Começar

YOLOv8 vs YOLO26

A área da visão computacional avançou rapidamente nos últimos anos. Entre as arquiteturas mais populares para aplicações em tempo real estão os modelos desenvolvidos pela Ultralytics. Este guia apresenta uma comparação técnica entre Ultralytics YOLOv8 e o mais recente Ultralytics YOLO26, abordando suas arquiteturas, métricas de desempenho e casos de uso ideais para ajudar você a escolher o modelo certo para sua implantação.

Visão geral dos modelos#

Tanto YOLOv8 quanto YOLO26 representam marcos importantes na família de modelos YOLO. Eles compartilham a filosofia central da Ultralytics: oferecer modelos rápidos, precisos e fáceis de usar por meio de uma API unificada em Python.

YOLOv8: o padrão versátil#

Lançado no início de 2023, YOLOv8 reformulou significativamente o framework YOLO, introduzindo um design sem âncoras e suporte robusto a diversas tarefas de visão computacional.

YOLOv8 foi amplamente adotado rapidamente graças ao equilíbrio entre desempenho e à integração profunda no ecossistema Ultralytics. Ele oferece suporte nativo a detecção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB). No entanto, ele depende da Supressão não máxima (NMS) padrão no pós-processamento, o que pode gerar gargalos de latência em ambientes de borda com recursos muito limitados.

YOLO26: IA de borda de próxima geração#

Lançado em janeiro de 2026, YOLO26 se baseia em seus antecessores e os otimiza para cenários modernos de implantação, especialmente IA de borda e dispositivos de baixo consumo.

O YOLO26 apresenta várias melhorias técnicas. A mais notável é o design ponta a ponta sem NMS que o YOLOv10 trouxe aos modelos YOLO. Essa arquitetura elimina a necessidade de pós-processamento com NMS, simplificando os pipelines de exportação e reduzindo a variação da latência. A remoção da perda focal de distribuição (DFL) também simplifica a cabeça de detecção, facilitando a implantação em hardware de IA de borda.

Outros modelos Ultralytics

Além de YOLOv8 e YOLO26, você também pode considerar YOLO11, que preenche a lacuna entre essas duas gerações com arquiteturas aprimoradas, ou YOLOv5 para integrações legadas.

Inovações em arquitetura e treinamento#

YOLO26 traz várias melhorias internas que aprimoram a base do YOLOv8.

Treinamento otimizado com MuSGD#

Os modelos Ultralytics são conhecidos pelo treinamento eficiente e, em geral, precisam de menos memória do que arquiteturas baseadas em Transformer, como RT-DETR. YOLO26 aprimora esse aspecto com o Otimizador MuSGD. Inspirada em técnicas de treinamento de modelos de linguagem grandes (LLM), especificamente no Kimi K2 da Moonshot AI, essa combinação de descida do gradiente estocástica (SGD) e Muon proporciona convergência mais rápida e treinamento mais estável em conjuntos de dados complexos.

Perda e atribuição de rótulos#

Para tarefas que exigem alta precisão, como imagens de drones ou sensores de IoT, YOLO26 introduz ProgLoss + STAL. A Perda Progressiva e a Atribuição de Rótulos Consciente de Alvos Pequenos (STAL) melhoram a detecção de objetos pequenos. Além disso, YOLO26 traz melhorias específicas para cada tarefa: um proto multiescala para gerar máscaras superiores na segmentação, Estimativa de Log-Verossimilhança Residual (RLE) para estimar poses com mais precisão e uma perda angular especializada que resolve problemas de limites na detecção de caixas delimitadoras orientadas (OBB).

Análise e comparação de desempenho#

A tabela a seguir destaca as diferenças de desempenho entre os dois modelos usando o conjunto de dados COCO. Os melhores valores de cada categoria de tamanho estão destacados em negrito.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLO26n64040.938.91.72.45.5
YOLOv8s64044.9128.42.6611.228.6
YOLO26s64048.687.22.59.520.9
YOLOv8m64050.2234.75.8625.978.9
YOLO26m64053.1220.04.720.468.4
YOLOv8l64052.9375.29.0643.7165.1
YOLO26l64055.0286.26.224.886.8
YOLOv8x64053.9479.114.3768.2257.8
YOLO26x64057.5525.811.855.7194.4

Análise das métricas#

Os dados mostram uma melhoria entre gerações: YOLO26 supera YOLOv8 em quase todas as métricas. O modelo YOLO26 Nano (YOLO26n) alcança 40.9 mAP, bem acima dos 37.3 do YOLOv8n, usando menos parâmetros e FLOPs.

Uma das maiores melhorias está na velocidade de inferência na CPU. Graças à arquitetura simplificada e à remoção da DFL, YOLO26n leva 38.9 ms na inferência com CPU ONNX, contra 80.4 ms do YOLOv8n; o artigo sobre YOLO26 também relata inferência na CPU até 43% mais rápida que a do YOLO11n. Isso torna YOLO26 uma ótima opção para Raspberry Pi e outros dispositivos de borda com poucos recursos. Embora as velocidades na GPU com TensorRT sejam competitivas nos dois modelos, a eficiência de parâmetros do YOLO26 também pode reduzir o uso de memória durante o treinamento e a inferência.

Facilidade de uso e ecossistema#

Os dois modelos se beneficiam do ecossistema Ultralytics, que recebe manutenção contínua. A API unificada permite que desenvolvedores alternem entre YOLOv8 e YOLO26 alterando o nome do modelo.

Seja para fazer ajuste de hiperparâmetros, acompanhar experimentos ou explorar novos conjuntos de dados, a documentação da Ultralytics oferece muitos recursos. Além disso, a Ultralytics Platform oferece uma maneira simplificada de anotar dados, treinar e implantar esses modelos na nuvem ou localmente.

Exemplo de código#

A seguir, você encontra um exemplo completo e executável de treinamento, inferência e exportação usando a API Python da Ultralytics:

from ultralytics import YOLO

# Carrega o modelo Nano YOLO26 mais recente
model = YOLO("yolo26n.pt")

# Treina o modelo no conjunto de dados COCO8 por 50 épocas
# optimizer="auto" seleciona MuSGD para execuções longas (>10k iterações) e AdamW para execuções curtas, como esta
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # Usa '0' para treinar na GPU
)

# Executa inferência em uma imagem de exemplo
# O design sem NMS gera previsões rápidas e precisas
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

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

# Exporta para ONNX para implantação em CPU
export_path = model.export(format="onnx")
Simplicidade de implantação

Implantar YOLO26 em formatos como CoreML ou OpenVINO é mais simples do que com modelos antigos: exportado com nms=False, o modelo gera diretamente as detecções finais, sem exigir a implementação de uma etapa separada de NMS no dispositivo de destino.

Casos de utilização ideais#

A escolha certa depende do seu destino de implantação e da infraestrutura existente.

Quando escolher o YOLO26:

  • Computação de borda e robótica: A inferência mais rápida na CPU e o design sem NMS fazem dele uma ótima opção para sistemas embarcados, dispositivos móveis e robôs autônomos.
  • Imagens aéreas e de satélite: ProgLoss + STAL dão ao YOLO26 uma vantagem na detecção de objetos minúsculos em cenas complexas de alta resolução.
  • Novos projetos: Como a versão estável mais recente, YOLO26 é o modelo recomendado para qualquer novo pipeline de aprendizado de máquina, com cobertura mais ampla de tarefas, que inclui segmentação semântica e estimativa de profundidade.

Quando manter o YOLOv8:

  • Infraestrutura legada: Se o pipeline de produção atual estiver fortemente acoplado aos tensores de saída específicos e ao pós-processamento com NMS do YOLOv8, a migração pode exigir pequenas adaptações.
  • Referências acadêmicas: O YOLOv8 continua sendo uma referência estável e muito citada para pesquisas acadêmicas em visão computacional que comparam arquiteturas mais antigas.

Em conclusão, YOLOv8 estabeleceu um padrão sólido para tarefas de visão em tempo real, e YOLO26 se baseia nele. Com grandes ganhos de eficiência na CPU, implantação sem NMS e otimização de treinamento inspirada em LLMs, YOLO26 torna prática a implantação de modelos precisos em uma ampla variedade de hardwares.

Comentários

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