Começar

YOLOv8 vs YOLOv9

A evolução da detecção de objetos em tempo real tem sido marcada pela busca constante por maior precisão, menor latência e melhor utilização do hardware. Dois marcos importantes nessa trajetória são Ultralytics YOLOv8 e YOLOv9. Embora ambos os modelos representem o estado da arte em visão computacional, eles atendem a diferentes necessidades de implantação, filosofias arquiteturais e ecossistemas de desenvolvimento.

Este guia detalha as diferenças técnicas, as inovações arquitetônicas e os aspectos práticos de implantação para ajudar você a escolher o modelo certo para seu próximo projeto de inteligência artificial.

Linhas evolutivas dos modelos e filosofias fundamentais#

Antes de analisar as métricas, é útil entender as origens e os principais objetivos de design de cada modelo.

Ultralytics YOLOv8: o padrão versátil do ecossistema#

Lançado pela equipe da Ultralytics, YOLOv8 foi projetado não apenas como um detector de objetos independente, mas também como um framework unificado para várias tarefas. Ele prioriza uma experiência de desenvolvimento simples, baixos requisitos de memória e ampla compatibilidade com hardware.

YOLOv9: informações de gradiente programáveis#

Desenvolvido independentemente por pesquisadores da Academia Sinica, o YOLOv9 se concentra fortemente na teoria arquitetural, abordando especificamente o fenômeno do gargalo de informação em redes neurais profundas.

  • Autores: Chien-Yao Wang e Hong-Yuan Mark Liao
  • Organização: Instituto de Ciências da Informação, Academia Sinica, Taiwan
  • Data: 2024-02-21
  • arXiv: 2402.13616
  • GitHub: WongKinYiu/yolov9

Saiba mais sobre o YOLOv9

Implementação empresarial

Se você está planejando uma implantação comercial em larga escala, considere explorar a Ultralytics Platform para simplificar o treinamento na nuvem, o gerenciamento de conjuntos de dados e o uso de endpoints de API dedicados.

Análise aprofundada da arquitetura#

As escolhas arquiteturais em deep learning determinam a eficiência com que um modelo aprende e a velocidade com que é executado em hardware de destino, como uma NVIDIA Jetson ou uma CPU Intel.

Arquitetura do YOLOv8: C2f e cabeças desacopladas#

O YOLOv8 introduziu o módulo C2f (gargalo parcial entre estágios com duas convoluções), que substituiu o módulo C3 anterior. Essa mudança melhora o fluxo de gradientes e permite que a rede aprenda representações de características mais ricas sem sobrecarregar a memória da GPU.

YOLOv8 também usa um design sem âncoras com uma cabeça desacoplada. Ao processar a classificação e a regressão por caminhos separados, o modelo converge mais rapidamente durante o treinamento e generaliza melhor para diversos conjuntos de dados personalizados.

Arquitetura do YOLOv9: PGI e GELAN#

YOLOv9 introduz as Informações de Gradiente Programáveis (PGI) e a Rede Generalizada de Agregação Eficiente de Camadas (GELAN). PGI garante que dados essenciais não se percam ao passar pelas camadas da rede, fornecendo gradientes confiáveis para as atualizações de pesos. GELAN maximiza a eficiência dos parâmetros, permitindo que o modelo alcance alta precisão e mantenha os FLOPs em níveis administráveis.

No entanto, os ramos auxiliares reversíveis do YOLOv9, usados apenas durante o treinamento, podem tornar o código de treinamento mais complexo de personalizar do que os pipelines padrão.

Métricas de desempenho e benchmarks#

A tabela abaixo compara diretamente os modelos em diferentes tamanhos. O desempenho é medido no conjunto de dados MS COCO, um benchmark padrão para detecção de objetos.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Observação: os melhores valores de cada coluna estão destacados em negrito.

Análise dos compromissos#

YOLOv9 alcança maior precisão (mAP) em cada tamanho comparável e usa menos parâmetros em todos os tamanhos. No entanto, Ultralytics YOLOv8 tem maior velocidade de inferência na GPU: por exemplo, 1.47 ms para YOLOv8n, contra 2.3 ms para YOLOv9t quando compilado com TensorRT, além de ser facilmente exportado para formatos como ONNX. Para aplicações que exigem uma alta taxa de quadros por segundo (FPS) em hardware de borda limitado, como um Raspberry Pi ou chips móveis mais antigos, as variantes n e s do YOLOv8 oferecem um equilíbrio de desempenho prático.

Eficiência de treinamento e integração ao ecossistema#

Escolher um modelo envolve mais do que analisar tabelas de precisão; a experiência de desenvolvimento é igualmente importante.

A vantagem da Ultralytics: facilidade de uso#

O treinamento do YOLOv9 geralmente exige clonar repositórios complexos do GitHub, gerenciar cuidadosamente ambientes PyTorch e configurar manualmente os pesos das perdas auxiliares.

Em contrapartida, Ultralytics YOLOv8 conta com uma API Python simplificada. Projetada para facilitar o uso, ela cuida nativamente do aumento de dados, do registro em ferramentas como Weights & Biases e Comet ML e do treinamento em várias GPUs.

from ultralytics import YOLO

# Carregar um modelo YOLOv8 pequeno pré-treinado
model = YOLO("yolov8s.pt")

# Treinar o modelo com eficiência em dados personalizados
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exportar para implantação em dispositivos de borda
model.export(format="engine", quantize=16)  # Exportação para TensorRT

Essa API única reduz o tempo entre o protótipo e a produção. Além disso, YOLOv8 geralmente exige menos memória CUDA durante o treinamento, permitindo que desenvolvedores usem tamanhos de lote maiores em hardware para consumidores.

Versatilidade de tarefas#

Embora YOLOv9 seja um excelente detector de caixas delimitadoras, a IA visual em cenários reais costuma exigir mais. YOLOv8 oferece suporte nativo à segmentação de instâncias, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB). Usar um único framework para várias tarefas reduz a complexidade do software e a sobrecarga de manutenção.

O que vem por aí

Se você está começando um novo projeto, talvez também queira avaliar Ultralytics YOLO11 ou YOLO26, o modelo recomendado atualmente, que oferece inferência opcional de ponta a ponta sem NMS.

Casos de uso no mundo real#

Como esses modelos se saem em produção?

Drones autônomos e robótica#

Para aplicações de robótica que exigem desvio rápido de obstáculos, YOLOv8 é a opção preferida. A baixa latência de YOLOv8n ajuda sistemas autônomos a reagir ao ambiente em tempo real e evitar colisões. A exportação nativa para OpenVINO e CoreML facilita a implantação nos chips de baixo consumo típicos de drones comerciais.

Detecção de defeitos em alta resolução#

Em ambientes de fabricação especializados, nos quais a detecção de anomalias microscópicas é fundamental e o processamento offline é aceitável, YOLOv9 pode ser eficaz. A arquitetura PGI ajuda a rede a reter os detalhes visuais refinados necessários para identificar fissuras ou erros de soldagem em PCBs.

Varejo inteligente e análise de segurança#

Para acompanhar clientes pelos corredores de uma loja ou gerenciar sistemas de pagamento automatizado, o YOLOv8 oferece o melhor equilíbrio. Sua capacidade de executar simultaneamente a detecção e o rastreamento de múltiplos objetos usando algoritmos padrão como o BoT-SORT faz dele uma solução robusta para implantações de varejo com várias câmeras.

Casos de uso e recomendações#

A escolha entre YOLOv8 e YOLOv9 depende dos requisitos específicos do seu projeto, das restrições de implantação e das preferências de ecossistema.

Quando escolher o YOLOv8#

O YOLOv8 é uma ótima opção para:

  • Implantação versátil para várias tarefas: Projetos que precisam de um modelo comprovado para detecção, segmentação, classificação e estimativa de pose no ecossistema Ultralytics.
  • Sistemas de produção estabelecidos: Ambientes de produção existentes já baseados na arquitetura YOLOv8, com pipelines de implantação estáveis e bem testados.
  • Amplo suporte da comunidade e do ecossistema: Aplicações que se beneficiam dos extensos tutoriais, integrações de terceiros e recursos da comunidade ativa do YOLOv8.

Quando escolher o YOLOv9#

O YOLOv9 é recomendado para:

  • Pesquisa sobre gargalos de informação: Projetos acadêmicos que estudam arquiteturas de Informação de Gradiente Programável (PGI) e Rede de Agregação de Camadas Eficiente Generalizada (GELAN).
  • Estudos de otimização do fluxo de gradientes: Pesquisas voltadas a entender e reduzir a perda de informação nas camadas profundas da rede durante o treinamento.
  • Benchmarking de detecção de alta precisão: Cenários em que o forte desempenho do YOLOv9 no benchmark COCO é necessário como referência para comparações arquitetônicas.

Quando escolher Ultralytics (YOLO26)#

Para a maioria dos novos projetos, o Ultralytics YOLO26 oferece a melhor combinação de desempenho e experiência para desenvolvedores:

  • Implantação de borda sem NMS: Aplicações que exigem inferência consistente e de baixa latência, sem a complexidade do pós-processamento de supressão não máxima (NMS).
  • Ambientes apenas com CPU: Dispositivos sem aceleração por GPU dedicada, nos quais a inferência em CPU até 43% mais rápida de YOLO26n em comparação com YOLO11n oferece uma vantagem decisiva.
  • Detecção de objetos pequenos: cenários desafiadores, como imagens aéreas capturadas por drones ou análise de sensores IoT, em que ProgLoss e STAL melhoram a precisão em objetos minúsculos.

A próxima evolução: YOLO26#

Embora YOLOv8 e YOLOv9 sejam modelos capazes, o cenário da IA evolui rapidamente. Para novos projetos, YOLO26, lançado em janeiro de 2026, se baseia nos pontos fortes dessas gerações anteriores.

YOLO26 introduz um design opcional de ponta a ponta sem NMS (nms=False), que elimina o pós-processamento com NMS, simplificando a implantação e tornando a latência mais previsível. Com o Otimizador MuSGD, ProgLoss + STAL (Perda Progressiva e Atribuição de Rótulos Consciente de Alvos Pequenos) e a remoção da DFL (remoção da Perda Focal de Distribuição para simplificar a exportação e melhorar a compatibilidade com dispositivos de borda e de baixo consumo), YOLO26n alcança inferência na CPU até 43% mais rápida que YOLO11n e melhora a detecção de objetos pequenos. Para projetos de computação de borda, YOLO26 é o ponto de partida recomendado.

Em resumo, embora YOLOv9 ofereça pesquisas arquitetônicas valiosas e excelente precisão máxima, Ultralytics YOLOv8 continua sendo uma opção prática, bem-sustentada e versátil para a maioria dos engenheiros de visão computacional que querem entregar software confiável rapidamente.

Comentários

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