YOLOv8 vs YOLOv5#

Escolher a arquitetura de visão computacional certa é uma etapa essencial para criar fluxos de trabalho robustos de machine learning. Nesta comparação técnica detalhada, exploramos as diferenças entre dois dos modelos mais populares do ecossistema de IA visual: YOLOv8 e YOLOv5. Ambos 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.

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.

Pontos fortes e fracos#

Pontos fortes:

• Versatilidade incomparável em várias tarefas, além da simples detecção de caixas delimitadoras.
• API Python simplificada pelo pacote ultralytics, que torna o treinamento e a exportação muito 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 as FLOPs nas variantes menores em comparação com suas equivalentes exatas do YOLOv5.

Ultralytics YOLOv5: o pioneiro ágil#

Lançado em 2020, o YOLOv5 levou o YOLO ao ecossistema PyTorch, melhorando drasticamente a acessibilidade para desenvolvedores. Rapidamente, tornou-se o padrão do setor para modelos de detecção de objetos rápidos, confiáveis e fáceis 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 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 âncoras ideais antes do treinamento, elas são muito eficazes em conjuntos de dados específicos e bem definidos.

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

Pontos fortes e fracos#

Pontos fortes:

• Extremamente leve, o que torna as variantes Nano (YOLOv5n) e Small (YOLOv5s) muito adequadas para implantações de IA de borda com recursos limitados.
• Velocidades de inferência excepcionalmente rápidas, especialmente em CPUs.
• Um ecossistema bastante consolidado, com muitos 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 muito variados ou personalizados.
• Precisão geral (mAP) inferior à de arquiteturas modernas sem âncoras, como YOLOv8 e YOLO26.

Comparação de desempenho#

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

Embora o YOLOv5 mantenha uma vantagem na quantidade de parâmetros e na velocidade bruta absoluta em sua variante Nano, o YOLOv8 oferece um grande aumento de mAP em geral, proporcionando um equilíbrio de desempenho muito melhor para cenários exigentes de implantação 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 acompanha. A transição do YOLOv5 para o YOLOv8 trouxe o pacote pip unificado ultralytics, criando uma experiência de usuário muito mais simples.

Os desenvolvedores podem gerenciar sem dificuldades o treinamento de modelos, a validação, a previsão e a exportação com apenas algumas linhas de código Python, sem precisar dos complexos scripts repetitivos historicamente exigidos 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")

Além disso, a integração com ferramentas como a Ultralytics Platform simplifica o gerenciamento de conjuntos de dados, o treinamento na nuvem e a implantação, 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 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: Para praticamente todos os novos projetos iniciados hoje, o YOLOv8 é altamente recomendado em vez do YOLOv5. Sua arquitetura avançada lida sem esforço com rastreamento complexo, caixas delimitadoras orientadas (OBB) e segmentação. É ideal para aplicações modernas que vão da robótica autônoma à análise de imagens médicas e à infraestrutura de cidades inteligentes.

Com a documentação abrangente e as ferramentas oferecidas pela Ultralytics, você pode implantar facilmente o YOLOv8 ou explorar o avançado YOLO26 para resolver desafios visuais complexos com velocidade e precisão sem precedentes. Para saber mais, confira nossos guias sobre ajuste de hiperparâmetros e práticas de implantação de modelos.