Começar

YOLOX vs YOLO26

O campo da visão computacional mudou significativamente na última década. Dois marcos desta evolução são o lançamento do YOLOX, que popularizou as arquiteturas sem âncoras, e a introdução do Ultralytics YOLO26, que traz um design nativamente de ponta a ponta e sem NMS para a deteção em tempo real. Esta comparação explora as suas arquiteturas, métricas de desempenho e cenários de implementação ideais para ajudar os programadores a tomar decisões informadas para o próximo projeto de IA.

Visão geral dos modelos#

Entender as origens e os principais objetivos de design de cada modelo fornece um contexto essencial para suas respectivas conquistas técnicas.

YOLOX#

Apresentado em meados de 2021, o YOLOX representou uma grande mudança ao adotar um design sem âncoras, associado a uma cabeça desacoplada e à estratégia de atribuição de rótulos SimOTA. Ao afastar-se dos mecanismos tradicionais de caixas-âncora que dominavam as arquiteturas anteriores, o YOLOX ajudou a aproximar a investigação académica da aplicação industrial, oferecendo uma framework simples e eficaz para a deteção de objetos.

Saiba mais sobre o YOLOX

YOLO26#

Lançado em janeiro de 2026, o YOLO26 baseia-se em anos de melhorias iterativas e concentra-se na implementação na borda e na simplificação dos pipelines de treino. Introduz uma cabeça um-para-um opcional de ponta a ponta e sem NMS (nms=False) que ignora a etapa tradicional de pós-processamento de supressão não máxima (NMS), simplificando a implementação do modelo em diferentes tipos de hardware. A remoção do módulo Distribution Focal Loss (DFL) também simplifica a cabeça e reduz a latência, tornando o YOLO26 uma opção sólida para aplicações modernas de visão computacional.

Inovações arquiteturais#

As arquiteturas desses dois modelos ilustram a rápida evolução das metodologias de aprendizado profundo, especialmente no que diz respeito às funções de perda e ao pós-processamento.

A abordagem do YOLOX#

O YOLOX desacoplou as tarefas de classificação e regressão na cabeça de previsão, acelerando significativamente a convergência durante o treinamento. Sua natureza sem âncoras reduziu o número de parâmetros de design e diminuiu a necessidade de ajustar âncoras complexas antes do treinamento. Combinado ao algoritmo de atribuição de rótulos SimOTA, o YOLOX alcançou resultados de ponta para a época, especialmente em benchmarks padrão como o conjunto de dados COCO.

As vantagens do YOLO26#

O YOLO26 concentra-se na eficiência arquitetónica. A remoção da NMS não só reduz a latência de inferência, como também proporciona tempos de execução consistentes e previsíveis, um fator essencial para veículos autónomos e robótica.

Entre as principais inovações do YOLO26 estão:

  • Otimizador MuSGD: Inspirado nas técnicas de treino de modelos de linguagem de grande escala (LLM), este híbrido de SGD e Muon proporciona treinos estáveis e convergência mais rápida.
  • Inferência na CPU até 43% mais rápida: Com a remoção de DFL e uma arquitetura simplificada, o YOLO26n é até 43% mais rápido do que o YOLO11n na CPU, sendo adequado para dispositivos de borda com recursos limitados, desde sensores IoT simples até placas Raspberry Pi.
  • ProgLoss + STAL: A Loss progressiva e a Atribuição de Rótulos Atenta a Objetos Pequenos (STAL) melhoram a deteção de objetos pequenos, essencial para analisar imagens aéreas e realizar um controlo de qualidade preciso na automação da manufatura.
Otimização prioritária para dispositivos de borda

Se o teu projeto se destina a sistemas incorporados ou aplicações móveis sem GPUs dedicadas, o desempenho otimizado do YOLO26 na CPU oferece uma vantagem significativa, com menor sobrecarga computacional do que os modelos de gerações anteriores.

Desempenho e benchmarks#

Ao avaliar modelos para ambientes de produção, é essencial analisar o equilíbrio entre precisão, velocidade e complexidade computacional. Abaixo encontra-se uma comparação detalhada de modelos padrão avaliados com um tamanho de imagem de 640 píxeis (e 416 para variantes nano/tiny).

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Como mostra a tabela, a série YOLO26 oferece um melhor equilíbrio de desempenho. Por exemplo, YOLO26x alcança 57.5 mAP com cerca de 44% menos parâmetros do que YOLOXx, além de uma inferência GPU mais rápida (11.8 ms vs 16.1 ms).

Experiência de treinamento e ecossistema#

Uma das maiores diferenças entre estas arquiteturas está na facilidade de utilização e no suporte do ecossistema.

Embora o YOLOX continue a ser um repositório fundamental para investigadores que estudam mecanismos sem âncoras e atribuição de rótulos, a sua configuração pode ser complexa e exigir frequentemente a configuração manual de dependências e operadores. Em contrapartida, o ecossistema Ultralytics foi concebido para facilitar a utilização.

Com a API Python unificada, os programadores podem inicializar, treinar e implementar modelos YOLO26 com poucas linhas de código. A API gere a transferência de conjuntos de dados, permite ajustar hiperparâmetros e exporta para formatos como ONNX, TensorRT e OpenVINO.

from ultralytics import YOLO

# Inicializa o modelo pequeno YOLO26 de ponta a ponta
model = YOLO("yolo26s.pt")

# Treina o modelo; optimizer="auto" seleciona MuSGD para execuções mais longas (>10k iterações)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Valida o desempenho do modelo no conjunto de validação
metrics = model.val()

# Exporta o modelo otimizado para implantação em dispositivos de borda
model.export(format="onnx")

Os modelos Ultralytics YOLO também costumam ter requisitos de memória inferiores durante o treino, em comparação com alternativas pesadas baseadas em Transformer, permitindo aos engenheiros treinar com tamanhos de lote maiores, mesmo em hardware de consumo.

Aplicações no mundo real#

A escolha entre YOLOX e YOLO26 depende, em última análise, das restrições de implantação e dos requisitos de tarefas múltiplas do seu projeto.

Onde o YOLOX se destaca#

O YOLOX continua a ser uma opção viável para benchmarks académicos específicos e sistemas antigos baseados na base de código original do YOLOX. A sua importância histórica faz dele uma referência popular para investigar detetores sem âncoras e estratégias de atribuição personalizadas.

Onde o YOLO26 se destaca#

O YOLO26 foi concebido para aplicações industriais modernas. Como suporta nativamente segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB), é mais versátil do que os modelos dedicados apenas à deteção.

  • Comércio a retalho inteligente e gestão de inventário: O design sem NMS ajuda os sistemas de pagamento automatizados a processar fluxos de vídeo com baixa latência, reconhecendo produtos sem um gargalo de pós-processamento.
  • Análise de imagens aéreas e de drones: A loss angular especializada para OBB e ProgLoss + STAL tornam o YOLO26 adequado para detetar objetos rodados e pequenos elementos em imagens de satélite de grandes dimensões.
  • Sistemas de segurança de borda: Com uma inferência na CPU até 43% mais rápida (YOLO26n em comparação com YOLO11n), o YOLO26 permite às empresas implementar análises de segurança robustas diretamente em hardware local económico, sem exigir computação dispendiosa na nuvem.

Casos de uso e recomendações#

A escolha entre YOLOX e YOLO26 depende dos requisitos específicos do seu projeto, das restrições de implantação e das suas preferências de ecossistema.

Quando escolher o YOLOX#

O YOLOX é uma ótima opção para:

  • Investigação em deteção sem âncoras: Investigação académica que utiliza a arquitetura simples e sem âncoras do YOLOX como referência para experimentar novas cabeças de deteção ou funções de perda.
  • Dispositivos de borda ultraleves: Implementações em microcontroladores ou hardware móvel legado, onde o tamanho extremamente reduzido da variante YOLOX-Nano (0,91 milhões de parâmetros) é essencial.
  • Estudos sobre atribuição de rótulos SimOTA: Projetos de investigação que analisam estratégias de atribuição de rótulos baseadas em transporte ótimo e o seu impacto na convergência do treino.

Quando escolher o YOLO26#

O YOLO26 é recomendado para:

  • 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.
  • Deteção de objetos pequenos: Cenários desafiantes, como imagens aéreas de drones ou análise de sensores IoT, nos quais ProgLoss e STAL melhoram a precisão na deteção de objetos minúsculos.

Explore outros modelos da Ultralytics#

Se estás a explorar a evolução da visão computacional, vale a pena investigar outros modelos capazes da família Ultralytics:

  • YOLO11: Antecessor imediato do YOLO26, oferece desempenho robusto e amplo suporte da comunidade para ambientes de produção estáveis.
  • YOLOv8: Uma arquitetura comprovada em campo que definiu o padrão de facilidade de utilização e flexibilidade em milhares de implementações no mundo real.

Em conclusão, o YOLOX introduziu conceitos importantes na deteção de objetos, e o YOLO26 oferece uma melhoria geracional em velocidade, precisão e simplicidade de implementação, tornando-se a opção recomendada para novos projetos.

Comentários

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