YOLOv8 vs YOLOv5
Escolher a arquitetura de visão computacional certa é uma etapa crucial para criar pipelines robustos de machine learning. Esta comparação técnica analisa as diferenças entre dois dos modelos mais populares no ecossistema de IA de visão: YOLOv8 e YOLOv5. Ambos os modelos foram desenvolvidos pela Ultralytics e moldaram significativamente a deteção de objetos em tempo real, estabelecendo referências de velocidade, precisão e facilidade de uso.
Seja para implantar em dispositivos de borda ou ampliar a inferência na nuvem, entender as mudanças arquiteturais, as métricas de desempenho e as metodologias de treinamento desses modelos vai ajudar você a tomar uma decisão informada para seus projetos de visão computacional.
Ultralytics YOLOv8: o padrão versátil#
Lançado no início de 2023, o YOLOv8 representou uma grande mudança arquitetural em relação às versões anteriores. Ele foi projetado desde o início como uma estrutura unificada 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, 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 ao generalizar 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 do 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, que separa as tarefas de classificação e regressão e demonstrou melhorar a velocidade de convergência e a precisão.
Os modelos Ultralytics YOLO, incluindo o YOLOv8, são otimizados para consumir menos memória CUDA durante o treino do que muitas alternativas baseadas em Transformer, como o RT-DETR. Isto permite que os programadores usem tamanhos de lote maiores em GPUs de consumo comuns, como as da série NVIDIA RTX.
Pontos fortes e fracos#
Pontos fortes:
- Versatilidade em várias tarefas para além da simples deteção de caixas delimitadoras.
- API de Python simplificada através do pacote
ultralytics, que torna o treino e a exportação intuitivos. - Precisão média (mAP) mais alta em todas as variantes de tamanho em comparação com o YOLOv5.
Pontos fracos:
- A cabeça desacoplada e o módulo C2f aumentam o número de parâmetros e os FLOPs nas variantes menores em comparação com as respetivas versões YOLOv5.
Ultralytics YOLOv5: o pioneiro ágil#
Lançado em 2020, o YOLOv5 trouxe o YOLO para o ecossistema PyTorch, tornando-o muito mais acessível aos programadores. Rapidamente se tornou um dos modelos mais utilizados para deteção de objetos rápida, fiável e fácil de implantar.
- Autor: Glenn Jocher
- Organização: Ultralytics
- Data: 2020-06-26
- GitHub: ultralytics/yolov5
- Documentação: Documentação do YOLOv5
Arquitetura e metodologias#
O YOLOv5 baseia-se numa arquitetura com âncoras e utiliza um backbone CSPDarknet53 modificado. As abordagens com âncoras precisam de âncoras que correspondam à distribuição das caixas delimitadoras do conjunto de dados (o YOLOv5 verifica e recalcula-as automaticamente com o AutoAnchor) e funcionam bem em conjuntos de dados bem definidos.
O YOLOv5 incorpora o módulo C3, que extrai características com eficiência e mantém um número reduzido de parâmetros. A sua função de perda combina a perda de objetividade com perdas de classificação e de regressão de caixas delimitadoras para orientar a rede para previsões precisas.
Pontos fortes e fracos#
Pontos fortes:
- Leves, as variantes Nano (YOLOv5n) e Small (YOLOv5s) são adequadas para implantações de IA de edge com recursos limitados.
- Inferência rápida tanto em CPUs como em GPUs.
- Um ecossistema consolidado, com numerosos tutoriais da comunidade e integrações de terceiros.
Pontos fracos:
- Depende de caixas âncora, cujas informações prévias podem limitar a generalização em conjuntos de dados muito variados ou personalizados.
- Precisão geral (mAP) inferior à de arquiteturas modernas sem âncoras, como YOLOv8 e YOLO26.
Comparação de desempenho#
Ao avaliar estes modelos, é essencial alcançar um equilíbrio favorável entre velocidade e precisão. A tabela abaixo apresenta as métricas de desempenho de ambas as arquiteturas, avaliadas no conjunto de dados COCO. As velocidades da CPU foram medidas com ONNX, enquanto as velocidades da GPU foram testadas com TensorRT.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Embora o YOLOv5 tenha menor latência na GPU e menos FLOPs em todos os tamanhos apresentados nesta tabela, o YOLOv8 alcança um mAP substancialmente superior em todos eles (por exemplo, 37,3 contra 28,0 nos modelos Nano), oferecendo um equilíbrio entre precisão e velocidade mais adequado a implantações exigentes no mundo real.
Facilidade de uso e o ecossistema Ultralytics#
Uma característica marcante dos modelos modernos da Ultralytics é o ecossistema bem mantido que os rodeia. A transição do YOLOv5 para o YOLOv8 trouxe o pacote unificado ultralytics do pip, simplificando a experiência do utilizador.
Os programadores podem gerir o treino de modelos, a validação, a previsão e a exportação com apenas algumas linhas de código Python, evitando os scripts boilerplate complexos que eram historicamente necessários em projetos de deep learning.
from ultralytics import YOLO
# Carrega um modelo YOLOv8 pré-treinado
model = YOLO("yolov8n.pt")
# Treina o modelo com eficiência usando dados personalizados
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Exporta o modelo para ONNX para implantação em produção
path = model.export(format="onnx")A Ultralytics Platform simplifica ainda mais a gestão de conjuntos de dados, o treino na nuvem e a implantação.
Casos de utilização ideais#
Quando escolher o YOLOv5: Se você estiver mantendo sistemas legados, executando inferência em CPUs com recursos muito limitados, como a de um Raspberry Pi, ou trabalhando em um projeto no qual economizar cada fração de megabyte no tamanho do modelo seja essencial, o YOLOv5 continua sendo uma ferramenta confiável.
Quando escolher o YOLOv8: Entre os dois, o YOLOv8 é a melhor opção para novos projetos. A sua arquitetura oferece suporte a rastreamento, segmentação e caixas delimitadoras orientadas (OBB) e é adequada a aplicações modernas, desde robótica autónoma até à análise de imagens médicas e infraestruturas de cidades inteligentes.
Embora seja competente, a Ultralytics recomenda o YOLO26 para novos projetos. Lançado em janeiro de 2026, introduz vários avanços:
- Design ponta a ponta sem NMS: Uma cabeça opcional um-para-um (
nms=False) elimina o pós-processamento com NMS para uma implantação mais rápida e simples — uma abordagem introduzida nos modelos YOLO pelo YOLOv10. - Otimizador MuSGD: Um híbrido de SGD e Muon que leva inovações do treinamento de LLMs para a visão computacional, permitindo um treinamento mais estável e uma convergência mais rápida.
- Inferência na CPU até 43% mais rápida: o YOLO26n é até 43% mais rápido do que o YOLO11n na CPU, sendo adequado a ambientes de computação edge sem GPUs dedicadas.
- Remoção de DFL: A Distribution Focal Loss foi removida para simplificar a exportação e melhorar a compatibilidade com dispositivos de borda.
- ProgLoss + STAL: A Progressive Loss e a atribuição de rótulos Small-Target-Aware promovem melhorias notáveis no reconhecimento de objetos pequenos, essencial para imagens aéreas e IoT.
Com a documentação e as ferramentas da Ultralytics, podes implantar o YOLOv8 ou adotar o YOLO26 para aplicações de visão exigentes. Para saberes mais, consulta os guias sobre ajuste de hiperparâmetros e práticas de implantação de modelos.
Comentários1
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
rancherdesktopp23(editado)
Very well explained! The YOLOv8 vs YOLOv5 comparison clearly highlights how YOLOv8 improves upon its predecessor with a more modular architecture, support for multi-task learning, and better training stability. This YOLOv8 comparison really helps developers decide whether to upgrade or stick with the tried-and-tested v5 depending on their project needs.