Ultralytics YOLO26 vs. YOLO11 vs. YOLOv8: qual deve utilizar?

Sistemas de vanguarda de visão computacional, frequentemente alimentados por redes neuronais convolucionais (CNNs), permitem que as máquinas analisem e interpretem dados visuais de imagens e vídeos, estando agora a ser implementados numa ampla variedade de ambientes.

Da agricultura à indústria transformadora e ao retalho, estes sistemas funcionam numa variedade de ambientes de implementação, incluindo dispositivos edge, hardware incorporado, dispositivos da Internet das Coisas (IoT), processamento no dispositivo e pipelines de cloud de grande escala que suportam aplicações em tempo real.

Na utilização no mundo real, a implementação destes modelos nem sempre é simples. Muitas vezes, precisam de funcionar com capacidade computacional 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 resumir apenas à precisão.

Embora a precisão continue a ser importante, é igualmente importante 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.

Os 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 levou esse trabalho mais longe com melhorias na velocidade e na precisão, e o Ultralytics YOLO26 baseia-se nisso, sendo mais leve, rápido e eficiente do que nunca.

Fig. 1. Utilização do Ultralytics YOLO26 para detetar objetos numa imagem (Fonte)

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

Compreender a evolução dos modelos Ultralytics YOLO#

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

Além disso, são desenvolvidos com base em PyTorch, o que facilita o seu treino, personalização e integração em fluxos de trabalho inteligentes de machine learning. Prontos a utilizar, os modelos Ultralytics YOLO estão disponíveis como modelos pré-treinados, frequentemente treinados em datasets como o dataset COCO, permitindo que as equipas comecem rapidamente e os ajustem para casos de utilização específicos.

Além disso, o pacote Ultralytics Python 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.

Do Ultralytics YOLOv5 ao Ultralytics YOLO26#

O primeiro modelo Ultralytics YOLO, Ultralytics YOLOv5, tornou-se amplamente popular pelas suas capacidades fiáveis de deteção de objetos. Desenvolvido com base numa abordagem de deteção de uma só etapa, permitia fazer previsões rápidas em tempo real numa única passagem, sendo adequado para fluxos de trabalho de produção.

As atualizações posteriores introduziram variantes sem âncoras, nas quais o modelo prevê diretamente as localizações dos objetos em vez de utilizar caixas-âncora predefinidas, tornando a deteção mais flexível. No entanto, o modelo original continuou focado principalmente em tarefas de deteção de objetos.

Com base nesta fundação, o Ultralytics YOLOv8 alargou o âmbito da família de modelos. Em vez de se focar apenas na deteção de objetos, adicionou suporte para várias tarefas de visão computacional, como segmentação de instâncias, classificação de imagens, estimativa de pose e deteção de caixas delimitadoras orientadas (OBB). Também introduziu melhorias arquiteturais, 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 abrangente, combinada com a facilidade de utilização, tornou-o uma escolha preferencial para uma ampla variedade de aplicações de visão.

Fig. 2. Os modelos YOLO, como YOLOv8, YOLO11 e YOLO26, suportam uma variedade de tarefas de visão.

De seguida, o Ultralytics YOLO11 focou-se na melhoria do desempenho em fluxos de trabalho do mundo real, proporcionando maior precisão e velocidades de inferência mais rápidas. Com uma arquitetura mais leve, funciona bem tanto em ambientes edge como cloud, sendo compatível com pipelines YOLOv8 existentes.

A mais recente adição à família de modelos Ultralytics YOLO, o YOLO26, é um modelo de vanguarda que estabelece um novo padrão para a IA de visão orientada para edge, proporcionando uma abordagem mais leve, rápida e eficiente à implementação no mundo real. Foi concebido para funcionar de forma eficiente em CPUs e sistemas incorporados, simplificando a implementação e melhorando o desempenho em tempo real numa ampla variedade de aplicações.

Comparação entre YOLO26 vs YOLO11 vs YOLOv8#

Ao trabalhar em projetos de visão computacional, podes encontrar diferentes modelos Ultralytics e perguntar-te qual é o mais adequado para o teu projeto. Vamos analisar como YOLO26 vs YOLO11 vs 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 forte apoio da comunidade e a facilidade de utilização fizeram dele um modelo de referência para muitas equipas no passado. Se procuras um modelo bem documentado, com uma ampla variedade de tutoriais, guias e recursos da comunidade, o YOLOv8 é um excelente ponto de partida.

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

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

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

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

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

Uma análise mais detalhada do Ultralytics YOLO26#

O Ultralytics YOLO26 é um modelo de vanguarda concebido para a implementação no mundo real, onde a eficiência, a velocidade e a escalabilidade são tão importantes como a precisão. Em vez de se focar apenas na melhoria do desempenho em benchmarks, introduz alterações arquiteturais 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 a capacidade computacional limitada, as restrições de latência e as considerações de custo desempenham um papel fundamental. Ao simplificar a inferência e otimizar o desempenho, o Ultralytics YOLO26 permite que os entusiastas de IA criem e escalem aplicações de visão de forma mais eficiente.

Eis uma análise mais detalhada de algumas das principais funcionalidades do Ultralytics YOLO26:

• Inferência sem NMS de ponta a ponta: 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 diretamente as previsões finais. Como resultado, a latência torna-se mais previsível e a implementação fica mais fácil.
• Remoção do DFL: O Ultralytics YOLO26 abandona o módulo Distribution Focal Loss (DFL) em favor de uma abordagem mais simples à previsão de caixas delimitadoras. Esta alteração está alinhada com o seu design de ponta a ponta e 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 no Muon. Isto melhora a estabilidade e a convergência do treino, resultando numa otimização mais suave e num 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 os datasets por etapas ao longo do tempo, enquanto o STAL garante que os objetos pequenos não são ignorados durante o treino, melhorando a deteção em cenas complexas.

Precisão vs eficiência: dos benchmarks ao desempenho no mundo real#

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

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

No entanto, quando os modelos passam dos 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, a utilização de recursos computacionais 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 em relação aos dados utilizados para treinar o modelo. Estas variações podem afetar a consistência do desempenho de um modelo na prática.

Fig. 4. Exemplo da utilização do Ultralytics YOLO26 num ambiente imprevisível, como um estaleiro de construção.

Por exemplo, considera uma configuração com centenas de câmaras numa cidade inteligente, numa loja de retalho ou num armazém. Cada stream 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 streams simultâneos num determinado sistema, o que significa que a escalabilidade normalmente exige hardware adicional e aumenta os custos de infraestrutura.

Modelos mais eficientes, como o Ultralytics YOLO26, conseguem processar mais streams 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 aprofundares a comparação entre YOLO26 vs YOLO11 vs YOLOv8, consulta a documentação oficial da Ultralytics.

Principais conclusões#

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

Queres integrar a IA de visão nas tuas operações? Consulta as nossas opções de licenciamento. Também podes visitar as nossas páginas de soluções para veres como a IA na indústria transformadora está a transformar as 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 do GitHub para encontrares recursos de IA.