YOLOX vs YOLOv8
A área da visão computacional avançou rapidamente na deteção de objetos em tempo real nos últimos anos. À medida que investigadores e engenheiros continuam a melhorar a precisão e a velocidade, pode ser difícil orientar-se entre os modelos disponíveis. Este guia apresenta uma comparação técnica de duas arquiteturas influentes: YOLOX e Ultralytics YOLOv8.
Ao analisar as arquiteturas, as metodologias de treino e os recursos de implementação, os desenvolvedores podem tomar decisões informadas ao selecionar o framework certo para os seus projetos de inteligência artificial.
YOLOX: aproximando a pesquisa e a indústria#
YOLOX surgiu como um modelo importante que ajudou a aproximar a investigação académica das aplicações industriais. Introduziu um regresso ao design sem âncoras, reduzindo significativamente o número de parâmetros de conceção e o ajuste heurístico necessários nos detetores anteriores baseados em âncoras.
Detalhes do modelo:
- Autores: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li e Jian Sun
- Organização: Megvii
- Data: 2021-07-18
- arXiv: YOLOX: superando a série YOLO em 2021
- GitHub: Megvii-BaseDetection/YOLOX
- Documentação: Documentação do YOLOX
Destaques arquitetônicos#
YOLOX integra várias modificações importantes que o distinguem dos seus antecessores. A mais notável é a cabeça desacoplada, que separa as tarefas de classificação e regressão das caixas delimitadoras em percursos distintos. Esta escolha arquitetónica reduz o conflito entre o alinhamento espacial necessário para a regressão e a invariância à translação necessária para a classificação, levando a uma convergência mais rápida durante o treino.
Além disso, YOLOX utiliza a estratégia de atribuição de rótulos SimOTA. Esse método de atribuição dinâmica formula a correspondência entre objetos reais e previsões como um problema de transporte ótimo, reduzindo efetivamente o tempo de treinamento e aumentando a precisão média média (mAP). O modelo também utiliza técnicas robustas de aumento de dados, incluindo MixUp e Mosaic, embora as desative nas épocas finais para estabilizar os recursos aprendidos.
YOLOv8: o padrão de um ecossistema versátil#
Com base em anos de investigação contínua, Ultralytics YOLOv8 representa um grande avanço nos modelos Ultralytics. Foi concebido desde o início não apenas como um detetor de objetos, mas como um framework abrangente e multitarefa, capaz de lidar com uma vasta gama de desafios de reconhecimento visual através de uma API acessível.
Detalhes do modelo:
- Autores: Glenn Jocher, Ayush Chaurasia e Jing Qiu
- Organização: Ultralytics
- Data: 2023-01-10
- GitHub: ultralytics/ultralytics
- Documentação: Documentação do YOLOv8
Avanços na arquitetura#
YOLOv8 introduz uma arquitetura simplificada que substitui o módulo C3 pelo módulo C2f, mais eficiente, melhorando o fluxo de gradiente e a extração de características sem aumentar significativamente o número de parâmetros. Tal como YOLOX, YOLOv8 usa um design sem âncoras e uma cabeça desacoplada; no entanto, aperfeiçoa o cálculo da função de perda ao incorporar Distribution Focal Loss (DFL) e a função de perda CIoU, resultando em previsões de caixas delimitadoras mais precisas, especialmente para objetos pequenos ou sobrepostos.
Um dos maiores pontos fortes do YOLOv8 é a sua integração profunda no ecossistema Ultralytics. Quer uses a API unificada de Python ou a interface visual da Ultralytics Platform, a transição do treino à implementação é simples, com suporte nativo para formatos que vão de ONNX a TensorRT.
Além da deteção de objetos padrão, YOLOv8 oferece suporte nativo a segmentação de instâncias, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB). Esta versatilidade multitarefa torna-o uma opção atraente para ambientes de produção complexos, nos quais é necessário manter vários tipos de modelos.
Comparação de desempenho e métricas#
Ao comparar estes modelos, os desenvolvedores devem considerar os compromissos entre precisão, latência de inferência e sobrecarga computacional. A tabela abaixo apresenta os benchmarks das duas famílias de modelos.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
YOLOv8 alcança consistentemente um mAP superior ao do YOLOX para contagens de parâmetros comparáveis, mantendo velocidades elevadas na GPU. Além disso, os modelos Ultralytics são conhecidos pelos menores requisitos de memória durante o treino. Esta é uma vantagem essencial para aumentar o tamanho dos lotes em hardware de consumo, sobretudo em comparação com arquiteturas Transformer que consomem muitos recursos, como RT-DETR, que utiliza significativamente mais memória CUDA.
Experiência de desenvolvimento e implantação#
Trabalhar com bases de código de pesquisa legadas muitas vezes exige configurar ambientes complexos e escrever código boilerplate personalizado para a inferência. Já a API Ultralytics simplifica esse processo para apenas algumas linhas de Python.
from ultralytics import YOLO
# Inicializa o modelo YOLOv8 pequeno
model = YOLO("yolov8s.pt")
# Treina o modelo com um conjunto de dados personalizado
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Valida a precisão do modelo
metrics = model.val()
# Executa a inferência em uma imagem de teste
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()Essa interface unificada é uma marca registrada do ecossistema Ultralytics, bem mantido, garantindo que os desenvolvedores passem menos tempo depurando problemas de ambiente e mais tempo iterando em suas soluções de visão computacional.
Casos de uso e recomendações#
A escolha entre YOLOX e YOLOv8 depende dos requisitos específicos do teu projeto, das restrições de implantação e das 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 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 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.
O que vem a seguir: a arquitetura YOLO26#
Embora YOLOv8 ofereça um bom equilíbrio entre precisão e facilidade de utilização, a IA continua a avançar rapidamente. Lançado em janeiro de 2026, YOLO26 é o modelo recomendado para implementações modernas em dispositivos de borda e na nuvem, desenvolvido com base nos fundamentos das gerações anteriores.
YOLO26 introduz um design de ponta a ponta sem NMS: a sua cabeça opcional um-para-um (nms=False) ignora a etapa heurística de pós-processamento NMS, proporcionando uma latência estável e previsível em vários ambientes de implementação. Com a remoção do módulo Distribution Focal Loss (DFL), YOLO26n alcança uma inferência na CPU até 43% mais rápida do que YOLO11n, tornando YOLO26 uma opção robusta para sistemas incorporados e aplicações móveis.
YOLO26 também melhora a estabilidade do treino com o otimizador MuSGD, uma combinação de SGD e Muon que acelera a convergência. Com ProgLoss + STAL (Progressive Loss e atribuição de rótulos sensível a objetos pequenos), YOLO26 melhora a deteção de objetos pequenos, essencial para cartografia com drones e sistemas de alarme de segurança.
Conclusão e recomendações#
YOLOX representou um passo importante na transição para métodos sem âncoras, mas a falta de um ecossistema integrado e multitarefa limita a sua utilização em ambientes de produção dinâmicos.
Para os desenvolvedores que dão prioridade a uma experiência simples, ao suporte versátil de tarefas e a uma comunidade sólida, YOLOv8 continua a ser uma opção robusta. No entanto, para quem pretende maximizar o desempenho da computação de borda, eliminar os gargalos do NMS e alcançar a maior precisão com as inovações de treino mais recentes, YOLO26 é o modelo recomendado para qualquer novo projeto de visão computacional.
Se tens interesse em explorar outros modelos da linha Ultralytics, também podes consultar as características de desempenho do YOLO11 ou ler sobre a abordagem sem NMS introduzida no YOLOv10.
Comentários1
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
zaraquinnat(editado)
Excellent technical comparison! YOLOX introduced some innovative ideas like decoupled heads and anchor-free design, which definitely influenced later models. However, this YOLOv8 comparison shows how v8 builds on such advancements with a cleaner architecture, better task flexibility, and improved performance across various benchmarks. Both have their strengths depending on the application.