Ultralytics YOLO26 vs YOLO11 vs YOLOv8: Qual deves usar?

Sistemas de visão computacional de última geração, frequentemente alimentados por redes neuronais convolucionais (CNNs), permitem que as máquinas analisem e interpretem dados visuais de imagens e vídeos, sendo agora implementados numa vasta gama 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 modelos Ultralytics YOLO evoluíram tendo este equilíbrio em mente. Por exemplo, o Ultralytics YOLOv8 estabeleceu uma base sólida e versátil, o Ultralytics YOLO11 deu um passo em frente com melhorias na velocidade e precisão, e o Ultralytics YOLO26 parte daí para ser 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, YOLO11 e 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 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 pacote Python da Ultralytics simplifica a implementação ao fornecer suporte integrado para exportar modelos para formatos como ONNX e TensorRT. Isto facilita a integração de modelos em diferentes plataformas de hardware, desde dispositivos edge a sistemas acelerados por GPU.

Link to this sectionDo Ultralytics YOLOv5 ao Ultralytics YOLO26#

O primeiro modelo Ultralytics YOLO, o Ultralytics YOLOv5, tornou-se amplamente popular pelas suas capacidades fiáveis de deteção de objetos. Construído com uma abordagem de deteção de estágio único, permitia previsões rápidas em tempo real numa única passagem, tornando-o bem adequado 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.

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, como segmentação de instâncias, classificação de imagens, estimativa de pose e deteção de caixa delimitadora orientada (OBB). Trouxe também melhorias arquitetónicas, incluindo designs avançados de backbone e neck, que melhoraram a extração de características e o desempenho geral da deteção.

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.

Na sequência, o YOLO11 focou-se em melhorar o desempenho em fluxos de trabalho reais, proporcionando maior precisão juntamente com velocidades de inferência mais rápidas. Com uma arquitetura mais leve, funciona bem em ambientes edge e na 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 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.

Link to this sectionComparando 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 YOLOv8 foi lançado em 2023 e tem sido amplamente utilizado pela comunidade de visão computacional desde então. O seu forte apoio da comunidade e facilidade de utilização tornaram-no num modelo de referência 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 ótimo ponto de partida.

Em 2024, o YOLO11 foi introduzido com melhorias tanto em desempenho quanto em 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. Proporciona uma inferência de CPU mais rápida e uma melhor utilização dos recursos, permitindo que as equipas executem mais cargas de trabalho no mesmo hardware.

Por exemplo, o modelo YOLO26 nano pode atingir uma inferência até 43% mais rápida do que o YOLO11 em unidades de processamento central (CPU), tornando-o uma ótima opção para ambientes edge e com recursos limitados. Isto é especialmente vital porque as configurações tradicionais dependem frequentemente de unidades de processamento gráfico (GPUs), 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 as compensações entre desempenho, custo e escalabilidade.

Link to this sectionUm olhar mais atento ao Ultralytics YOLO26#

O YOLO26 é um modelo de ponta concebido para a implementação no mundo real, onde a eficiência, a velocidade e a escalabilidade são tão importantes quanto a precisão. Em vez de se focar apenas na melhoria do desempenho nos 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 edge e de produção, onde recursos computacionais limitados, restrições de latência e considerações de custo desempenham um papel fundamental. Ao simplificar a inferência e otimizar o desempenho, o YOLO26 permite que entusiastas da AI construam e escalem aplicações de visão de forma mais eficiente.

Aqui tens um olhar mais atento a algumas das principais características do YOLO26:

• Inferência de ponta a ponta sem NMS: Uma das alterações cruciais é o seu design sem Supressão Não Máxima (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 de DFL: O YOLO26 afasta-se do módulo Distribution Focal Loss (DFL) para uma abordagem de previsão de caixa delimitadora mais simples. Esta mudança alinha-se com o seu design de ponta a ponta 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, levando a uma otimização mais suave e um comportamento mais consistente entre 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 sejam 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, 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 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 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 YOLO26, podem processar mais fluxos no mesmo hardware, aproveitando melhor os recursos disponíveis. Isto melhora a eficiência global do sistema e facilita a escalabilidade das implementações ao longo do tempo.

Para aprofundar a comparação entre o YOLO26, YOLO11 e YOLOv8, consulta a documentação oficial da Ultralytics.

Link to this sectionPrincipais 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 tuas operações? Confere as nossas opções de licenciamento. Também podes visitar as nossas páginas de soluções para ver como a IA na manufatura está a transformar fábricas e como a IA de visão na robótica está a moldar o futuro. Junta-te à nossa crescente comunidade e explora o nosso repositório GitHub para recursos de IA.