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.
- Autores: Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao
- Organização: Instituto de Ciência da Informação, Academia Sinica, Taiwan
- Data: 2022-07-06
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
- Documentação: Documentação do Ultralytics YOLOv7
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.
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.
- Autores: Glenn Jocher, Ayush Chaurasia e Jing Qiu
- Organização: Ultralytics
- Data: 2023-01-10
- GitHub: ultralytics/ultralytics
- Plataforma: Ultralytics YOLOv8
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.
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.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
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()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.
Comentários1
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
rosin7596(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.