YOLO (You Only Look Once)Detecção de objetos em tempo real que identifica vários objetos em uma única passagem de imagem.

4.8 (6)

Avaliado por Daniel Nikulshyn·Atualizado maio de 2026

Computer Vision Object Detection Open Source Real-Time Edge AI Deep Learning Pretrained Models

1 / 2

Visão geral

YOLO (You Only Look Once) é uma família de algoritmos de detecção de objetos projetados para velocidade e eficiência. Ao contrário dos sistemas de detecção tradicionais que aplicam um modelo a uma imagem em vários locais e escalas, o YOLO estrutura a detecção como um único problema de regressão, prevendo caixas delimitadoras e probabilidades de classe em uma única passagem direta por uma rede neural. Essa arquitetura torna o YOLO especialmente adequado para aplicações em tempo real, como análise de vídeo, veículos autônomos, robótica, vigilância e realidade aumentada. Versões sucessivas (YOLOv3, v5, v7, v8 e posteriores) melhoraram a precisão, expandiram o suporte a tarefas para segmentação e estimativa de pose, e mantiveram a reputação da estrutura por inferência rápida. O YOLO é amplamente adotado por pesquisadores e desenvolvedores devido às suas implementações de código aberto, comunidade ativa e equilíbrio entre precisão de detecção e velocidade de processamento em GPUs e dispositivos de borda.

Funcionalidades principais

Detecção de objetos em tempo real em uma única passagem
Previsão de caixa delimitadora e probabilidade de classe
Suporte para tarefas de detecção, segmentação e pose
Modelos pré-treinados em conjuntos de dados comuns como COCO
Deployável em GPU, CPU e dispositivos de borda
Treinamento personalizável em conjuntos de dados do usuário

Preços

Modelo: Freemium
Categoria: Visão Computacional
Avaliação: 4.8 / 5 (6)

Casos de uso

Vigilância de vídeo em tempo real

Detectar e rastrear pessoas, veículos ou objetos de interesse em feeds de câmeras de segurança ao vivo usando a inferência rápida em uma única passagem do YOLO.

Percepção de veículos autônomos

Identificar pedestres, carros, sinais de trânsito e obstáculos em tempo real para suportar decisões de direção e navegação em sistemas de condução autônoma.

Implantação de robótica e borda

Executar detecção de objetos diretamente em hardware embarcado e robôs, permitindo interação responsiva com o ambiente sem dependência de nuvem.

Treinamento de detecção com conjunto de dados personalizado

Ajustar modelos YOLO pré-treinados em conjuntos de dados rotulados pelo usuário para detectar objetos específicos de domínio para aplicações industriais, médicas ou de varejo.

Prós e contras

Prós

Inferência extremamente rápida adequada para uso em tempo real
Ecosistema de código aberto forte e suporte da comunidade
Detecta várias classes de objetos em uma única passagem
Executa em hardware de borda e dispositivos embarcados
Melhorias contínuas em todas as versões do modelo

Contras

Pode ter dificuldade com objetos pequenos ou densamente compactados
Requer conjuntos de dados rotulados e expertise em treinamento
A licença varia entre versões e forks
A precisão pode ser inferior à de detectores de duas etapas mais lentos

Histórico de batalhas

Em 1 batalha no Panteão.

1.º

2.º

3.º

Last battle

#4
Computer Vision Showdown — February 5, 2024
Feb 5, 2024 · #4 of 8

Avaliações

4.8

Média de 6 avaliações.

Entra para deixar uma avaliação.

Olga Ivanova

Mar 16, 2026

Does the job

Pretty happy overall. Support for detection, segmentation, and pose tasks just works and runs on edge hardware and embedded devices. Requires labeled datasets and training expertise can be annoying, but no dealbreakers — I'd recommend it to a friend without hesitating.

Daniel Schmidt

Oct 8, 2025

Solid for our team

We rolled this out across the team last quarter and continual improvements across model versions. Pretrained models on common datasets like COCO fits neatly into how we already work, and deployable on GPU, CPU, and edge devices removed a step we used to do by hand. but it has held up under daily use.

Hiroshi Tanaka

Sep 20, 2025

Use it every day

Honestly didn't expect to like it this much. Support for detection, segmentation, and pose tasks is exactly what I needed, and strong open-source ecosystem and community support. I do wish requires labeled datasets and training expertise, but I reach for it almost every day now and it just clicks.

Margaret Whitfield

Sep 12, 2025

Use it every day

Honestly didn't expect to like it this much. Customizable training on user datasets is exactly what I needed, and continual improvements across model versions. I do wish can struggle with small or densely packed objects, but I reach for it almost every day now and it just clicks.

Carlos Mendoza

Aug 1, 2025

Years in this space

I've evaluated a lot of these over the years. What stands out here is pretrained models on common datasets like COCO — handled better than most — and extremely fast inference suitable for real-time use. Requires labeled datasets and training expertise is my one real gripe. Worth the time if this is your use case.

Diego Fernández

Jul 12, 2025

Compared a few options

Evaluated this against two competitors. Where it wins: customizable training on user datasets and extremely fast inference suitable for real-time use. Where it lags: requires labeled datasets and training expertise. On balance the feature set — especially customizable training on user datasets — justifies the 5 stars for our use case.

Perguntas e respostas

What are the main limitations of YOLO compared to two‑stage detectors?

YOLO’s single‑pass design excels in speed but may struggle with very small or densely packed objects, and its accuracy can be lower than slower, two‑stage detectors that use region proposals.

Asked by Esther Adeyemi · Sep 4, 2025

Can I train YOLO on my own dataset for custom object classes?

Yes, YOLO is fully customizable; you can fine‑tune pretrained models (e.g., on COCO) using your own labeled dataset, though you’ll need labeling expertise and some training experience.

Asked by Jasper Vermeer · Aug 12, 2025

What hardware is needed to run YOLO in real-time?

YOLO can run on GPUs, CPUs, and edge devices; for real‑time performance you typically need a GPU (e.g., NVIDIA RTX series) but the model also supports inference on CPUs and embedded hardware with reduced frame rates.

Asked by Dara Fitzgerald · Jul 31, 2025