Multiscale Real-Time Object Detection in the NMS-Free Era: A Comparative Performance Evaluation of YOLOv8 and YOLO26

Resumo Técnico: Detecção de Objetos Multiescala em Tempo Real na Era Livre de NMS

Declaração do Problema
Os pipelines de detecção de objetos em tempo real dependem há muito tempo da Supressão de Máximo Não (NMS) como uma etapa crítica de pós-processamento para filtrar previsões redundantes de caixas delimitadoras. Embora eficaz para a deduplicação, a NMS introduz três limitações primárias: (1) variância de latência que escala com a densidade da cena, interrompendo a execução síncrona em hardware de borda; (2) sensibilidade a hiperparâmetros que exige ajuste manual dos limiares de Intersecção sobre União (IoU) por implantação; e (3) incompatibilidade com aceleradores de aritmética inteira, onde a filtragem sequencial interrompe os grafos de execução paralela.

Embora arquiteturas recentes como o YOLO26 (introduzido pela Ultralytics no início de 2026) proponham designs nativos de ponta a ponta, livres de NMS, para resolver essas questões, seu desempenho empírico em relação a modelos estabelecidos baseados em NMS, como o YOLOv8, permanece pouco explorado. Os benchmarks existentes, principalmente o MS COCO, enfatizam objetos de tamanho médio a grande e falham em testar estressantemente modos de falha específicos, como a fidelidade de objetos pequenos em vigilância aérea ou a generalização através de taxonomias legadas.

Metodologia
Este estudo conduz uma avaliação comparativa abrangente do YOLOv8 e do YOLO26 em cinco escalas de modelo (nano, pequeno, médio, grande e extra-grande). A avaliação utiliza dois conjuntos de dados distintos para testar estressantemente diferentes capacidades de detecção:

• Pascal VOC: Um benchmark fundamental para detecção geral de objetos com instâncias relativamente grandes e bem centralizadas.
• VisDrone2019-DET: Um conjunto de dados capturado por UAV caracterizado por cenas densas e desafios severos de objetos pequenos (75% dos objetos ocupam <2.000 pixels).

A metodologia envolve o treinamento e o ajuste fino de ambas as famílias de modelos nesses conjuntos de dados usando configurações idênticas (entrada 640×640, tamanho de lote 16, 100 épocas) em uma GPU NVIDIA RTX 6000 Ada. O desempenho é avaliado por meio de:

1. Precisão de Detecção: Precisão, Revocação, Pontuação F1, mAP@50 e mAP@50:95.
2. Eficiência Computacional: Tamanho do modelo, contagem de parâmetros, GFLOPs e latência de CPU/GPU.
3. Análise Arquitetural: Uma comparação lado a lado de funções de perda, estratégias de atribuição de rótulos e pipelines de pós-processamento.

Principais Diferenças Arquiteturais
O artigo destaca divergências fundamentais entre as duas famílias de modelos:

• YOLOv8: Utiliza uma cabeça desacoplada com Perda Focal de Distribuição (DFL) para regressão de caixas delimitadoras e depende da NMS para pós-processamento. Emprega Aprendizado de Alinhamento de Tarefas (TAL) para atribuição de rótulos.
• YOLO26: Adota uma arquitetura nativa de ponta a ponta que elimina a NMS e a DFL. As principais inovações incluem:
  • Atribuição de Rótulos Um-para-Um: Impõe previsões determinísticas e não redundantes sem pós-processamento.
  • Regressão Direta: Substitui a DFL por regressão direta de coordenadas para reduzir a sobrecarga de quantização em hardware de borda.
  • Atribuição de Rótulos Sensível a Alvos Pequenos (STAL): Um critério de atribuição dinâmica que reduz o limiar de IoU para objetos minúsculos para prevenir o desaparecimento do gradiente.
  • Balanceamento Progressivo de Perda (ProgLoss): Uma estratégia de modulação de perda dependente do tempo que desloca o foco da aprendizagem semântica para a precisão geométrica durante o treinamento.
  • Otimizador MuSGD: Uma variante de otimizador normalizada espectralmente projetada para estabilizar backbones leves.

Principais Resultados

• Desempenho no Pascal VOC: O YOLO26 demonstra uma vantagem consistente sobre o YOLOv8 na maioria das escalas, alcançando maior precisão, revocação, pontuações F1 e métricas mAP. A variante YOLO26-extra-grande (x) alcança a maior precisão geral, embora o ganho marginal sobre a variante grande (l) sugira retornos decrescentes na maior escala.
• Desempenho no VisDrone: Ambos os modelos lutam significativamente no conjunto de dados VisDrone devido a alvos pequenos densos. Embora o YOLO26 ainda alcance as maiores pontuações na escala extra-grande, a lacuna de desempenho entre YOLO26 e YOLOv8 diminui consideravelmente em comparação com o Pascal VOC. Ambas as arquiteturas enfrentam desafios na localização precisa de objetos pequenos aéreos.
• Eficiência e Latência:
  • Complexidade do Modelo: O YOLO26 geralmente exibe contagens de parâmetros mais baixas, tamanhos de modelo menores e GFLOPs reduzidos em comparação com escalas equivalentes do YOLOv8.
  • Latência: Contrariando a suposição de que designs livres de NMS oferecem universalmente menor latência, o YOLOv8 permanece competitivo e, em alguns casos, mais rápido, em hardware de GPU em escalas comparáveis. Na CPU, a latência aumenta drasticamente para ambas as famílias à medida que a escala cresce.
  • Implantação: A remoção da DFL no YOLO26 é notada como benéfica para a quantização INT8 e implantação em borda, reduzindo a diversidade de operadores e a sobrecarga de inferência.

Significado e Alegações
O artigo alega que a seleção de detectores não é determinada apenas pela novidade arquitetural, mas é altamente dependente das características do conjunto de dados, da escala do objeto e das restrições de hardware.

• Superioridade Contextual: O YOLO26 oferece desempenho superior e compactação de modelo para detecção geral de objetos (Pascal VOC) e cenários de implantação em borda que exigem latência determinística.
• Limitações de Designs Livres de NMS: O estudo desafia a suposição de que arquiteturas mais novas dominam universalmente seus predecessores. Especificamente, o design livre de NMS não garante superioridade universal de implantação, particularmente em ambientes limitados por GPU onde o YOLOv8 permanece competitivo.
• Desafios de Objetos Pequenos: Os resultados sublinham que mesmo arquiteturas livres de NMS de última geração lutam com a detecção densa de objetos pequenos em imagens aéreas, indicando que mudanças arquitetônicas sozinhas podem não resolver totalmente o problema de "objetos pequenos" sem otimização específica do conjunto de dados adicional.

O estudo conclui que, embora o YOLO26 represente uma alternativa forte ao YOLOv8, particularmente para restrições de precisão e tamanho de modelo, a escolha ótima para implantação no mundo real requer uma avaliação matizada da distribuição de dados específica e do ambiente de hardware.