Benchmarks da Ultralytics

Metodologia de treinamento

Usamos a taxa de transferência de treinamento — imagens processadas por segundo durante o treinamento — como referência; ela correlaciona-se diretamente com o tempo de conclusão. Cada resultado é medido nas GPUs da Ultralytics Platform — o mesmo hardware NVIDIA que alugas para treinamento na nuvem com um clique, desde placas de workstation de entrada até GPUs emblemáticas de data center. Treinamos o YOLO26 em todos os cinco tamanhos (n/s/m/l/x) para que possas adequar um modelo ao teu orçamento de hardware.

Configurações. 2 épocas em 25% do COCO a 640px, precisão mista AMP, GPU única, com auto-batch (batch=-1) selecionando o maior lote que cabe na memória. Relatamos a segunda época em estado estacionário, que exclui o aquecimento da primeira época (cache do conjunto de dados, captura de grafo CUDA) e a validação do final da execução. O tamanho do lote resolvido, o pico de VRAM (incluindo o contexto CUDA) e o pico de energia da placa são registrados diretamente de cada GPU.

Custo-benefício. Imagens por dólar = taxa de transferência × 3600 ÷ preço por hora, usando o preço sob demanda da Ultralytics Platform — isso frequentemente reordena o ranking drasticamente, já que placas com melhor valor superam GPUs emblemáticas por dólar. Medido no ultralytics 8.4.68, torch 2.8, CUDA 12.8. Vê também a documentação dos modos Train e Benchmark.

Metodologia de inferência

Usamos a latência de inferência — milissegundos por imagem no batch 1 — como referência; é o que importa para a implantação em tempo real. Cada tamanho de YOLO26 é exportado para o formato e precisão mostrados, então cronometramos a previsão em estado estacionário (aquecimento excluído, tempos por execução com corte sigma) nas mesmas GPUs da Ultralytics Platform onde fazes a implantação.

Formatos & precisão. Em GPUs NVIDIA: PyTorch FP16, ONNX FP16 e TensorRT FP16/INT8 (TensorRT 11.1.0.106 via NVIDIA ModelOpt). O INT8 é calibrado no COCO128; a precisão (mAP50-95 no COCO val2017) é medida uma vez por formato/precisão e mostrada por linha, para que o trade-off entre velocidade↔precisão seja explícito. O INT8 compensa mais em modelos maiores, limitados pela computação — nos menores modelos, seu overhead de quantização pode se igualar ou ficar ligeiramente atrás do FP16. A inferência ONNX é executada em GPUs Ada/Ampere/Hopper (o onnxruntime ainda não possui kernels Blackwell).

Apple Silicon. Dispositivos Mac (ex: Apple M5 Pro) são perfilados localmente e mesclados na tabela — escolhe um formato para compará-los diretamente com as GPUs em nuvem, ou filtra pela geração Apple Silicon. CoreML roda no Neural Engine (o caminho mais rápido da Apple, ~3× CPU), PyTorch no GPU MPS e ONNX na CPU; a coluna Backend de cada linha nomeia o tempo de execução. O CoreML é cronometrado com coremltools no ANE — uma tela de host relativa, não um número de dispositivo iPhone. Hardware próprio não possui preço de aluguel, portanto, o custo-benefício (img/$) é apenas para GPU.

Custo-benefício. Inferências por dólar = FPS × 3600 ÷ preço por hora, usando o preço sob demanda da Ultralytics Platform. Medido no ultralytics 8.4.71, torch 2.12, CUDA 13.2. Vê também a documentação dos modos Predict e Benchmark.