Começar

YOLOv7 vs YOLOv8

A rápida evolução da visão computacional trouxe muitas ferramentas úteis para desenvolvedores e pesquisadores. Ao escolher uma arquitetura para um pipeline de detecção de objetos, é essencial comparar modelos estabelecidos. Este guia analisa as arquiteturas, as métricas de desempenho e os casos de uso ideais de dois modelos influentes: YOLOv7 e Ultralytics YOLOv8.

Introdução às arquiteturas#

Ambos os modelos trouxeram ganhos significativos de desempenho, mas adotam abordagens de design diferentes para otimizar redes neurais profundas.

YOLOv7: Pioneiro das Técnicas Bag-of-Freebies#

Lançado em meados de 2022, YOLOv7 concentrou-se fortemente na otimização dos caminhos de gradiente da arquitetura e no conceito de "bag-of-freebies treinável" para ampliar os limites da detecção em tempo real em hardware de alto desempenho.

Destaques da arquitetura: YOLOv7 usa principalmente um cabeçalho de detecção baseado em âncoras (embora tenha experimentado ramificações sem âncoras) e introduz Extended Efficient Layer Aggregation Networks (E-ELAN). Esse design melhora a capacidade de aprendizado da rede sem destruir o caminho de gradiente original. Ele tem bom desempenho em GPUs de nível de servidor, sendo adequado para análises de vídeo de alta demanda.

Pontos fortes e fracos: Embora YOLOv7 alcance baixa latência em hardware dedicado, suas ferramentas são menos integradas. O treinamento exige clonar o repositório, gerenciar manualmente as dependências do PyTorch e passar muitos argumentos pela linha de comando. Os requisitos de memória para treinamento também podem ser altos para hardware de consumo.

Saiba mais sobre o YOLOv7

Ultralytics YOLOv8: o padrão versátil#

Lançado no início de 2023, YOLOv8 combinou alta precisão com um framework unificado e pronto para produção, destinado ao treinamento, à validação e à implantação.

Destaques da arquitetura: YOLOv8 introduziu um cabeçalho de detecção nativo sem âncoras, eliminando a necessidade de configurar manualmente caixas de âncora com base no conjunto de dados MS COCO ou em distribuições de dados personalizadas. Ele incorpora o módulo C2f para melhorar o fluxo de gradiente e usa uma estrutura de cabeçalho desacoplada que separa as tarefas de classificação e regressão, acelerando a convergência e melhorando a precisão.

Pontos fortes e fracos: YOLOv8 é eficiente em termos de memória: normalmente precisa de menos memória CUDA durante o treinamento do que YOLOv7 ou modelos Transformer mais pesados, permitindo tamanhos de lote maiores. Seu principal ponto forte é a versatilidade, com suporte nativo a segmentação de instâncias, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB). A principal desvantagem é que pipelines legados baseados em tensores de saída do YOLOv7 talvez precisem ser refatorados.

Vantagem do ecossistema

Ultralytics YOLOv8 faz parte de um ecossistema mantido ativamente. Sua API Python, os lançamentos regulares e o suporte da comunidade encurtam o caminho entre os testes locais e a implantação em produção, em comparação com repositórios de pesquisa independentes.

Comparação detalhada de desempenho#

A tabela a seguir detalha as métricas de desempenho para os principais tamanhos de modelo. YOLOv8 oferece uma ampla variedade de compromissos entre velocidade e precisão, desde modelos compactos para dispositivos de borda até modelos maiores com a maior precisão nesta comparação.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Observação: YOLOv8x alcança o maior mAP deste grupo, enquanto YOLOv8n tem o menor número de parâmetros e a inferência mais rápida, sendo uma ótima opção para implantar visão computacional em dispositivos de IA de borda.

Facilidade de uso e eficiência do treinamento#

Ultralytics YOLOv8 foi projetado para facilitar o uso. Arquiteturas mais antigas, como YOLOv7, exigem clonar repositórios específicos e executar scripts extensos na linha de comando para configurar conjuntos de dados e caminhos.

Em contrapartida, o pacote ultralytics do YOLOv8 oferece um fluxo de trabalho simplificado, com downloads automáticos de conjuntos de dados, pesos pré-treinados prontos para uso e suporte integrado à exportação para formatos como ONNX e TensorRT.

O exemplo a seguir carrega um modelo, treina-o e executa inferência com a API Python da Ultralytics:

from ultralytics import YOLO

# Carrega um modelo nano YOLOv8 pré-treinado
model = YOLO("yolov8n.pt")

# Treina o modelo de forma eficiente no conjunto de dados COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

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

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

YOLOv8 integra-se a ferramentas populares de MLOps, como Weights & Biases e ClearML, para que você possa monitorar o ajuste de hiperparâmetros e as métricas de treinamento em tempo real.

Casos de utilização ideais#

A escolha entre essas arquiteturas costuma depender das restrições específicas do teu ambiente de implantação.

Quando escolher o YOLOv7#

  • Benchmarking legado: adequado para pesquisadores que precisam de uma referência fixa para comparar com os padrões arquitetônicos de 2022.
  • Infraestrutura pesada preexistente: ambientes construídos em torno de GPUs NVIDIA V100 ou A100, nos quais os tensores de saída do YOLOv7 estão incorporados em um pipeline C++ legado.

Quando escolher o YOLOv8#

  • Produção multiplataforma: ideal para equipes que precisam implantar em GPUs na nuvem, dispositivos móveis e navegadores.
  • Requisitos multitarefa: se o seu projeto precisa de máscaras de segmentação de instâncias ou pontos-chave de pose, além de caixas delimitadoras.
  • Dispositivos de borda com recursos limitados: YOLOv8 Nano (yolov8n) oferece uma ótima relação entre precisão e velocidade para robótica, drones e dispositivos IoT.

O que vem pela frente: o salto geracional para YOLO26#

YOLOv8 continua sendo uma opção confiável, mas há modelos mais recentes da Ultralytics para novos projetos: YOLO11 e YOLO26, o modelo atualmente recomendado.

Lançado em janeiro de 2026, YOLO26 foi projetado para uma implantação eficiente em dispositivos de borda:

  • Design de ponta a ponta sem NMS: YOLO26 oferece suporte nativo à inferência de ponta a ponta, ignorando o pós-processamento de supressão não máxima (NMS) com seu cabeçalho opcional um para um (nms=False). Isso simplifica os pipelines de implantação e elimina a latência de uma etapa de NMS separada.
  • Remoção de DFL: remover Distribution Focal Loss simplifica o cabeçalho de detecção, ampliando as opções de implantação de modelos e melhorando a compatibilidade com dispositivos de borda.
  • Inferência na CPU até 43% mais rápida: YOLO26n roda até 43% mais rápido que YOLO11n na inferência ONNX pela CPU, sendo adequado para dispositivos com recursos limitados, como Raspberry Pi e outros sistemas embarcados.
  • Otimizador MuSGD: inspirado no treinamento de grandes modelos de linguagem (LLM), YOLO26 usa uma combinação híbrida de SGD e Muon para obter um treinamento mais estável e uma convergência mais rápida.
  • ProgLoss + STAL: a perda progressiva e a atribuição de rótulos consciente de alvos pequenos (STAL) melhoram a detecção de objetos pequenos, importante para imagens aéreas, agricultura e robótica.

Quer você implante YOLOv8 em grandes clusters de análise de vídeo ou YOLO26 em pequenos dispositivos de borda, a Ultralytics Platform oferece ferramentas para anotar dados, treinar e implantar modelos em todo o ciclo de vida da IA.

Colaboradores

Comentários1

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

  1. rosin7596GitHub(editado)

    Well-explained comparison! YOLOv7 continues to perform impressively in terms of speed and accuracy, especially for real-time detection tasks on limited hardware. However, this YOLOv8 comparison shows how v8 introduces improvements like a more modular architecture, better support for multi-task learning, and streamlined training. Both models serve different needs, making the choice highly use-case dependent.