Ultralytics YOLO26 vs YOLO11 vs YOLOv8: Qual deves usar?

Sistemas de computer vision de ponta, frequentemente impulsionados por redes neurais convolucionais (CNNs), permitem que as máquinas analisem e interpretem dados visuais de imagens e vídeos, e agora estão sendo implementados em uma ampla variedade de ambientes.

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

Em cenários reais, a implementação destes modelos nem sempre é simples. Frequentemente, precisam de funcionar com recursos computacionais limitados, cumprir requisitos rigorosos de latência e escalar sem aumentar significativamente os custos. Estas restrições fazem do desempenho um problema multidimensional, em vez de uma questão apenas de precisão.

Embora a precisão continue a ser importante, é igualmente fundamental que um modelo funcione de forma eficiente em produção. Fatores como a velocidade, a utilização de recursos e a escalabilidade desempenham um papel importante no desempenho de um sistema ao longo do tempo.

Modelos de visão computacional como os Ultralytics YOLO models evoluíram com esse equilíbrio em mente. Por exemplo, o Ultralytics YOLOv8 estabeleceu uma base sólida e versátil, o Ultralytics YOLO11 foi além com velocidade e precisão aprimoradas, e o Ultralytics YOLO26 baseia-se nisso sendo mais leve, rápido e eficiente do que nunca.

Fig 1. Usando o Ultralytics YOLO26 para detectar objetos em uma imagem (Source)

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

Compreender 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 visão AI.

São também 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 conjunto de dados COCO, permitindo que as equipas comecem rapidamente e os ajustem para casos de uso específicos.

Além disso, o Ultralytics Python package simplifica a implementação ao fornecer suporte integrado para exportar modelos para formatos como ONNX e TensorRT. Isso facilita a integração de modelos em diferentes plataformas de hardware, desde dispositivos de borda até sistemas acelerados por GPU.

Do Ultralytics YOLOv5 ao Ultralytics YOLO26#

O primeiro modelo Ultralytics YOLO, o Ultralytics YOLOv5, tornou-se amplamente popular por suas capacidades confiáveis de detecção de objetos. Construído com base em uma abordagem de detecção de estágio único, ele permitia previsões rápidas em tempo real em uma única passagem, tornando-o ideal para fluxos de trabalho de produção.

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

Com base nessa fundação, o Ultralytics YOLOv8 expandiu o escopo da família de modelos. Em vez de focar apenas na detecção de objetos, ele adicionou suporte a várias tarefas de visão computacional, como segmentação de instâncias, classificação de imagens, estimativa de pose e detecção de caixas delimitadoras orientadas (OBB). Ele também trouxe melhorias arquiteturais, incluindo designs avançados de backbone e neck, que aprimoraram a extração de recursos e o desempenho geral de detecção.

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

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

Em seguida, o Ultralytics YOLO11 focou em melhorar o desempenho em fluxos de trabalho do mundo real, entregando maior precisão junto com velocidades de inferência mais rápidas. Com uma arquitetura mais leve, ele funciona bem tanto em ambientes de edge quanto de nuvem, sendo compatível com pipelines existentes do YOLOv8.

A mais recente adição à família de modelos Ultralytics YOLO, o YOLO26, é um modelo de ponta que define um novo padrão para visão AI focada no edge, proporcionando uma abordagem mais leve, rápida e eficiente para a implementação no mundo real. Foi concebido para funcionar de forma eficiente em CPUs e sistemas embebidos, ao mesmo tempo que simplifica a implementação e melhora o desempenho em tempo real numa vasta gama de aplicações.

Comparando o YOLO26, YOLO11 e YOLOv8#

Ao trabalhares em projetos de visão computacional, podes encontrar diferentes modelos da Ultralytics e perguntar-te qual é o ideal para o teu projeto. Vamos analisar como o YOLO26, YOLO11 e YOLOv8 se comparam em cenários do mundo real.

O Ultralytics 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 referência para muitas equipas no passado. Se procuras um modelo bem documentado com uma ampla gama de tutoriais, guias e recursos da comunidade, o YOLOv8 é um excelente ponto de partida.

Em 2024, o Ultralytics YOLO11 foi introduzido com melhorias tanto em desempenho quanto em eficiência. Ele oferece melhor velocidade e precisão em comparação com o YOLOv8, mantendo uma arquitetura menor e mais otimizada. É um modelo mais equilibrado que tem um desempenho fiável em produção sem aumentar significativamente o uso de recursos.

Este ano, o Ultralytics YOLO26 foi lançado como a mais recente iteração, com foco na implantação eficiente em escala. Ele oferece inferência de CPU mais rápida e melhor utilização de recursos, permitindo que as equipes executem mais cargas de trabalho no mesmo hardware.

Por exemplo, o modelo nano do Ultralytics YOLO26 pode alcançar uma inferência até 43% mais rápida do que o YOLO11 em unidades de processamento central (CPU), tornando-o uma excelente opção para ambientes de edge e com restrição de recursos. Isto é especialmente vital porque as configurações tradicionais dependem frequentemente de unidades de processamento gráfico (GPUs), o que pode ser dispendioso e mais difícil de escalar.

Fig 3. Avaliação de desempenho do YOLO26 em CPUs (Source)

No geral, o Ultralytics YOLO26 é uma escolha sólida para equipes e indivíduos que buscam otimizar as compensações entre desempenho, custo e escalabilidade.

Um olhar mais atento ao Ultralytics YOLO26#

O Ultralytics YOLO26 é um modelo de ponta concebido para implantação no mundo real, onde a eficiência, a velocidade e a escalabilidade importam tanto quanto a precisão. Em vez de se focar apenas em melhorar o desempenho em benchmarks, introduz alterações arquiteturais e de treino que tornam os modelos mais fáceis de executar, mais rápidos de implantar 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 Ultralytics YOLO26 permite que os entusiastas de IA criem e dimensionem aplicações de visão de forma mais eficiente.

Aqui tens uma análise mais detalhada de algumas das principais características do Ultralytics YOLO26:

• End-to-end NMS-free inference: Uma das mudanças cruciais é o seu Non-Maximum Suppression-free (NMS) design, 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 fica mais fácil.
• Remoção do DFL: O Ultralytics YOLO26 afasta-se do módulo Distribution Focal Loss (DFL) em direção a uma abordagem de previsão de bounding box mais simples. Esta alteração alinha-se com o seu design de ponta a ponta sem NMS, reduzindo a complexidade do pipeline e melhorando a consistência da implantação.
• 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, levando a uma otimização mais suave e um comportamento mais consistente entre diferentes tamanhos de modelo.
• ProgLoss and STAL: Essas training innovations, o Progressive Loss Balancing (ProgLoss) e o Small-Target-Aware Label Assignment (STAL), tornam o modelo mais estável e confiável. O ProgLoss ajuda o modelo a aprender a partir de conjuntos de dados em estágios ao longo do tempo, enquanto o STAL garante que pequenos objetos não sejam ignorados durante o treinamento, melhorando a detecção em cenas complexas.

Precisão vs eficiência: Para além dos benchmarks, o desempenho no mundo real#

Para contextualizar as diferenças entre o YOLO26, YOLO11 e YOLOv8, vamos entender 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 quão bem um modelo funciona em condições normalizadas e é útil ao comparar versões diferentes.

No entanto, assim que os modelos passam dos testes para a implementação no mundo real, a precisão por si só não basta. O desempenho em produção depende de fatores como o tamanho do modelo, o tempo de inferência ou latência, a utilização de recursos computacionais e a capacidade de escalabilidade de um sistema em diferentes ambientes.

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

Fig 4. Um exemplo do Ultralytics YOLO26 sendo usado em um ambiente imprevisível, como um canteiro de obras.

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 processar menos fluxos simultâneos num determinado sistema, o que significa que o escalamento requer tipicamente hardware adicional e aumenta os custos de infraestrutura.

Modelos mais eficientes, como o Ultralytics YOLO26, conseguem processar mais fluxos no mesmo hardware, tirando melhor partido dos recursos disponíveis. Isto melhora a eficiência global do sistema e facilita a expansão das implantações ao longo do tempo.

Para mergulhar mais fundo no YOLO26 vs YOLO11 vs YOLOv8, confira a official Ultralytics docs.

Principais pontos#

A série de modelos Ultralytics YOLO evoluiu para corresponder melhor às necessidades de implementação no mundo real. Cada versão constrói-se sobre a 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 funcionar de forma fiável à escala, o Ultralytics YOLO26 é a escolha perfeita.

Quer levar a IA de visão para as suas operações? Confira nossas licensing options. Você também pode visitar nossas páginas de soluções para ver como AI in manufacturing está transformando as fábricas e como vision AI in robotics está moldando o futuro. Junte-se à nossa crescente community e explore nosso GitHub repository em busca de recursos de IA.