Começar

YOLOv9 vs YOLOv5

A área de visão computacional cresceu rapidamente, com a detecção de objetos servindo de base para muitas aplicações industriais e de pesquisa. Escolher a arquitetura adequada geralmente exige uma avaliação cuidadosa da precisão média (mAP), da velocidade de inferência e da sobrecarga de memória. Esta comparação explora dois modelos influentes: YOLOv9, conhecido por seus avanços arquitetônicos na retenção de informações de gradiente, e o Ultralytics YOLOv5, um modelo testado em campo e amplamente utilizado, conhecido pela facilidade de uso e pela versatilidade de implantação.

Inovações arquiteturais e origens técnicas#

Entender o funcionamento interno desses dois modelos fornece um contexto essencial para compreender seus respectivos perfis de desempenho.

YOLOv9: informações de gradiente programáveis#

Desenvolvido pelos pesquisadores Chien-Yao Wang e Hong-Yuan Mark Liao no Institute of Information Science da Academia Sinica, em Taiwan, o YOLOv9 foi lançado em 21 de fevereiro de 2024. O modelo introduz dois novos conceitos para resolver o gargalo de informação comum em redes neurais profundas: Informação de Gradiente Programável (PGI) e Rede de Agregação de Camadas Eficiente Generalizada (GELAN).

Com o PGI, o YOLOv9 garante que informações vitais sejam retidas durante o processo de propagação direta, resultando em atualizações de gradiente mais confiáveis. Enquanto isso, a arquitetura GELAN maximiza a eficiência de parâmetros, permitindo que o modelo alcance alta precisão com baixo custo computacional. Você pode explorar os detalhes técnicos no artigo do YOLOv9 no arXiv oficial ou consultar o repositório do YOLOv9 no GitHub.

Saiba mais sobre o YOLOv9

Ultralytics YOLOv5: o padrão de produção#

Desenvolvido por Glenn Jocher e lançado pela Ultralytics em 26 de junho de 2020, o YOLOv5 tornou a visão computacional muito mais acessível. Como um dos primeiros modelos de detecção de objetos desenvolvidos nativamente no framework PyTorch, ele contornou as complexidades do antigo framework C Darknet. O YOLOv5 usa um backbone baseado em CSPNet e um neck PANet, equilibrando velocidade e precisão.

Seu maior ponto forte, porém, é a integração ao ecossistema mais amplo da Ultralytics. O YOLOv5 é otimizado para treinamento rápido e ambientes com pouca memória, o que o torna estável para implantações de borda.

Eficiência de memória

Ao avaliar modelos para dispositivos de borda, lembra que os modelos Ultralytics YOLO normalmente exigem muito menos memória de GPU durante o treinamento e a inferência do que arquiteturas pesadas baseadas em Transformer.

Análise de desempenho: velocidade vs. precisão#

Ao projetar um pipeline de visão computacional, os desenvolvedores precisam ponderar os compromissos entre precisão e latência. A tabela a seguir ilustra as diferenças de desempenho no conjunto de dados COCO padrão.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Análise dos compromissos#

O YOLOv9 lidera em precisão, com mAP superior ao YOLOv5 em todos os tamanhos desta tabela. O YOLOv9e alcança 55,6% de mAP usando suas camadas GELAN para preservar detalhes minuciosos, o que o torna uma ótima opção para diagnóstico por imagem ou cenários que exigem precisão rigorosa em objetos pequenos.

Por outro lado, o YOLOv5 lidera em velocidade bruta na GPU e flexibilidade de hardware. O YOLOv5n (Nano) é muito leve e executa inferências em apenas 1,12 ms em uma GPU T4 usando TensorRT. Se você estiver implantando em dispositivos IoT com recursos limitados, celulares ou Raspberry Pi, o baixo consumo de memória do YOLOv5 o torna uma opção confiável.

A vantagem do ecossistema Ultralytics#

Um aspecto importante na escolha de um modelo é o ecossistema de software ao redor. Embora o YOLOv9 ofereça resultados de pesquisa de ponta, usar os dois modelos por meio da moderna API Python da Ultralytics elimina essa lacuna, oferecendo aos desenvolvedores uma experiência unificada e simplificada.

Facilidade de uso e exportação#

A Ultralytics cuida de tarefas complexas de engenharia. Recursos como aumento de dados automático e ajuste de hiperparâmetros já estão disponíveis. Levar modelos à produção também é simples, com comandos de exportação integrados para convertê-los para os formatos ONNX, OpenVINO ou LiteRT.

Versatilidade de tarefas#

Embora os dois modelos se destaquem na detecção de objetos, os modelos modernos da Ultralytics foram desenvolvidos para lidar com vários desafios de visão computacional. O framework mais amplo oferece suporte nativo a segmentação de instâncias, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB), permitindo que os desenvolvedores resolvam vários problemas de visão sem trocar de base de código.

Casos de uso e recomendações#

A escolha entre YOLOv9 e YOLOv5 depende dos requisitos específicos do teu projeto, das restrições de implantação e das tuas preferências de ecossistema.

Quando escolher o YOLOv9#

YOLOv9 é uma ótima opção 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 o YOLOv5#

O YOLOv5 é recomendado para:

  • Sistemas de produção comprovados: Implantações existentes nas quais são valorizados o longo histórico de estabilidade do YOLOv5, sua ampla documentação e sua grande comunidade.
  • Treinamento com recursos limitados: ambientes com recursos de GPU limitados, nos quais o pipeline de treinamento eficiente e os menores requisitos de memória do YOLOv5 são vantajosos.
  • Amplo suporte a formatos de exportação: Projetos que exigem implantação em vários formatos, incluindo ONNX, TensorRT, CoreML e LiteRT.

Quando escolher Ultralytics (YOLO26)#

Para a maioria dos projetos novos, 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.

Exemplo de implementação#

Com o ecossistema Ultralytics, você pode alternar entre um modelo YOLOv5 e um modelo YOLOv9 alterando a string dos pesos.

from ultralytics import YOLO

# Carrega um modelo YOLOv9 pré-treinado (substitui por "yolov5su.pt" para usar YOLOv5u)
model = YOLO("yolov9c.pt")

# Treina o modelo com eficiência em um conjunto de dados personalizado
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Executa a inferência em novas imagens
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")

# Exporta para ONNX para implantação
model.export(format="onnx")

Explorando arquiteturas mais recentes#

Embora YOLOv5 e YOLOv9 sejam excelentes modelos com vantagens distintas, a área continua avançando. Quem estiver começando novos projetos também pode avaliar as versões mais recentes da Ultralytics.

  • YOLO11: Uma evolução refinada da linhagem YOLOv8, que oferece um excelente equilíbrio entre velocidade e precisão em todas as tarefas de visão.
  • YOLO26: Lançado em janeiro de 2026, o YOLO26 é o modelo recomendado para novos pipelines. Ele introduz um design opcional de ponta a ponta sem NMS (nms=False) que elimina os gargalos do pós-processamento com NMS. Com a remoção do DFL (Distribution Focal Loss removido para simplificar a exportação e melhorar a compatibilidade com dispositivos de borda e de baixo consumo), o YOLO26n alcança inferência na CPU até 43% mais rápida que o YOLO11n. O otimizador MuSGD melhora a estabilidade do treinamento, e ProgLoss + STAL (Progressive Loss e atribuição de rótulos sensível a alvos pequenos) aprimoram a detecção de objetos pequenos para IoT, robótica e imagens aéreas em implantações de borda e na nuvem.

Para equipes que gerenciam grandes conjuntos de dados e pipelines complexos de implantação, a Ultralytics Platform oferece uma forma sem código de treinar, acompanhar e implantar esses modelos.

Comentários

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