YOLOv7 vs. YOLO26
A evolução da visão computacional foi marcada por avanços significativos, e comparar arquiteturas legadas com modelos modernos oferece insights valiosos para engenheiros de ML. Esta comparação técnica analisa as diferenças entre o influente YOLOv7 e o Ultralytics YOLO26, destacando avanços na arquitetura, nas metodologias de treinamento e na eficiência de implantação.
YOLOv7: o pioneiro do "bag of freebies"#
Apresentado em meados de 2022, o YOLOv7 avançou a detecção em tempo real em hardware GPU com várias otimizações arquitetônicas que melhoraram a precisão sem aumentar o custo de inferência.
Detalhes do modelo
- Autores: Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao
- Organização: Institute of Information Science, Academia Sinica
- Data: 2022-07-06
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
- Documentação: Documentação do Ultralytics YOLOv7
O YOLOv7 introduziu o conceito de “bag-of-freebies” treinável, que utilizava amplamente técnicas de reparametrização e redes eficientes de agregação de camadas estendidas (E-ELAN). Isso permitiu que o modelo aprendesse características mais diversas e melhorasse continuamente a capacidade de aprendizado da rede sem destruir o caminho original dos gradientes. Embora tenha alcançado resultados de ponta no COCO na época, sua arquitetura depende de saídas baseadas em âncoras e exige pós-processamento de Supressão Não Máxima (NMS), o que pode criar gargalos de latência durante a implantação.
YOLO26: o padrão de IA visual que prioriza a borda#
Lançado em janeiro de 2026, o Ultralytics YOLO26 repensa o pipeline de detecção para priorizar a facilidade de implantação, a estabilidade do treinamento e a eficiência de hardware.
Detalhes do modelo
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2026-01-14
- GitHub: ultralytics/ultralytics
- Plataforma: Ultralytics YOLO26 na plataforma
O YOLO26 foi projetado para as necessidades de implantação modernas. Sua arquitetura traz várias inovações importantes:
- Design de ponta a ponta sem NMS: o YOLO26 oferece uma cabeça opcional um-para-um (
nms=False) que ignora o pós-processamento de NMS, uma abordagem introduzida pela primeira vez no YOLOv10. Isso resulta em um pipeline de implantação mais rápido e simples, que evita a latência variável normalmente causada por cenas congestionadas. - Remoção de DFL: ao remover a Distribution Focal Loss (DFL), o modelo é simplificado para exportação, melhorando a compatibilidade com dispositivos de borda e hardware de IoT de baixo consumo.
- Inferência na CPU até 43% mais rápida: graças às simplificações arquitetônicas, o YOLO26 é otimizado para computação de borda e dispositivos sem GPUs dedicadas, com o YOLO26n executando até 43% mais rápido na CPU que o YOLO11n.
- Otimizador MuSGD: inspirado em técnicas de treinamento de modelos de linguagem grandes (especificamente o Kimi K2 da Moonshot AI), o YOLO26 usa o otimizador MuSGD — um híbrido de Descida do Gradiente Estocástico e Muon. Isso proporciona treinamento mais estável e convergência mais rápida em tarefas de visão computacional.
- ProgLoss + STAL: uma perda progressiva e uma estratégia de atribuição de rótulos consciente de alvos pequenos melhoram o reconhecimento de objetos pequenos, algo fundamental para imagens aéreas, robótica e inspeção automatizada de qualidade.
- Melhorias específicas por tarefa: Além da detecção de objetos padrão, o YOLO26 introduz protótipos em várias escalas e uma função de perda especializada de segmentação semântica para tarefas de segmentação, estimativa residual de log-verossimilhança (RLE) para estimativa de pose e algoritmos especializados de perda angular para resolver problemas de borda em caixas delimitadoras orientadas (OBB).
Para projetos que já usam o pacote ultralytics, atualizar para o YOLO26 é tão simples quanto alterar a string do modelo no teu código Python para yolo26n.pt; os pesos são baixados automaticamente. Projetos YOLOv7 do repositório original podem reutilizar seus conjuntos de dados no formato YOLO e treiná-los novamente com a API Ultralytics.
Comparação de desempenho e métricas#
Ao comparar a pegada computacional, o YOLO26 apresenta um equilíbrio melhor entre precisão, velocidade e requisitos de memória. Modelos baseados em Transformer ou arquiteturas antigas e pesadas costumam exigir grandes alocações de memória CUDA, mas o YOLO26 é treinado com eficiência em GPUs convencionais para consumidores.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
Como mostrado acima, o modelo YOLO26m iguala a precisão do modelo muito maior YOLOv7x (53,1 mAP), com menos de um terço dos parâmetros (20,4M contra 71,3M) e inferência mais rápida via TensorRT (4,7 ms contra 11,57 ms).
A vantagem do ecossistema Ultralytics#
A implantação de modelos legados costuma envolver repositórios complexos de terceiros, conflitos de dependências e scripts de exportação manuais. Em contrapartida, a Ultralytics Platform oferece um ecossistema coeso e bem mantido que simplifica todo o ciclo de vida do machine learning.
- Facilidade de uso: com uma API Python intuitiva e documentação abrangente, podes anotar, treinar e implantar modelos em minutos. Exportar para formatos como ONNX ou CoreML exige apenas uma linha de código.
- Requisitos de memória: os modelos Ultralytics são conhecidos pelo baixo uso de memória. Ao contrário de alguns Transformers de visão grandes, o YOLO26 pode ser ajustado em hardware convencional sem gerar erros de falta de memória (OOM).
- Versatilidade: enquanto o YOLOv7 era principalmente um detector de objetos (com alguns ramos experimentais para outras tarefas), o YOLO26 é uma estrutura unificada que lida com detecção, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose e OBB, além de acompanhamento de múltiplos objetos.
Embora o YOLO26 seja o padrão recomendado, desenvolvedores que migram sistemas legados também podem explorar o YOLO11, a geração anterior da linha Ultralytics, que oferece estabilidade comprovada para projetos com suporte de longo prazo.
Exemplo de código: treinamento e implantação#
O exemplo a seguir mostra o fluxo de trabalho ultralytics, que substitui os longos argumentos de linha de comando usados por repositórios mais antigos.
from ultralytics import YOLO
# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=32, # Efficient memory usage allows larger batch sizes
device=0,
)
# Run an NMS-free, end-to-end inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")Casos de uso no mundo real#
A escolha da arquitetura certa depende das restrições de produção.
Quando considerar o YOLOv7: O YOLOv7 continua sendo uma ferramenta valiosa para comparações acadêmicas com os padrões de 2022. Se tua infraestrutura usa pipelines CUDA legados, codificados especificamente para as saídas de âncoras do YOLOv7, e não podes alocar recursos para refatoração, ele continuará funcionando como um detector de referência robusto.
Quando escolher o YOLO26: Para novos projetos, o YOLO26 é a opção recomendada. Sua cabeça opcional sem NMS é adequada para navegação autônoma de baixa latência e sistemas de segurança em tempo real. A remoção de DFL e a inferência mais rápida na CPU tornam-no adequado para implantações de IA de borda, como execução em um Raspberry Pi ou em dispositivos eletrônicos de consumo. Além disso, as melhorias ProgLoss + STAL ajudam a detectar pequenas anomalias no controle de qualidade da fabricação ou em imagens de satélite.
Em última análise, o YOLO26 oferece aos desenvolvedores uma combinação sólida de precisão, velocidade e simplicidade, apoiada por uma comunidade ativa de código aberto.
Comentários2
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
Murat Raimbekov(editado)hey @bit-scientist, you're right - the YOLOv7 vs YOLO26 comparison tables only included
YOLOv7l(51.4 mAP, 36.9M params) andYOLOv7x(53.1 mAP, 71.3M params) at 640px. they didn't includeYOLOv7-tinyor the higher-resolution variants (W6, E6, D6, E6E at 1280px).these variants do exist in the yolov7 model docs with the numbers from the original paper:
variant imgsz mAP params (M) flops (B) YOLOv7-tiny-SiLU 640 38.7 6.2 13.8 YOLOv7 640 51.4 36.9 104.7 YOLOv7-X 640 53.1 71.3 189.9 YOLOv7-W6 1280 54.9 70.4 360.0 YOLOv7-E6 1280 56.0 97.2 515.2 YOLOv7-D6 1280 56.6 154.7 806.8 YOLOv7-E6E 1280 56.8 151.7 843.2 the comparison focused on the two 640-resolution scales that line up most directly with the modern yolo26 sizes (n/s/m/l/x @ 640).
worth noting: yolov7 is a third-party model from wang et al. and is not natively supported in the ultralytics package. we publish docs for reference, but training/inference uses the original WongKinYiu/yolov7 repo.
1
bit-scientistwhy were the smaller yolov7 models not included in comparison tables and graphs?