YOLOv8 vs YOLOv5#

Escolher a arquitetura de visão computacional certa é uma etapa crítica na criação de pipelines robustos de machine learning. Nesta comparação técnica detalhada, exploramos as diferenças entre dois dos modelos mais populares do ecossistema de IA para visão: YOLOv8 e YOLOv5. Ambos os modelos foram desenvolvidos pela Ultralytics e moldaram significativamente o cenário da detecção de objetos em tempo real, estabelecendo padrões do setor em velocidade, precisão e facilidade de uso.

Quer você faça a implementação em dispositivos de borda ou dimensione a inferência na nuvem, compreender as mudanças arquiteturais, as métricas de desempenho e as metodologias de treinamento desses modelos ajudará você a tomar uma decisão informada para os seus projetos de visão computacional.

Ultralytics YOLOv8: o padrão versátil#

Lançado no início de 2023, o YOLOv8 representou uma grande mudança arquitetural em relação aos seus antecessores. Ele foi projetado desde o início para funcionar como um framework unificado, capaz de lidar nativamente com várias tarefas de visão, incluindo segmentação de instâncias, classificação de imagens e estimativa de pose.

• Autores: Glenn Jocher, Ayush Chaurasia e Jing Qiu
• Organização: Ultralytics
• Data: 2023-01-10
• GitHub: ultralytics/ultralytics
• Documentação: Documentação do YOLOv8

Arquitetura e metodologias#

O YOLOv8 introduziu uma cabeça de detecção sem âncoras, o que simplifica o processo de treinamento ao eliminar a necessidade de configurar manualmente caixas-âncora com base na distribuição do conjunto de dados. Isso torna o modelo mais robusto na generalização para conjuntos de dados personalizados e reduz o número de previsões de caixas, acelerando a supressão não máxima (NMS).

A arquitetura apresenta um módulo C2f (gargalo parcial entre estágios com duas convoluções), que substitui o módulo C3 encontrado no YOLOv5. O módulo C2f melhora o fluxo de gradientes e permite que o modelo aprenda representações de características mais ricas sem um aumento significativo no custo computacional. Além disso, o YOLOv8 utiliza uma estrutura de cabeça desacoplada, separando as tarefas de objetividade, classificação e regressão, o que demonstrou melhorar a velocidade de convergência e a precisão.

Pontos fortes e limitações#

Pontos fortes:

• Versatilidade incomparável em várias tarefas além da simples detecção de caixas delimitadoras.
• API Python simplificada por meio do pacote ultralytics, tornando o treinamento e a exportação altamente intuitivos.
• Maior precisão média (mAP) em todas as variantes de tamanho em comparação com o YOLOv5.

Pontos fracos:

• A cabeça desacoplada e o módulo C2f introduzem um leve aumento no número de parâmetros e nos FLOPs em algumas variantes, em comparação com suas equivalentes exatas do YOLOv5.

Ultralytics YOLOv5: O pioneiro ágil#

Introduzido em 2020, o YOLOv5 levou o YOLO ao ecossistema PyTorch, melhorando drasticamente a acessibilidade para os desenvolvedores. Ele rapidamente se tornou o padrão do setor para modelos de detecção de objetos rápidos, confiáveis e fáceis de implementar.

• Autor: Glenn Jocher
• Organização: Ultralytics
• Data: 2020-06-26
• GitHub: ultralytics/yolov5
• Documentação: Documentação do YOLOv5

Arquitetura e metodologias#

O YOLOv5 baseia-se em uma arquitetura com âncoras e utiliza um backbone CSPDarknet53 modificado. Embora as abordagens com âncoras exijam um agrupamento cuidadoso das caixas delimitadoras do conjunto de dados para definir as âncoras ideais antes do treinamento, elas são altamente eficazes para conjuntos de dados específicos e bem definidos.

O YOLOv5 incorpora o módulo C3, que extrai características com eficiência mantendo uma quantidade reduzida de parâmetros. Sua função de perda depende fortemente da perda de objetividade, combinada com as perdas de classificação e regressão de caixas delimitadoras, para orientar a rede em direção a previsões precisas.

Pontos fortes e limitações#

Pontos fortes:

• Extremamente leve, tornando as variantes Nano (YOLOv5n) e Small (YOLOv5s) altamente adequadas para implementações de IA de borda com recursos limitados.
• Velocidades de inferência excepcionalmente altas, especialmente em CPUs.
• Um ecossistema profundamente consolidado, com inúmeros tutoriais da comunidade e integrações de terceiros.

Pontos fracos:

• Exige a configuração de caixas-âncora, o que pode complicar a configuração para conjuntos de dados altamente variados ou personalizados.
• Menor precisão geral (mAP) em comparação com arquiteturas modernas sem âncoras, como YOLOv8 e YOLO26.

Comparação de desempenho#

Ao avaliar esses modelos, alcançar um equilíbrio favorável entre velocidade e precisão é fundamental. A tabela abaixo apresenta as métricas de desempenho de ambas as arquiteturas, avaliadas no conjunto de dados COCO. As velocidades da CPU foram medidas usando ONNX, enquanto as velocidades da GPU foram testadas usando TensorRT.

Embora o YOLOv5 mantenha uma ligeira vantagem no número de parâmetros e na velocidade bruta absoluta em sua variante Nano, o YOLOv8 oferece um grande salto no mAP em todos os aspectos, proporcionando um equilíbrio de desempenho muito mais forte para cenários exigentes de implementação no mundo real.

Facilidade de uso e o ecossistema da Ultralytics#

Uma característica marcante dos modelos modernos da Ultralytics é o ecossistema bem mantido que os acompanha. A transição do YOLOv5 para o YOLOv8 trouxe a introdução do pacote pip unificado ultralytics, criando uma experiência de usuário altamente simplificada.

Os desenvolvedores podem lidar perfeitamente com o treinamento de modelos, a validação, a previsão e a exportação usando apenas algumas linhas de código Python, evitando os complexos scripts de código boilerplate historicamente exigidos em projetos de deep learning.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model on custom data efficiently
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the model to ONNX for production deployment
path = model.export(format="onnx")

Além disso, a integração com ferramentas como a Ultralytics Platform simplifica o gerenciamento de conjuntos de dados, o treinamento na nuvem e a implementação, garantindo desenvolvimento ativo e forte suporte da comunidade.

Casos de Utilização Ideais#

Quando escolher o YOLOv5: Se você estiver mantendo sistemas legados, executando inferência em CPUs extremamente limitadas, como uma Raspberry Pi, ou trabalhando em um projeto no qual economizar cada fração de megabyte no tamanho do modelo seja fundamental, o YOLOv5 continua sendo uma ferramenta confiável.

Quando escolher o YOLOv8: Para praticamente todos os novos projetos iniciados atualmente, o YOLOv8 é altamente recomendado em vez do YOLOv5. Sua arquitetura avançada lida facilmente com rastreamento complexo, caixas delimitadoras orientadas (OBB) e segmentação. Ele é ideal para aplicações modernas que vão da robótica autônoma à análise de imagens médicas e à infraestrutura de cidades inteligentes.

Ao aproveitar a documentação abrangente e as ferramentas fornecidas pela Ultralytics, você pode implementar facilmente o YOLOv8 ou explorar o YOLO26 de ponta para resolver desafios visuais complexos com velocidade e precisão sem precedentes. Para continuar aprendendo, considere explorar nossos guias sobre ajuste de hiperparâmetros e práticas de implementação de modelos.