YOLOv9 vs YOLOv8#

O panorama da visão computacional em tempo real evoluiu de forma notável nos últimos anos, com cada novo modelo a ultrapassar os limites teóricos do que é possível tanto em dispositivos de edge como em servidores na cloud. Ao comparar a nova arquitetura YOLOv9 com a muito popular framework Ultralytics YOLOv8, os programadores deparam-se frequentemente com uma escolha entre percursos de gradiente teóricos de ponta e um ecossistema amplamente testado em cenários reais e pronto para produção.

Este guia abrangente contrasta estes dois modelos de referência, analisando as suas inovações arquiteturais, métricas de desempenho e cenários ideais de implementação, para te ajudar a escolher o modelo certo para o teu próximo projeto de inteligência artificial.

Especificações técnicas e autoria#

Compreender a linhagem destes modelos fornece um contexto essencial para as respetivas escolhas de design.

YOLOv9 Criado por Chien-Yao Wang e Hong-Yuan Mark Liao no Institute of Information Science da Academia Sinica, Taiwan, o YOLOv9 foi lançado a 21 de fevereiro de 2024. A investigação central centra-se na resolução do estrangulamento de informação em redes neuronais profundas. Podes consultar o artigo de investigação do YOLOv9 original no Arxiv ou ver o código-fonte no repositório oficial do YOLOv9 no GitHub.

Saiba mais sobre o YOLOv9

Ultralytics YOLOv8 Desenvolvido por Glenn Jocher, Ayush Chaurasia e Jing Qiu na Ultralytics, o YOLOv8 foi lançado a 10 de janeiro de 2023. Estabeleceu-se como um padrão do setor em versatilidade, oferecendo uma API unificada para uma enorme variedade de tarefas de visão. O código-fonte é mantido no repositório principal da Ultralytics no GitHub, garantindo atualizações contínuas e estabilidade a longo prazo.

Inovações arquiteturais#

YOLOv9: Informação de gradiente programável#

A característica definidora do YOLOv9 é a introdução de Informação de Gradientes Programáveis (PGI) e da Rede Generalizada de Agregação de Camadas Eficiente (GELAN). À medida que as redes neuronais convolucionais se tornam mais profundas, normalmente perdem informação essencial das características durante o processo de propagação para a frente. A PGI resolve este estrangulamento de informação ao preservar gradientes precisos utilizados para atualizar os pesos, garantindo uma extração fiável de características. Esta arquitetura maximiza a eficiência dos parâmetros, permitindo ao YOLOv9 alcançar elevada precisão com menos Operações de Ponto Flutuante (FLOPs).

YOLOv8: O modelo versátil de referência#

O YOLOv8 introduziu um mecanismo simplificado de deteção sem âncoras, que reduz o número de previsões de caixas e acelera a Supressão Não Máxima (NMS) durante o pós-processamento. O seu módulo C2f (gargalo de parcialidade entre etapas com duas convoluções) melhora o fluxo de gradientes na rede em comparação com modelos mais antigos. Mais importante ainda, o YOLOv8 foi concebido com Versatilidade em mente, suportando nativamente deteção de objetos, segmentação de instâncias, estimativa de pose, classificação de imagens e extração de caixas delimitadoras orientadas (OBB) sem configuração adicional.

Equilíbrio de desempenho e benchmarks#

O compromisso entre velocidade e precisão é o fator mais crítico ao implementar modelos de visão. Abaixo encontras uma comparação detalhada dos tamanhos dos modelos, da latência e da Precisão Média (mAP), avaliada no conjunto de dados COCO padrão.

Ao analisar as métricas, o YOLOv9 demonstra uma relação notável entre parâmetros e precisão. O modelo YOLOv9c alcança uns impressionantes 53,0% de mAP utilizando apenas 25,3M de parâmetros. No entanto, o YOLOv8 mantém uma vantagem significativa nos requisitos de memória e na velocidade de inferência em aceleradores de hardware, especialmente com a variante YOLOv8n a atingir 1,47 ms numa configuração com NVIDIA TensorRT.

A vantagem do ecossistema Ultralytics#

Uma consideração importante ao escolher uma arquitetura é a Facilidade de Utilização e o ecossistema de software envolvente. Gerir dependências, escrever carregadores de dados personalizados e lidar com scripts de exportação complexos pode atrasar o desenvolvimento. O ecossistema integrado da Ultralytics abstrai estas complexidades.

Quer escolhas o YOLOv8 ou o YOLOv9 (que é totalmente suportado na biblioteca Ultralytics), beneficiarás de uma API unificada, de técnicas de aumento de dados automáticas e de uma exportação simplificada para o formato ONNX. Além disso, as arquiteturas da Ultralytics apresentam geralmente uma Eficiência de Treino altamente otimizada, evitando o enorme consumo de memória CUDA normalmente associado a modelos grandes baseados em Transformer.

Exemplo de código de treino#

Treinar qualquer um dos modelos utilizando a API Python é simples e requer apenas algumas linhas de código.

from ultralytics import YOLO

# Load the preferred model (swap 'yolov9c.pt' with 'yolov8n.pt' as needed)
model = YOLO("yolov8n.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance metrics
metrics = model.val()

# Export to ONNX for production deployment
model.export(format="onnx")

Casos de uso e recomendações#

A escolha entre YOLOv9 e YOLOv8 depende dos requisitos específicos do teu projeto, das restrições de implementação e das tuas preferências em relação ao ecossistema.

Quando escolher o YOLOv9#

O YOLOv9 é uma escolha sólida para:

• Investigação sobre gargalos de informação: Projetos académicos que estudam as arquiteturas de Informação de Gradiente Programável (PGI) e Rede Generalizada de Agregação de Camadas Eficiente (GELAN).
• Estudos de otimização do fluxo de gradientes: Investigação centrada na compreensão e mitigação da perda de informação nas camadas profundas da rede durante o treino.
• Avaliação comparativa de deteção de alta precisão: Cenários nos quais o forte desempenho do YOLOv9 no benchmark COCO é necessário como ponto de referência para comparações arquiteturais.

Quando escolher o YOLOv8#

O YOLOv8 é recomendado para:

• Implementação versátil multitarefa: Projetos que exigem um modelo comprovado para deteção, segmentação, classificação e estimativa de pose no ecossistema Ultralytics.
• Sistemas de produção consolidados: Ambientes de produção existentes já desenvolvidos com base na arquitetura YOLOv8, com pipelines de implementação estáveis e exaustivamente testados.
• Amplo suporte da comunidade e do ecossistema: Aplicações que beneficiam dos extensos tutoriais do YOLOv8, de integrações de terceiros e de recursos ativos da comunidade.

Quando escolher Ultralytics (YOLO26)#

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

• Implantação em dispositivos de borda sem NMS: Aplicações que exigem inferência consistente e de baixa latência sem a complexidade do pós-processamento de Supressão de Não-Máximos.
• Ambientes que usam apenas CPU: Dispositivos sem aceleração dedicada por GPU, nos quais a inferência em CPU até 43% mais rápida do YOLO26 oferece uma vantagem decisiva.
• Detecção de objetos pequenos: Cenários desafiadores, como imagens aéreas capturadas por drones ou análise de sensores de IoT, nos quais ProgLoss e STAL aumentam significativamente a precisão em objetos minúsculos.

Olhando para o futuro: a chegada do YOLO26#

Embora o YOLOv8 e o YOLOv9 sejam ambos extremamente capazes, o panorama da visão computacional evolui rapidamente. Para implementações modernas, recomendamos vivamente a utilização do Ultralytics YOLO26, lançado em janeiro de 2026.

O YOLO26 representa uma mudança de paradigma na forma como os detetores de objetos funcionam em produção. Inclui um Design nativo de NMS de ponta a ponta e sem NMS, eliminando eficazmente a latência e o comportamento não determinístico do pós-processamento. Para melhor suportar hardware de edge e de baixo consumo, o YOLO26 incorpora a Remoção completa de DFL (Perda Focal de Distribuição), tornando as exportações para dispositivos móveis muito mais simples.

Além disso, o YOLO26 utiliza o inovador Otimizador MuSGD, uma combinação híbrida de SGD e Muon que proporciona uma estabilidade de treino ao nível dos LLM às tarefas de visão, resultando numa convergência significativamente mais rápida. Com até 43% mais velocidade de inferência no CPU e a integração de ProgLoss + STAL para um reconhecimento de objetos pequenos muito melhorado, o YOLO26 é a escolha incontestável para novas iniciativas empresariais.

Aplicações e casos de utilização no mundo real#

A escolha entre YOLOv8 e YOLOv9 depende em grande medida das restrições do teu projeto e do hardware de destino.

• Cuidados de Saúde e Imagiologia Médica: Quando cada pixel conta, como em sistemas de deteção de tumores, a arquitetura GELAN do YOLOv9 preserva excecionalmente bem os detalhes granulares, reduzindo os falsos negativos em diagnósticos críticos.
• Análise de Retalho e Inventário: Para sistemas de supermercado inteligente que acompanham prateleiras densamente preenchidas, o YOLOv9 fornece o mAP necessário para separar de forma fiável itens sobrepostos.
• Cidades Inteligentes e Monitorização de Tráfego: Em gestão de logística e tráfego acelerada, a latência ultrabaixa e a robustez comprovada do YOLOv8 tornam-no ideal para acompanhar veículos em vários fluxos de câmaras em simultâneo.
• Implementações em Edge: Se estiveres a implementar em dispositivos com recursos limitados, como um Raspberry Pi, ou em hardware móvel, os blocos C2f altamente otimizados do YOLOv8 (e as otimizações de CPU do YOLO26) proporcionam um pipeline de inferência muito mais fluido e eficiente em termos de bateria.