Começar

YOLOv8 vs. EfficientDet

No campo em rápida evolução da detecção de objetos, escolher a arquitetura de rede neural certa é fundamental para equilibrar precisão, velocidade de inferência e viabilidade de implantação. Esta comparação técnica aborda duas arquiteturas influentes: Ultralytics YOLOv8, um padrão versátil no ecossistema moderno de visão computacional, e EfficientDet, um modelo fundamental do Google conhecido por sua estratégia de escalonamento composto.

Quer a tua implantação tenha como alvo servidores em nuvem de alto desempenho ou dispositivos de borda com recursos limitados, entender as diferenças arquitetônicas entre esses modelos ajudará a escolher o mais adequado.

Visão geral da arquitetura#

Ambos os modelos abordam o desafio de identificar e localizar objetos em uma imagem usando redes neurais convolucionais, mas empregam metodologias diferentes para extrair características e fazer a regressão das caixas delimitadoras.

Ultralytics YOLOv8#

Lançado pela Ultralytics em janeiro de 2023, o YOLOv8 foi um grande avanço para a família YOLO. Desenvolvido por Glenn Jocher, Ayush Chaurasia e Jing Qiu, foi projetado desde o início para oferecer suporte a várias tarefas de visão, incluindo detecção de objetos, segmentação de instâncias, classificação de imagens e estimativa de pose.

A arquitetura apresenta uma cabeça de detecção sem âncoras, que reduz o número de predições de caixas e acelera a Supressão Não Máxima (NMS). Seu backbone usa um módulo C2f (gargalo parcial entre estágios com duas convoluções) para melhorar o fluxo de gradientes durante o treinamento e manter uma estrutura leve. Isso torna o YOLOv8 eficiente quando compilado para formatos como NVIDIA TensorRT ou ONNX.

EfficientDet#

Desenvolvido por Mingxing Tan, Ruoming Pang e Quoc V. Le, do Google, e lançado no fim de 2019, o EfficientDet se concentra na eficiência escalável. Descrito em seu artigo oficial do arXiv, o modelo se baseia na pesquisa de AutoML do Google.

A característica definidora do EfficientDet é sua Rede Piramidal de Características Bidirecional (BiFPN), que permite a fusão de características em várias escalas de forma simples e rápida. Combinada com um backbone EfficientNet, a arquitetura usa um método de escalonamento composto que escala uniformemente a resolução, a profundidade e a largura de todas as redes de backbone, de características e de predição de caixas/classes ao mesmo tempo. Embora isso resulte em excelente eficiência de parâmetros, a topologia complexa da rede tende a ser executada mais lentamente em GPUs do que sua baixa contagem de FLOPs sugere.

Sabe mais sobre o EfficientDet

Comparação de desempenho e métricas#

Ao comparar detectores de objetos, a Precisão Média (mAP) e a latência de inferência são as principais métricas de referência. A tabela abaixo mostra como as variantes do YOLOv8 e a família EfficientDet (d0-d7) se comparam em métricas padrão no conjunto de dados COCO.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
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
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
Análise do equilíbrio de desempenho

Embora o EfficientDet alcance uma precisão competitiva com menos FLOPs, o Ultralytics YOLOv8 é muito mais rápido em GPUs. Por exemplo, o YOLOv8x alcança um mAP ligeiramente superior (53.9) ao do EfficientDet-d7 (53.7), mas é aproximadamente 9 vezes mais rápido em uma GPU T4 (14.37 ms vs 128.07 ms), o que faz do YOLOv8 uma ótima opção para análise de vídeo em tempo real.

Metodologias de treinamento e ecossistema#

A experiência do desenvolvedor é um fator crucial ao escolher uma arquitetura de machine learning, e o suporte da comunidade e as ferramentas do ecossistema diferem significativamente entre esses modelos.

O EfficientDet depende fortemente do TensorFlow e de pipelines especializados de AutoML. Embora seja eficaz para treinamento distribuído em nuvem em grande escala, configurar o ambiente, ajustar as âncoras e analisar os arquivos de configuração extensos no repositório EfficientDet no GitHub pode exigir bastante esforço.

Em contrapartida, o Ultralytics YOLOv8 é desenvolvido nativamente com PyTorch e projetado para ser fácil de usar. Desenvolvedores podem começar a treinar com uma única linha de código Python ou um comando CLI. O uso de memória no treinamento também é otimizado, para que desenvolvedores com GPUs convencionais modestas possam treinar modelos competentes com menos erros de falta de memória (OOM) do que os frequentemente causados por arquiteturas que dependem muito de Transformers.

A Ultralytics Platform adiciona uma interface sem código para anotação de conjuntos de dados, treinamento de modelos e implantação na nuvem, enquanto o ajuste de hiperparâmetros integrado ajuda a otimizar a precisão em conjuntos de dados personalizados.

Exemplo de código Python: inferência com YOLOv8#

Treinar e executar o YOLOv8 com o repositório Ultralytics no GitHub exige apenas algumas linhas de código:

from ultralytics import YOLO

# Inicializa o modelo YOLOv8 nativamente no PyTorch
model = YOLO("yolov8n.pt")

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

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

# Exibe as caixas delimitadoras
inference_results[0].show()

A próxima geração: atualização para o Ultralytics YOLO26#

Embora o YOLOv8 continue sendo um modelo competente para produção, desenvolvedores que iniciam novos projetos devem avaliar o Ultralytics YOLO26, lançado em janeiro de 2026 e agora o modelo Ultralytics recomendado.

O YOLO26 apresenta um Design nativo de ponta a ponta sem NMS. Sua cabeça opcional um-para-um (nms=False) remove o pós-processamento de NMS, uma etapa usada desde as primeiras versões do YOLO, reduzindo a variação da latência e simplificando a implantação em dispositivos de baixo consumo.

O YOLO26 também inclui várias melhorias no treinamento e na arquitetura:

  • Otimizador MuSGD: inspirado em técnicas de treinamento de LLMs, esse híbrido de SGD e Muon proporciona treinamento estável e convergência mais rápida.
  • Inferência na CPU até 43% mais rápida: com NMS e DFL removidos, o YOLO26n é até 43% mais rápido que o YOLO11n na inferência com ONNX em CPU, sendo adequado para dispositivos de borda que usam apenas CPU e não têm NPUs dedicadas.
  • ProgLoss + STAL: a Perda Progressiva e a Atribuição de Rótulos Consciente de Alvos Pequenos (STAL) melhoram a detecção de objetos pequenos, o que beneficia imagens aéreas e aplicações de câmeras de IoT.
  • Remoção de DFL: remover a Distribution Focal Loss simplifica a exportação para formatos como OpenVINO e CoreML.

Casos de uso e recomendações#

A escolha entre essas arquiteturas depende, em última análise, das restrições da sua implantação e dos requisitos de compatibilidade com sistemas legados.

  • Escolhe o Ultralytics YOLOv8 se: estiveres desenvolvendo aplicações versáteis de visão computacional que exigem alta precisão, inferência em tempo real em GPU e uma experiência de desenvolvimento simples. Seu alto desempenho em tarefas de detecção, segmentação e classificação faz dele uma opção versátil para análise de varejo, robótica e sistemas de segurança.
  • Escolha o EfficientDet se: você estiver limitado a fluxos de trabalho legados do TensorFlow e sua principal preocupação for minimizar a quantidade de parâmetros e os FLOPs teóricos, talvez para fins de pesquisa, e não para uma implantação industrial estritamente em tempo real.
  • Escolhe o Ultralytics YOLO26 se: estiveres começando um novo projeto. O YOLO26 é atualmente o modelo Ultralytics recomendado, e sua arquitetura nativa de ponta a ponta sem NMS é adequada tanto para implantações rápidas em dispositivos de borda quanto para processamento em nuvem em grande escala.

Se estiveres explorando outros modelos do ecossistema Ultralytics, também podes considerar o Ultralytics YOLO11 para um equilíbrio bem testado entre velocidade e precisão ou o RT-DETR para uma abordagem de detecção em tempo real baseada em Transformer.

Comentários1

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

  1. extremezero9023GitHub(editado)

    Great technical breakdown! EfficientDet is known for its excellent accuracy-to-efficiency ratio, especially in resource-constrained environments. However, this YOLOv8 comparison highlights how v8 brings better versatility, faster inference times, and an easier training pipeline. While EfficientDet excels in structured setups, YOLOv8 feels more production-ready for dynamic and real-time use cases.