Ultralytics YOLO26 vs. YOLO11 vs. YOLOv8: qual você deve usar?

Os sistemas de visão computacional de ponta, frequentemente baseados em redes neurais convolucionais (CNNs), permitem às máquinas analisar e interpretar dados visuais de imagens e vídeos, e estão agora a ser implementados numa grande variedade de ambientes.

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

Na prática, implementar estes modelos nem sempre é simples. Muitas vezes, têm de funcionar com capacidade de computação limitada, cumprir requisitos rigorosos de latência e aumentar a escala sem elevar significativamente os custos. Estas limitações fazem do desempenho um problema multidimensional, que não se resume à precisão.

Embora a precisão continue a ser importante, é igualmente essencial 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 conta. Por exemplo, o Ultralytics YOLOv8 estabeleceu uma base sólida e versátil, o Ultralytics YOLO11 foi mais longe, melhorando a velocidade e a precisão, e o Ultralytics YOLO26 parte daí para ser 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, o YOLO11 e o 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 às necessidades 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 visual.

Também são construídos com PyTorch, o que facilita o treino, a personalização e a integração em fluxos de trabalho inteligentes de aprendizagem automática. Os modelos Ultralytics YOLO estão disponíveis, desde logo, como modelos pré-treinados, frequentemente treinados com conjuntos de dados como o conjunto de dados COCO, o que permite às equipas começar rapidamente e ajustá-los para casos de utilização específicos.

Além disso, o pacote Python da Ultralytics simplifica a implementação ao oferecer suporte integrado para exportar modelos para formatos como ONNX e TensorRT. Isto facilita a integração dos modelos em diferentes plataformas de hardware, desde dispositivos de edge até sistemas acelerados por GPU.

Da Ultralytics YOLOv5 à Ultralytics YOLO26#

O primeiro modelo Ultralytics YOLO, o Ultralytics YOLOv5, tornou-se muito popular pelas suas capacidades fiáveis de deteção de objetos. Construído com uma abordagem de deteção de estágio único, 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 de ancoragem predefinidas, tornando a deteção mais flexível. No entanto, o modelo original continuou a centrar-se sobretudo nas tarefas de deteção de objetos.

Partindo desta base, o Ultralytics YOLOv8 alargou o âmbito da família de modelos. Em vez de se centrar apenas na deteção de objetos, acrescentou suporte para várias tarefas de visão computacional, como a segmentação de instâncias, a classificação de imagens, a estimativa de pose e a deteção de caixas delimitadoras orientadas (OBB). Também introduziu melhorias arquitetónicas, incluindo conceções avançadas 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 necessária para equilibrar a velocidade, a precisão e a utilização de recursos de acordo com as suas necessidades. Esta capacidade mais abrangente, aliada à facilidade de utilização, tornou-o uma opção de eleição para uma vasta gama de aplicações de visão.

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

Em seguida, o Ultralytics YOLO11 centrou-se em melhorar o desempenho nos fluxos de trabalho do mundo real, oferecendo maior precisão e inferência mais rápida. Com uma arquitetura mais leve, funciona bem tanto em ambientes de edge como na cloud, mantendo a compatibilidade com os pipelines existentes do YOLOv8.

A mais recente adição à família de modelos Ultralytics YOLO, o YOLO26, é um modelo de última geração que estabelece um novo padrão para a IA visual concebida para edge, oferecendo 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 vasta gama de aplicações.

Comparação entre YOLO26, YOLO11 e YOLOv8#

Ao trabalhar em projetos de visão computacional, poderás deparar-te com diferentes modelos Ultralytics e perguntar-te qual é o mais adequado para o teu projeto. Vamos analisar como o YOLO26, o YOLO11 e o YOLOv8 se comparam em situações reais.

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 uma opção de eleição para muitas equipas. 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, foi apresentado o Ultralytics YOLO11, com melhorias tanto no desempenho como na eficiência. Oferece maior velocidade e precisão do que o YOLOv8, mantendo uma arquitetura mais pequena e otimizada. É um modelo mais equilibrado, que funciona de forma fiável em produção sem aumentar significativamente a utilização de recursos.

Este ano, foi lançado o Ultralytics YOLO26 como a mais recente iteração, com foco na implementação eficiente em grande escala. Oferece inferência mais rápida em CPU e uma melhor utilização dos recursos, permitindo às equipas executar 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 centrais de processamento (CPU), o que o torna uma excelente opção para ambientes de edge e com recursos limitados. Isto é especialmente importante porque as configurações tradicionais dependem muitas vezes fortemente de unidades de processamento gráfico (GPUs), que podem ser dispendiosas e mais difíceis de escalar.

Fig. 3. Benchmark de desempenho do YOLO26 em CPUs (Fonte)

De modo geral, o Ultralytics YOLO26 é uma opção sólida para equipes e pessoas que buscam otimizar o equilíbrio entre desempenho, custo e escalabilidade.

Um olhar mais atento ao Ultralytics YOLO26#

O Ultralytics YOLO26 é um modelo de última geração projetado para implantação no mundo real, onde eficiência, velocidade e escalabilidade são tão importantes quanto a precisão. Em vez de se concentrar apenas em melhorar o desempenho em benchmarks, ele introduz mudanças na arquitetura e no treinamento que tornam os modelos mais fáceis de executar, mais rápidos de implantar e mais confiáveis em diferentes ambientes de hardware.

Essas melhorias são especialmente importantes para sistemas de borda e de produção, nos quais recursos computacionais limitados, restrições de latência e considerações de custo têm um papel fundamental. Ao simplificar a inferência e otimizar o desempenho, o Ultralytics YOLO26 permite que entusiastas de IA criem e dimensionem aplicações de visão computacional com mais eficiência.

Confira mais de perto alguns dos principais recursos do Ultralytics YOLO26:

• Inferência ponta a ponta sem NMS: uma das mudanças mais importantes é 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 se torna mais previsível e a implantação fica mais fácil.
• Remoção do DFL: o Ultralytics YOLO26 deixa de usar o módulo de Perda Focal de Distribuição (DFL) e adota uma abordagem mais simples para prever caixas delimitadoras. Essa mudança está alinhada ao seu design ponta a ponta e 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 a Descida do Gradiente Estocástico (SGD) com atualizações inspiradas no Muon. Isso melhora a estabilidade e a convergência do treinamento, resultando em uma otimização mais fluida e um comportamento mais consistente em diferentes tamanhos de modelo.
• ProgLoss e STAL: essas inovações de treinamento, o Balanceamento Progressivo da Perda (ProgLoss) e a Atribuição de Rótulos Consciente de Alvos Pequenos (STAL), tornam o modelo mais estável e confiável. O ProgLoss ajuda o modelo a aprender com os conjuntos de dados em etapas ao longo do tempo, enquanto o STAL garante que objetos pequenos não sejam ignorados durante o treinamento, melhorando a detecção em cenas complexas.

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

Para contextualizar as diferenças entre YOLO26, YOLO11 e YOLOv8, vamos entender melhor os fatores que influenciam o desempenho dos modelos no uso real.

A precisão, geralmente 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 para comparar versões diferentes.

No entanto, quando os modelos passam dos testes para a implantação 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 a latência, o uso de recursos computacionais e a capacidade de um sistema se dimensionar em diferentes ambientes.

Ao contrário dos benchmarks controlados, os ambientes do mundo real costumam ser imprevisíveis. As condições de iluminação podem mudar, os objetos podem ficar parcialmente visíveis e os dados de entrada podem variar significativamente em relação aos dados usados no treinamento do modelo. Essas variações podem afetar a consistência do desempenho do modelo na prática.

Fig. 4. Exemplo do Ultralytics YOLO26 em uso em um ambiente imprevisível, como um canteiro de obras.

Por exemplo, considere uma configuração com centenas de câmeras em uma cidade inteligente, loja de varejo ou armazém. Cada transmissão precisa ser processada em tempo real, muitas vezes exigindo taxas de quadros consistentes (quadros por segundo, ou FPS) para evitar atrasos ou perda de quadros.

Um modelo menos eficiente consegue lidar com menos transmissões simultâneas em um determinado sistema, o que significa que o dimensionamento normalmente exige hardware adicional e aumenta os custos de infraestrutura.

Modelos mais eficientes, como o Ultralytics YOLO26, podem processar mais transmissões no mesmo hardware, aproveitando melhor os recursos disponíveis. Isso melhora a eficiência geral do sistema e facilita o dimensionamento das implantações ao longo do tempo.

Para saber mais sobre YOLO26 vs YOLO11 vs YOLOv8, consulte a documentação oficial da Ultralytics.

Principais conclusões#

A série de modelos Ultralytics YOLO evoluiu para atender melhor às necessidades de implantação no mundo real. Cada versão se baseia na anterior, com foco crescente em eficiência, escalabilidade e facilidade de implantação. Em outras palavras, se você está criando uma aplicação de detecção em tempo real que precisa funcionar de maneira confiável em grande escala, o Ultralytics YOLO26 é uma escolha perfeita.

Quer incorporar IA de visão às suas operações? Confira nossas opções de licenciamento. Você também pode visitar nossas páginas de soluções para ver como a IA na manufatura está transformando fábricas e como a IA de visão na robótica está moldando o futuro. Participe da nossa crescente comunidade e explore nosso repositório do GitHub para encontrar recursos de IA.