Ultralytics vs YOLO11 YOLOv8: Qual deles deve usar?

Os sistemas de visão computacional de última geração, frequentemente baseados em redes neurais convolucionais (CNNs), permitem que as máquinas analisem e interpretem dados visuais provenientes de imagens e vídeos, e estão agora a ser implementados numa vasta gama de ambientes. 

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

Na prática, a implementação destes modelos nem sempre é simples. Muitas vezes, têm de funcionar com recursos computacionais limitados, 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 uma questão de precisão.

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

Os modelos de visão computacional, como YOLO Ultralytics , evoluíram tendo em conta este equilíbrio. Por exemplo, Ultralytics YOLOv8 estabeleceu uma base sólida e versátil, Ultralytics YOLO11 deu mais um passo em frente com maior velocidade e precisão, e Ultralytics aproveita isso para ser mais leve, mais rápido e mais eficiente do que nunca.

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

Compreender comoYOLO Ultralytics evoluíram

Cada iteração dosYOLO Ultralytics introduziu melhorias para responder melhor às necessidades do mundo real e tornar a visão computacional mais acessível. Estas atualizações tornaram os modelos mais rápidos, mais eficientes e mais fáceis de implementar, contribuindo para o crescimento do ecossistema de IA de visão. 

Além disso, são desenvolvidos com base PyTorch, o que facilita o seu treino, personalização e integração em fluxos de trabalho inteligentes de aprendizagem automática. De imediato,YOLO Ultralytics estão disponíveis como modelos pré-treinados, frequentemente treinados em conjuntos COCO como COCO , permitindo que as equipas comecem rapidamente e os ajustem para casos de utilização específicos.

Além disso, o Python Ultralytics simplifica a implementação, oferecendo suporte integrado para a exportação de modelos para formatos como ONNX TensorRT. Isto facilita a integração de modelos em diferentes plataformas de hardware, desde dispositivos de borda até sistemas GPU.

Passar do Ultralytics YOLOv5 Ultralytics

O primeiroYOLO Ultralytics , Ultralytics YOLOv5, tornou-se muito popular pelas suas capacidades fiáveis de deteção de objetos. Baseado numa abordagem de deteção de uma única fase, permitiu previsões rápidas e em tempo real numa única passagem, tornando-o adequado para fluxos de trabalho de produção. 

Atualizações posteriores introduziram variantes sem âncoras, nas quais o modelo prevê diretamente a localização dos objetos, em vez de utilizar caixas de âncora predefinidas, tornando a deteção mais flexível. No entanto, o modelo original continuou a centrar-se principalmente em tarefas de deteção de objetos.

Com base nestes fundamentos, YOLOv8 o âmbito da família de modelos. Em vez de se concentrar apenas na deteção de objetos, passou a suportar várias tarefas de visão computacional, tais como segmentação de instâncias, classificação de imagens, estimativa de poses e deteção de caixas delimitadoras orientadas (OBB). Trouxe também melhorias arquitetónicas, incluindo designs avançados das camadas «backbone» e «neck», que melhoraram a extração de características e o desempenho geral da deteção. 

Além disso, variantes como YOLOv8n Nano), YOLOv8s Pequeno), YOLOv8m Médio), YOLOv8l Grande) e YOLOv8x Extragrande) proporcionaram aos programadores a flexibilidade necessária para equilibrar velocidade, precisão e consumo de recursos de acordo com as suas necessidades. Esta capacidade alargada, combinada com a sua facilidade de utilização, tornou-o a escolha preferida para uma vasta gama de aplicações de visão.

Posteriormente, YOLO11 em melhorar o desempenho em fluxos de trabalho reais, proporcionando maior precisão e velocidades de inferência mais rápidas. Com uma arquitetura mais leve, funciona bem tanto em ambientes de borda como na nuvem, sendo simultaneamente compatível com YOLOv8 existentes YOLOv8 .

A mais recente adição à famíliaYOLO Ultralytics , o YOLO26, é um modelo de última geração que estabelece um novo padrão para a IA de visão com prioridade na periferia, 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 incorporados, simplificando simultaneamente a implementação e melhorando o desempenho em tempo real numa vasta gama de aplicações.

Comparação entre o YOLO26, YOLO11 YOLOv8

Ao trabalhar em projetos de visão computacional, poderá deparar-se com diferentes Ultralytics e questionar-se sobre qual o mais adequado para o seu projeto. Vamos analisar como o YOLO26, YOLO11 YOLOv8 em cenários reais.

YOLOv8 lançado em 2023 e, desde então, tem sido amplamente utilizado pela comunidade de visão computacional. O forte apoio da comunidade e a sua facilidade de utilização tornaram-no, no passado, um modelo de referência para muitas equipas. Se procura um modelo bem documentado, com uma vasta gama de tutoriais, guias e recursos da comunidade, YOLOv8 um excelente ponto de partida.

Em 2024, YOLO11 lançado com melhorias tanto em termos de desempenho como de eficiência. Oferece maior velocidade e precisão em comparação com YOLOv8, mantendo uma arquitetura mais compacta e otimizada. Trata-se de um modelo mais equilibrado, que apresenta um desempenho fiável em ambiente de produção sem aumentar significativamente o consumo de recursos. 

Este ano, foi lançada a versão mais recente, o YOLO26, que se centra na implementação eficiente em grande escala. Oferece CPU mais rápida CPU e uma melhor utilização dos recursos, permitindo que as equipas executem mais cargas de trabalho no mesmo hardware. 

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

Em geral, o YOLO26 é uma escolha sólida para equipas e indivíduos que procuram otimizar o equilíbrio entre desempenho, custo e escalabilidade.

Uma análise mais detalhada do Ultralytics

O YOLO26 é um modelo de última geração concebido para implementação no mundo real, onde a eficiência, a velocidade e a escalabilidade são tão importantes quanto a precisão. Em vez de se concentrar apenas na melhoria do desempenho em testes de benchmark, 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 borda e de produção, onde a capacidade de computação limitada, as restrições de latência e as considerações de custo desempenham um papel fundamental. Ao simplificar a inferência e otimizar o desempenho, o YOLO26 permite que os entusiastas da IA criem e dimensionem aplicações de visão de forma mais eficiente.

Aqui está uma análise mais detalhada de algumas das principais funcionalidades do YOLO26:

• Inferência NMS de ponta a ponta: Uma das mudanças cruciais é o seu design sem supressão do máximo (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 fica mais fácil.
• Remoção do DFL: O YOLO26 abandona o módulo Distribution Focal Loss (DFL) em favor de uma abordagem mais simples de previsão de caixas delimitadoras. Esta alteração está em consonância com o seu design de ponta a ponta, NMS, reduzindo a complexidade do pipeline e melhorando a consistência da implementação.
• Otimizador MuSGD: Os mais recentesYOLO Ultralytics introduzem o MuSGD, um otimizador híbrido que combina o Descenso de Gradiente Estocástico (SGD) com atualizações inspiradas no muão. Isto melhora a estabilidade e a convergência do treino, levando a uma otimização mais suave e a um comportamento mais consistente em modelos de diferentes dimensões.
• ‍ProgLoss e STAL: Estas inovações no treino, o Progressive Loss Balancing (ProgLoss) e o Small-Target-Aware Label Assignment (STAL), tornam o modelo mais estável e fiável. O ProgLoss ajuda o modelo a aprender com os conjuntos de dados por fases ao longo do tempo, enquanto o STAL garante que os objetos pequenos não sejam ignorados durante o treino, melhorando a deteção em cenas complexas.

Precisão vs. eficiência: Para além dos benchmarks, rumo ao desempenho no mundo real

Para YOLOv8 as diferenças entre o YOLO26, YOLO11 e YOLOv8 , vamos compreender melhor os fatores que determinam o desempenho dos modelos na prática.

A precisão, frequentemente medida por métricas de desempenho como a precisão média (mAP), tem sido, há muito tempo, uma forma importante de avaliar modelos de visão computacional. Ela mostra o desempenho de um modelo em condições padronizadas e é útil na comparação entre diferentes versões.

No entanto, quando os modelos passam da fase de testes para a implementação no mundo real, a precisão por si só não é suficiente. O desempenho em produção depende de fatores como o tamanho do modelo, o tempo de inferência ou a latência, o consumo de recursos computacionais e a capacidade do sistema de se adaptar a diferentes ambientes.

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

Por exemplo, imagine uma configuração com centenas de câmaras numa cidade inteligente, numa loja de retalho ou num armazém. Cada fluxo de vídeo 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 consegue processar menos fluxos simultâneos num determinado sistema, o que significa que o dimensionamento requer normalmente hardware adicional e aumenta os custos de infraestrutura.

Modelos mais eficientes, como o YOLO26, conseguem processar mais fluxos no mesmo hardware, aproveitando melhor os recursos disponíveis. Isto melhora a eficiência geral do sistema e facilita a expansão das implementações ao longo do tempo.

Para aprofundar o seu conhecimento sobre o YOLO26, YOLO11 YOLOv8, consulte a Ultralytics oficial Ultralytics .

Principais conclusões 

A sérieYOLO Ultralytics evoluiu para melhor responder às necessidades reais de implementação. Cada versão baseia-se na anterior, com uma ênfase crescente na eficiência, escalabilidade e facilidade de implementação. Por outras palavras, se estiver a desenvolver uma aplicação de deteção em tempo real que precise de funcionar de forma fiável em grande escala, Ultralytics é a escolha perfeita.

Quer integrar a IA de visão nas suas operações? Conheça as nossas opções de licenciamento. Pode também visitar as nossas páginas de soluções para ver como a IA na indústria transformadora está a revolucionar as fábricas e como a IA de visão na robótica está a moldar o futuro. Junte-se à nossa comunidade em crescimento e explore o nosso repositório GitHub para obter recursos de IA.