Ultralytics YOLO26 vs YOLO11 vs YOLOv8: Qual deves usar?

Sistemas de visão computacional de última geração, frequentemente impulsionados por redes neuronais convolucionais (CNNs), permitem que máquinas analisem e interpretem dados visuais de imagens e vídeos, sendo agora implementados numa vasta gama de ambientes.

Desde a agricultura até ao retalho e fabrico, estes sistemas operam numa série de ambientes de implementação, incluindo dispositivos de edge, hardware incorporado, dispositivos de Internet das Coisas (IoT), processamento no dispositivo e pipelines de nuvem de grande escala que suportam aplicações em tempo real.

Na utilização no mundo real, implementar estes modelos nem sempre é simples. Frequentemente, precisam de correr com computação limitada, cumprir requisitos rigorosos de latência e escalar sem aumentar significativamente os custos. Estas restrições tornam o desempenho um problema multidimensional, em vez de se tratar apenas de precisão.

Embora a precisão continue a ser importante, é igualmente fundamental que um modelo corra eficientemente em produção. Fatores como velocidade, utilização de recursos e escalabilidade desempenham um papel importante na forma como um sistema funciona ao longo do tempo.

Modelos de visão computacional como os modelos Ultralytics YOLO foram desenvolvidos a pensar neste equilíbrio. Por exemplo, o Ultralytics YOLOv8 estabeleceu uma base sólida e versátil, o Ultralytics YOLO11 levou isso mais longe com melhorias na velocidade e precisão, e o Ultralytics YOLO26 baseia-se nisto sendo mais leve, mais rápido e mais eficiente do que nunca.

Fig 1. Usar o Ultralytics YOLO26 para detetar objetos numa imagem (Fonte)

Neste artigo, vamos comparar o Ultralytics YOLO26, o YOLO11 e o YOLOv8 para te ajudar a escolher o modelo certo para o teu projeto de visão computacional. Vamos começar!

Link to this sectionCompreender como os modelos Ultralytics YOLO evoluíram#

Cada iteração dos modelos Ultralytics YOLO introduziu melhorias para satisfazer melhor os requisitos do mundo real e tornar a visão computacional mais acessível. Estas atualizações tornaram os modelos mais rápidos, mais eficientes e mais fáceis de implementar, apoiando o crescimento do ecossistema de IA de visão.

Também são construídos sobre PyTorch, tornando-os fáceis de treinar, personalizar e integrar em fluxos de trabalho inteligentes de aprendizagem automática. Prontos a usar, os modelos Ultralytics YOLO estão disponíveis como modelos pré-treinados, frequentemente treinados em conjuntos de dados como o COCO, permitindo que as equipas comecem rapidamente e os ajustem para casos de uso específicos.

Além disto, o pacote Python Ultralytics simplifica a implementação ao fornecer suporte integrado para exportar modelos para formatos como ONNX e TensorRT. Isto torna mais fácil integrar modelos em diferentes plataformas de hardware, desde dispositivos de edge até sistemas acelerados por GPU.

Link to this sectionA evolução do Ultralytics YOLOv5 para o Ultralytics YOLO26#

O primeiro modelo Ultralytics YOLO, Ultralytics YOLOv5, tornou-se amplamente popular pelas suas capacidades fiáveis de deteção de objetos. Construído com base numa abordagem de deteção de um único estágio, permitiu previsões rápidas em tempo real numa única passagem, tornando-o adequado para fluxos de trabalho de produção.

Atualizações posteriores introduziram variantes sem âncoras (anchor-free), onde o modelo prevê localizações de objetos diretamente em vez de usar caixas delimitadoras predefinidas, tornando a deteção mais flexível. No entanto, o modelo original permaneceu focado principalmente em tarefas de deteção de objetos.

Construindo sobre esta base, o YOLOv8 expandiu o âmbito da família de modelos. Em vez de se focar apenas na deteção de objetos, adicionou suporte para múltiplas tarefas de visão computacional, tais como segmentação de instâncias, classificação de imagens, estimativa de pose e deteção de caixas delimitadoras orientadas (OBB). Também trouxe melhorias arquitetónicas, incluindo designs avançados de backbone e neck, que melhoraram a extração de características e o desempenho geral da deteção.

Para além disto, variantes como YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) e YOLOv8x (Extra Large) deram aos programadores a flexibilidade de equilibrar velocidade, precisão e uso de recursos com base nas suas necessidades. Esta capacidade mais ampla, combinada com a facilidade de uso, tornou-o numa escolha preferencial para uma vasta gama de aplicações de visão.

Fig 2. Modelos YOLO como o YOLOv8, YOLO11 e YOLO26 suportam uma gama de tarefas de visão.

Seguidamente, o YOLO11 focou-se em melhorar o desempenho em fluxos de trabalho do mundo real, proporcionando uma precisão superior juntamente com velocidades de inferência mais rápidas. Com uma arquitetura mais leve, funciona bem tanto em ambientes de edge como de nuvem, sendo compatível com pipelines YOLOv8 existentes.

A mais recente adição à família de modelos Ultralytics YOLO, o YOLO26, é um modelo de ponta que define um novo padrão para a IA de visão focada em edge, oferecendo uma abordagem mais leve, mais rápida e mais eficiente para a implementação no mundo real. Foi concebido para correr eficientemente em CPUs e sistemas incorporados, simplificando a implementação e melhorando o desempenho em tempo real numa vasta gama de aplicações.

Link to this sectionComparação entre o YOLO26, o YOLO11 e o YOLOv8#

Ao trabalhar em projetos de visão computacional, podes encontrar diferentes modelos Ultralytics e perguntar-te qual é o certo para o teu projeto. Vamos percorrer a comparação entre o YOLO26, o YOLO11 e o YOLOv8 em cenários do mundo real.

O YOLOv8 foi lançado em 2023 e tem sido amplamente utilizado pela comunidade de visão computacional desde então. O seu forte suporte da comunidade e facilidade de uso tornaram-no um modelo de eleição para muitas equipas no passado. Se procuras um modelo bem documentado com uma vasta gama de tutoriais, guias e recursos da comunidade, o YOLOv8 é um excelente ponto de partida.

Em 2024, o YOLO11 foi introduzido com melhorias tanto no desempenho como na eficiência. Oferece melhor velocidade e precisão em comparação com o YOLOv8, mantendo uma arquitetura menor e mais otimizada. É um modelo mais equilibrado que funciona de forma fiável em produção sem aumentar significativamente a utilização de recursos.

Este ano, o YOLO26 foi lançado como a iteração mais recente, focando-se na implementação eficiente à escala. Oferece inferência de CPU mais rápida e melhor utilização de recursos, permitindo que as equipas executem mais cargas de trabalho no mesmo hardware.

Por exemplo, o modelo nano do YOLO26 pode atingir até 43% de inferência mais rápida do que o YOLO11 em unidades centrais de processamento (CPU), tornando-o uma excelente opção para ambientes de edge e com recursos limitados. Isto é especialmente vital porque as configurações tradicionais dependem frequentemente de unidades de processamento gráfico (GPU), que podem ser dispendiosas e mais difíceis de escalar.

Fig 3. Benchmarking do desempenho do YOLO26 em CPUs (Fonte)

No geral, o YOLO26 é uma escolha sólida para equipas e indivíduos que procuram otimizar o compromisso entre desempenho, custo e escalabilidade.

Link to this sectionUm olhar mais atento sobre o Ultralytics YOLO26#

O YOLO26 é um modelo de ponta concebido para a implementação no mundo real, onde a eficiência, a velocidade e a escalabilidade importam tanto quanto a precisão. Em vez de se focar apenas na melhoria do desempenho em benchmarks, introduz alterações arquitetónicas e de treino que tornam os modelos mais fáceis de executar, mais rápidos de implementar e mais fiáveis em diferentes ambientes de hardware.

Estas melhorias são especialmente importantes para sistemas de edge e de produção, onde a computação limitada, as restrições de latência e as considerações de custos desempenham um papel fundamental. Ao simplificar a inferência e otimizar o desempenho, o YOLO26 permite que entusiastas de IA construam e escalem aplicações de visão de forma mais eficiente.

Aqui tens um olhar mais atento sobre algumas das principais funcionalidades do YOLO26:

• Inferência end-to-end sem NMS: Uma das alterações cruciais é o seu design sem supressão de não-máximos (NMS), que elimina a necessidade de pós-processamento. Em termos simples, o modelo produz previsões finais diretamente. Como resultado, a latência torna-se mais previsível e a implementação torna-se mais fácil.
• Remoção do DFL: O YOLO26 afasta-se do módulo Distribution Focal Loss (DFL) para uma abordagem de previsão de caixa delimitadora mais simples. Esta alteração alinha-se com o seu design end-to-end sem NMS, reduzindo a complexidade do pipeline e melhorando a consistência da implementação.
• Otimizador MuSGD: Os modelos Ultralytics YOLO mais recentes introduzem o MuSGD, um otimizador híbrido que combina Stochastic Gradient Descent (SGD) com atualizações inspiradas em Muon. Isto melhora a estabilidade e a convergência do treino, conduzindo a uma otimização mais suave e a um comportamento mais consistente em diferentes tamanhos de modelo.
• ProgLoss e STAL: Estas inovações de treino, Progressive Loss Balancing (ProgLoss) e Small-Target-Aware Label Assignment (STAL), tornam o modelo mais estável e fiável. O ProgLoss ajuda o modelo a aprender com conjuntos de dados em fases ao longo do tempo, enquanto o STAL garante que pequenos objetos não são ignorados durante o treino, melhorando a deteção em cenas complexas.

Link to this sectionPrecisão vs eficiência: Para além dos benchmarks, o desempenho no mundo real#

Para contextualizar as diferenças entre o YOLO26, o YOLO11 e o YOLOv8, vamos compreender melhor os fatores que impulsionam o desempenho do modelo na utilização no mundo real.

A precisão, frequentemente medida por métricas de desempenho como a precisão média média (mAP), tem sido uma forma importante de avaliar modelos de visão computacional durante muito tempo. Mostra o desempenho de um modelo em condições normalizadas e é útil ao comparar diferentes versões.

No entanto, uma vez que os modelos passam dos testes para a implementação no mundo real, apenas a precisão não é suficiente. O desempenho em produção depende de fatores como o tamanho do modelo, o tempo de inferência ou latência, a utilização de computação e a capacidade de um sistema escalar em diferentes ambientes.

Ao contrário dos benchmarks controlados, os ambientes do mundo real são frequentemente imprevisíveis. As condições de iluminação podem mudar, os objetos podem estar parcialmente visíveis e os dados de entrada podem variar significativamente daqueles em que o modelo foi treinado. Estas variações podem afetar a consistência do desempenho de um modelo na prática.

Fig 4. Um exemplo do YOLO26 a ser usado num ambiente imprevisível, como um estaleiro de construção.

Por exemplo, considera uma configuração com centenas de câmaras numa cidade inteligente, loja de retalho ou armazém. Cada fluxo precisa de ser processado em tempo real, exigindo frequentemente taxas de fotogramas consistentes (fotogramas por segundo, ou FPS) para evitar atrasos ou perda de fotogramas.

Um modelo menos eficiente pode lidar com menos fluxos simultâneos num determinado sistema, o que significa que o escalonamento exige tipicamente hardware adicional e aumenta os custos de infraestrutura.

Modelos mais eficientes, como o YOLO26, conseguem processar mais fluxos no mesmo hardware, tirando melhor partido dos recursos disponíveis. Isto melhora a eficiência geral do sistema e torna mais fácil escalar as implementações ao longo do tempo.

Para te aprofundares na comparação entre o YOLO26, o YOLO11 e o YOLOv8, consulta a documentação oficial do Ultralytics.

Link to this sectionPrincipais conclusões#

A série de modelos Ultralytics YOLO evoluiu para corresponder melhor às necessidades de implementação no mundo real. Cada versão baseia-se na anterior, com um foco crescente na eficiência, escalabilidade e facilidade de implementação. Por outras palavras, se estás a construir uma aplicação de deteção em tempo real que precisa de correr de forma fiável à escala, o Ultralytics YOLO26 é a escolha perfeita.

Queres trazer IA de visão para as tuas operações? Consulta as nossas opções de licenciamento. Podes também visitar as nossas páginas de soluções para ver como a IA no fabrico está a transformar fábricas e como a IA de visão na robótica está a moldar o futuro. Junta-te à nossa comunidade em crescimento e explora o nosso repositório GitHub para recursos de IA.