YOLOv8 vs YOLOv5#

Escolher a arquitetura de visão computacional certa é um passo crítico para construir pipelines de aprendizado de máquina robustos. Nesta comparação técnica detalhada, exploramos 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 o cenário da detecção de objetos em tempo real, estabelecendo padrões da indústria para velocidade, precisão e facilidade de uso.

Quer estejas a fazer o deploy para dispositivos edge ou a escalar inferência na nuvem, compreender as mudanças arquiteturais, métricas de desempenho e metodologias de treinamento destes modelos ajudar-te-á a tomar uma decisão informada para os teus 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 predecessores. Foi concebido de raiz para servir como um framework unificado capaz de lidar com múltiplas tarefas de visão nativamente, incluindo segmentação de instâncias, classificação de imagens e estimação de pose.

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

Arquitetura e Metodologias#

O YOLOv8 introduziu uma cabeça de deteção anchor-free, o que simplifica o processo de treino ao eliminar a necessidade de configurar manualmente anchor boxes com base na distribuição do dataset. Isto torna o modelo mais robusto ao generalizar para datasets personalizados e reduz o número de previsões de caixas, acelerando a Non-Maximum Suppression (NMS).

A arquitetura apresenta um módulo C2f (Cross-Stage Partial bottleneck com duas convoluções), que substitui o módulo C3 encontrado no YOLOv5. O módulo C2f melhora o fluxo de gradiente e permite que o modelo aprenda representações de recursos mais ricas sem um aumento significativo no custo computacional. Além disso, o YOLOv8 utiliza uma estrutura de cabeça desacoplada (decoupled head), separando as tarefas de objectness, classificação e regressão, o que demonstrou melhorar a velocidade de convergência e a precisão.

Pontos Fortes e Fracos#

Pontos fortes:

• Versatilidade inigualável em múltiplas tarefas além da simples detecção por caixa delimitadora (bounding box).
• API Python otimizada através do pacote ultralytics, tornando o treino e a exportação altamente intuitivos.
• mean Average Precision (mAP) mais alto em todas as variantes de tamanho em comparação com o YOLOv5.

Pontos fracos:

• A cabeça desacoplada e o módulo C2f introduzem um leve aumento na contagem de parâmetros e FLOPs para algumas variantes em comparação com suas contrapartes exatas do YOLOv5.

Saiba mais sobre o YOLOv8

Ultralytics YOLOv5: O Pioneiro Ágil#

Lançado em 2020, o YOLOv5 trouxe o YOLO para o ecossistema PyTorch, melhorando drasticamente a acessibilidade para programadores. Tornou-se rapidamente o padrão da indústria para modelos de deteção de objetos rápidos, fiáveis e fáceis de implementar.

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

Arquitetura e Metodologias#

O YOLOv5 depende de uma arquitetura baseada em âncoras (anchor-based) e utiliza um backbone CSPDarknet53 modificado. Embora abordagens baseadas em âncoras exijam um agrupamento cuidadoso das caixas delimitadoras do conjunto de dados para definir 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 recursos de forma eficiente enquanto mantém uma pegada de parâmetros baixa. Sua função de perda depende fortemente da perda de Objectness combinada com perdas de classificação e regressão de caixas delimitadoras para guiar a rede em direção a previsões precisas.

Pontos Fortes e Fracos#

Pontos fortes:

• Extremamente leve, tornando as variantes Nano (YOLOv5n) e Small (YOLOv5s) altamente adequadas para implementações de edge AI com recursos limitados.
• Velocidades de inferência excepcionalmente rápidas, especialmente em CPUs.
• Um ecossistema profundamente estabelecido com vastos tutoriais da comunidade e integrações de terceiros.

Pontos fracos:

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

Saiba mais sobre o YOLOv5

Comparação de Desempenho#

Ao avaliar estes modelos, alcançar um compromisso favorável entre velocidade e precisão é fundamental. A tabela abaixo descreve as métricas de desempenho de ambas as arquiteturas avaliadas no COCO dataset. As velocidades de CPU foram medidas usando ONNX, enquanto as velocidades de GPU foram testadas usando TensorRT.

Embora o YOLOv5 mantenha uma leve vantagem na contagem de parâmetros e na velocidade bruta absoluta para sua variante Nano, o YOLOv8 oferece um salto massivo em mAP de forma geral, proporcionando um equilíbrio de desempenho muito mais forte para cenários de implantação exigentes no mundo real.

Facilidade de Uso e o Ecossistema Ultralytics#

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

Os programadores podem gerir perfeitamente o treino de modelos, validação, previsão e exportação com apenas algumas linhas de código Python, contornando os scripts boilerplate complexos historicamente necessários 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 a gestão de datasets, treino na nuvem e implementação, garantindo um desenvolvimento ativo e forte suporte da comunidade.

Casos de uso ideais#

Quando escolher o YOLOv5: Se estás a manter sistemas legados, a executar inferência em CPUs severamente limitados como um Raspberry Pi, ou a trabalhar num projeto onde poupar cada fração de megabyte no tamanho do modelo é crítico, o YOLOv5 continua a ser uma ferramenta fiável.

Quando escolher o YOLOv8: Para praticamente todos os novos projetos iniciados hoje, o YOLOv8 é altamente recomendado em detrimento do YOLOv5. A sua arquitetura avançada lida com rastreamento complexo, oriented bounding boxes (OBB) e segmentação sem esforço. É ideal para aplicações modernas que vão desde a robótica autónoma até à análise de imagens médicas e infraestruturas de cidades inteligentes.

Ao tirar partido da documentação abrangente e das ferramentas fornecidas pela Ultralytics, podes implementar facilmente o YOLOv8, ou explorar o inovador YOLO26, para resolver desafios visuais complexos com velocidade e precisão sem precedentes. Para mais aprendizagem, considera explorar os nossos guias sobre ajuste de hiperparâmetros e práticas de implementação de modelos.