YOLOv9 vs YOLOv8#

O panorama da visão computacional em tempo real evoluiu notavelmente nos últimos anos, com cada novo modelo a ampliar os limites teóricos do que é possível tanto em dispositivos de periferia como em servidores na nuvem. Ao comparar a mais recente arquitetura YOLOv9 com a popular estrutura Ultralytics YOLOv8, os programadores têm frequentemente de escolher entre percursos de gradiente teoricamente inovadores e um ecossistema amplamente testado e pronto para produção.

Este guia abrangente compara estes dois modelos de referência, analisando as inovações arquitetónicas, as métricas de desempenho e os cenários de implementação ideais, 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 contexto essencial para as respetivas escolhas de conceção.

YOLOv9 Desenvolvido por Chien-Yao Wang e Hong-Yuan Mark Liao no Institute of Information Science da Academia Sinica, em Taiwan, o YOLOv9 foi lançado a 21 de fevereiro de 2024. A investigação centra-se na resolução do estrangulamento de informação nas redes neuronais profundas. Podes consultar o artigo original de investigação do YOLOv9 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. Tornou-se uma referência na indústria pela sua 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: informações de gradiente programáveis#

A característica distintiva do YOLOv9 é a introdução da Informação de Gradiente Programável (PGI) e da Rede Generalizada de Agregação Eficiente de Camadas (GELAN). À medida que as redes neuronais convolucionais se tornam mais profundas, tendem a perder informação essencial sobre as características durante o processo de propagação direta. A PGI resolve este estrangulamento de informação ao reter gradientes precisos, utilizados para atualizar os pesos e garantir 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 para Todas as Tarefas#

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 módulo C2f (gargalo parcial entre etapas com duas convoluções) melhora o fluxo de gradientes na rede em comparação com os modelos anteriores. Mais importante ainda, o YOLOv8 foi concebido a pensar na Versatilidade, com suporte nativo para deteção de objetos, segmentação de instâncias, estimativa de pose, classificação de imagens e extração de caixas delimitadoras orientadas (OBB), tudo pronto a utilizar.

Equilíbrio de desempenho e benchmarks#

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

Ao analisar as métricas, o YOLOv9 demonstra uma relação notável entre o número de parâmetros e a precisão. O modelo YOLOv9c alcança uns impressionantes 53,0% de mAP com apenas 25,5 milhões de parâmetros. No entanto, o YOLOv8 mantém uma vantagem significativa nos requisitos de memória e na velocidade de inferência em aceleradores de hardware, sobretudo com a variante YOLOv8n, que atinge 1,47 ms numa configuração com NVIDIA TensorRT.

A vantagem do ecossistema Ultralytics#

Um aspeto importante na escolha de uma arquitetura é a Facilidade de Utilização e o ecossistema de software envolvente. A gestão de dependências, a escrita de carregadores de dados personalizados e o tratamento de scripts de exportação complexos podem atrasar o desenvolvimento. O ecossistema integrado da Ultralytics abstrai estas complexidades.

Quer escolhas YOLOv8 ou YOLOv9 (totalmente suportado na biblioteca Ultralytics), beneficias de uma API unificada, de técnicas automáticas de aumento de dados e de uma exportação simplificada para o formato ONNX. Além disso, as arquiteturas Ultralytics apresentam, em geral, uma eficiência de treino altamente otimizada, evitando o consumo excessivo de memória CUDA habitualmente associado a modelos grandes baseados em Transformer.

Exemplo de Código de Treino#

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

from ultralytics import YOLO

# Carrega o modelo pretendido (substitui 'yolov9c.pt' por 'yolov8n.pt', conforme necessário)
model = YOLO("yolov8n.pt")

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

# Valida as métricas de desempenho do modelo
metrics = model.val()

# Exporta para ONNX para implementação em produção
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 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 YOLOv8#

O YOLOv8 é recomendado para:

• Implantação versátil de múltiplas tarefas: Projetos que exigem 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 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 com supressão não máxima.
• Ambientes que usam apenas CPU: Dispositivos sem aceleração dedicada por GPU, nos quais a inferência na CPU até 43% mais rápida do YOLO26 oferece uma vantagem decisiva.
• Detecção de objetos pequenos: Cenários desafiadores, como imagens aéreas de drones ou análise de sensores de IoT, nos quais ProgLoss e STAL melhoram significativamente a precisão na detecção de objetos minúsculos.

Perspetivas Futuras: A Chegada do YOLO26#

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

O YOLO26 representa uma mudança de paradigma no funcionamento dos detetores de objetos em produção. Inclui uma arquitetura integral sem NMS nativa (opcional através de nms=False), que elimina a latência e o comportamento não determinístico do pós-processamento. Para oferecer melhor suporte a hardware de periferia e de baixo consumo, o YOLO26 incorpora a remoção completa de DFL (Distribution Focal Loss), simplificando significativamente as exportações para dispositivos móveis.

Além disso, o YOLO26 utiliza o revolucionário Otimizador MuSGD, um híbrido de SGD e Muon que traz a estabilidade de treino dos LLM para tarefas de visão, resultando numa convergência significativamente mais rápida. Com uma inferência na CPU até 43% mais rápida e a integração de ProgLoss + STAL para melhorar substancialmente o reconhecimento de objetos pequenos, o YOLO26 é a escolha incontestável para novas iniciativas empresariais.

Aplicações e casos de uso 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 píxel conta, como nos sistemas de deteção de tumores, a arquitetura GELAN do YOLOv9 preserva excecionalmente bem os detalhes mais finos, reduzindo os falsos negativos em diagnósticos críticos.
• Comércio a Retalho e Análise de Inventário: Para sistemas inteligentes de supermercado que acompanham prateleiras densamente ocupadas, o YOLOv9 oferece o mAP necessário para distinguir com fiabilidade itens sobrepostos.
• Cidades Inteligentes e Monitorização do Trânsito: Em logística e gestão de trânsito de ritmo acelerado, a latência ultrabaixa e a robustez comprovada do YOLOv8 tornam-no ideal para acompanhar veículos em vários fluxos de câmaras em simultâneo.
• Implementações na Periferia: Se vais implementar o modelo em dispositivos com recursos limitados, como um Raspberry Pi ou hardware móvel, os blocos C2f altamente otimizados do YOLOv8 (e as otimizações para CPU do YOLO26) proporcionam um fluxo de inferência mais fluido e eficiente em termos de bateria.