YOLOv9 vs YOLOv8
O cenário da visão computacional em tempo real evoluiu rapidamente nos últimos anos, com cada novo modelo ampliando o que é possível em dispositivos de borda e servidores na nuvem. Ao comparar a nova arquitetura YOLOv9 com o popular framework Ultralytics YOLOv8, os desenvolvedores muitas vezes precisam escolher entre pesquisa inovadora sobre caminhos de gradiente e um ecossistema testado em batalha e pronto para produção.
Este guia compara os dois modelos, analisando suas inovações arquiteturais, métricas de desempenho e cenários ideais de implantação para ajudar você a escolher o modelo certo para seu 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 em 21 de fevereiro de 2024. A pesquisa central se concentra em resolver o gargalo de informação em redes neurais profundas. Você pode explorar o artigo de pesquisa original do YOLOv9 no arXiv ou consultar o código-fonte no repositório oficial do YOLOv9 no GitHub.
Ultralytics YOLOv8 Desenvolvido por Glenn Jocher, Ayush Chaurasia e Jing Qiu na Ultralytics, o YOLOv8 foi lançado em 10 de janeiro de 2023. Ele se consolidou como padrão do setor em versatilidade, oferecendo uma API unificada para uma grande 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 que define o YOLOv9 é a introdução de Informação de Gradiente Programável (PGI) e da Rede de Agregação de Camadas Eficiente Generalizada (GELAN). À medida que as redes neurais convolucionais se tornam mais profundas, elas normalmente perdem informações importantes sobre características durante o processo de propagação direta. O PGI resolve esse gargalo de informação ao reter gradientes precisos usados para atualizar os pesos, favorecendo a extração confiável de características. Essa arquitetura maximiza a eficiência de parâmetros, permitindo que o YOLOv9 alcance alta precisão com menos operações de ponto flutuante (FLOPs).
YOLOv8: O Modelo Versátil para Todas as Tarefas#
O YOLOv8 introduziu um mecanismo de detecção sem âncoras simplificado, que reduz o número de previsões de caixas e acelera a supressão não máxima (NMS) durante o pós-processamento. Seu módulo C2f (gargalo parcial entre estágios com duas convoluções) melhora o fluxo de gradientes pela rede em comparação com modelos anteriores. Mais importante, o YOLOv8 foi projetado para oferecer versatilidade, com suporte nativo a detecção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose e extração de caixas delimitadoras orientadas (OBB), tudo pronto para uso.
Embora o YOLOv9 ofereça métricas brutas de detecção sólidas, integrá-lo nativamente a pipelines complexos pode ser desafiador. Usar o YOLOv9 por meio do framework Ultralytics elimina essa lacuna, proporcionando acesso às ferramentas de exportação e implantação da Ultralytics.
Equilíbrio de desempenho e benchmarks#
O equilíbrio entre velocidade e precisão é o fator mais importante ao implantar modelos de visão. Abaixo está uma comparação detalhada dos tamanhos dos modelos, da latência e da precisão média (mAP), avaliadas no conjunto de dados COCO padrão.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Ao analisar as métricas, o YOLOv9 demonstra uma forte relação entre parâmetros e precisão, com mAP superior ao YOLOv8 em todos os tamanhos. O modelo YOLOv9c alcança 53,0% de mAP usando apenas 25,5 milhões de parâmetros. No entanto, o YOLOv8 é mais rápido na GPU na maioria dos tamanhos, e a variante YOLOv8n executa em 1,47 ms em uma configuração com NVIDIA TensorRT.
A vantagem do ecossistema Ultralytics#
Um aspecto importante ao escolher uma arquitetura é a facilidade de uso e o ecossistema de software ao redor. Gerenciar dependências, escrever carregadores de dados personalizados e lidar com scripts de exportação complexos pode atrasar o desenvolvimento. O ecossistema integrado da Ultralytics cuida dessas complexidades.
Quer você escolha YOLOv8 ou YOLOv9 (totalmente compatível com a biblioteca Ultralytics), você terá uma API unificada, técnicas de aumento de dados automáticas e exportação simplificada para o formato ONNX. As arquiteturas Ultralytics também treinam com eficiência e evitam o alto consumo de memória CUDA comum em 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 e multitarefa: 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 somente com CPU: Dispositivos sem aceleração de GPU dedicada, nos quais a inferência na CPU até 43% mais rápida do YOLO26 (YOLO26n contra 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.
Perspetivas Futuras: A Chegada do YOLO26#
Embora YOLOv8 e YOLOv9 sejam capazes, o cenário da visão computacional muda rapidamente. Para implantações modernas, a Ultralytics recomenda o Ultralytics YOLO26, lançado em janeiro de 2026.
O YOLO26 muda a forma como os detectores de objetos são executados em produção. Ele apresenta um design nativo de ponta a ponta sem NMS (opcional via nms=False), eliminando a latência do pós-processamento com NMS e sua variabilidade. Para oferecer melhor suporte a hardware de borda e de baixo consumo, o YOLO26 conta com remoção do DFL (Distribution Focal Loss), simplificando as exportações para dispositivos móveis.
Para o treinamento, o YOLO26 usa o otimizador MuSGD, um híbrido de SGD e Muon que traz estabilidade de treinamento inspirada em LLMs para tarefas de visão e acelera a convergência. Com inferência na CPU até 43% mais rápida (YOLO26n em comparação com YOLO11n) e ProgLoss + STAL (Progressive Loss e atribuição de rótulos sensível a alvos pequenos) para melhorar a detecção de objetos pequenos, o YOLO26 é a opção recomendada para novos projetos empresariais.
Consoante as tuas restrições de hardware, também podes querer comparar estes modelos com o Ultralytics YOLO11 para tarefas de utilização geral equilibradas ou explorar modelos baseados em Transformer, como o RT-DETR, para investigação especializada que exige elevada fidelidade.
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.
- Saúde e diagnóstico por imagem: Quando cada pixel conta, como em sistemas de detecção de tumores, a arquitetura GELAN do YOLOv9 ajuda a preservar detalhes minuciosos, o que pode reduzir 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 monitoramento de tráfego: Em logística e gestão de tráfego dinâmicas, a baixa latência e a robustez comprovada do YOLOv8 o tornam ideal para rastrear veículos simultaneamente em vários fluxos de câmeras.
- Implantações de borda: Se você estiver implantando em dispositivos com recursos limitados, como um Raspberry Pi ou hardware móvel, os blocos C2f eficientes do YOLOv8 (e as otimizações de CPU do YOLO26) proporcionam um pipeline de inferência mais fluido e econômico em bateria.
Comentários1
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
finfindara(editado)
Great comparison! YOLOv9 introduces notable improvements in detection accuracy and model optimization, particularly for smaller and densely packed objects. However, this YOLOv8 comparison shows that v8 still delivers a strong balance of speed, flexibility, and ease of deployment — making it a solid choice for many real-time applications. Both models have their strengths depending on the specific use case.