network (E-ELAN), que aprimora a capacidade de aprendizado da rede sem destruir o caminho original dos gradientes.

O YOLOv7 também é conhecido pelo seu "trainable bag-of-freebies", especialmente pelas técnicas de reparametrização durante o treinamento, que convertem vários módulos em uma única camada convolucional para inferência, aumentando a velocidade sem sacrificar a precisão. No entanto, essa metodologia de treinamento complexa costuma resultar em uma curva de aprendizado mais acentuada e em pipelines de exportação menos simples do que os do ecossistema nativo da Ultralytics.

Comparação de desempenho#

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

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Embora o YOLOv7 alcance pontuações absolutas de mAP mais altas nas variantes maiores, o YOLOv5 oferece uma gama mais ampla de tamanhos de modelo, desde o Nano (YOLOv5n), leve e adequado para dispositivos de borda, até o Extra-Large (YOLOv5x), destinado à inferência na nuvem.

A vantagem do ecossistema Ultralytics#

A utilidade de um modelo vai além da sua arquitetura em si; o ecossistema ao redor determina a rapidez com que ele pode ser implantado em produção. É aí que os modelos Ultralytics se destacam.

  • Facilidade de uso: A Ultralytics Platform e sua API Python unificada oferecem uma experiência simplificada, sintaxe simples e documentação abrangente. Treinar com um conjunto de dados personalizado exige pouquíssimo código boilerplate.
  • Ecossistema bem mantido: A Ultralytics se beneficia de desenvolvimento ativo, atualizações frequentes e forte apoio da comunidade. Integrações com ferramentas como Comet e Weights & Biases já estão incorporadas.
  • Eficiência de treinamento: Carregadores de dados, armazenamento em cache inteligente e suporte a várias GPUs tornam eficientes os treinamentos dos modelos Ultralytics. Os pesos pré-treinados disponíveis aceleram o aprendizado por transferência.

Exemplo de código: primeiros passos#

Com a Ultralytics, implantar um modelo exige apenas algumas linhas de código. O trecho de código Python a seguir mostra como é simples carregar, treinar e executar inferências usando o pacote recomendado ultralytics.

from ultralytics import YOLO

# Carregue um modelo YOLOv5s pré-treinado
model = YOLO("yolov5su.pt")  # YOLOv5u: pesos YOLOv5 sem âncoras para o pacote ultralytics

# Treina o modelo no conjunto de dados de exemplo COCO8
# A Ultralytics gerencia automaticamente o download e o aumento de dados
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

# Exibe as previsões
predictions[0].show()

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

Aplicações no mundo real e casos de uso ideais#

Quando escolher o YOLOv7#

YOLOv7 continua sendo uma boa opção para benchmarks acadêmicos ou pipelines específicos com GPUs legadas, nos quais o único objetivo é obter o mAP máximo e o sistema já está adaptado aos tensores de saída baseados em âncoras. Pesquisadores que analisam caminhos de gradientes costumam utilizar YOLOv7 como referência.

Quando escolher o YOLOv5#

O YOLOv5 é amplamente usado em ambientes de produção devido à sua estabilidade. É a opção preferida para:

  • Dispositivos móveis e computação de borda: Implantar YOLOv5n em iOS via CoreML ou Android via LiteRT.
  • Startups ágeis: Equipes que precisam de ciclos rápidos de iteração se beneficiam da integração com a Ultralytics Platform para gestão de conjuntos de dados e treinamento na nuvem.
  • Ambientes multitarefa: Sistemas que combinam detecção de objetos, segmentação e classificação.

O futuro: migrando para YOLO26#

Embora comparar YOLOv5 e YOLOv7 seja uma ótima forma de entender a evolução da IA visual, o estado da arte continuou avançando. Lançado em janeiro de 2026, o Ultralytics YOLO26 é o ponto de partida recomendado para novos projetos.

O YOLO26 oferece várias vantagens em relação ao YOLOv5 e ao YOLOv7:

  • Design de ponta a ponta sem NMS: Ao permitir ignorar o pós-processamento de supressão não máxima (nms=False), o YOLO26 oferece uma implantação mais simples e latência mais consistente.
  • Otimizador MuSGD: Inspirado nas inovações de LLMs da Moonshot AI, esse otimizador híbrido proporciona treinamento estável e convergência mais rápida.
  • Inferência de borda mais rápida: Otimizado para ambientes de borda, o YOLO26n é até 43% mais rápido na CPU do que o YOLO11n, em parte graças à remoção da Distribution Focal Loss (DFL).
  • Maior precisão: Novas técnicas de treinamento, como ProgLoss + STAL, melhoram o reconhecimento de objetos pequenos, o que ajuda em imagens de drones e aplicações de robótica.

Quer estejas mantendo um pipeline YOLOv5 existente ou adotando o YOLO26, a Ultralytics Platform oferece ferramentas para anotação, treinamento e implantação.

Colaboradores

Comentários

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