Ultralytics YOLO27: Trag dich in die Warteliste ein.
YOLO lizenzieren
Press release

Ultralytics YOLO26 to Bring Real-Time Computer Vision to Intel Processors

Ultralytics and Intel bring YOLO26 to Intel processors with OpenVINO, with sub-5 ms inference reported in supported CPU and GPU scenarios.

3 Min. Lesezeit
Ultralytics and Intel bring YOLO26 to Intel processors with OpenVINO, with sub-5 ms inference reported in supported CPU and GPU scenarios.

SANTA CLARA, Calif. – July 14, 2026 – Ultralytics, the company behind the YOLO family of object detection models, today announced a collaboration with Intel to bring production-ready YOLO (You Only Look Once) computer vision models to Intel hardware, making real-time vision AI faster, easier, and more cost-effective to deploy across industries from robotics to manufacturing, logistics, and security.

Most real-world vision AI technologies run on existing, CPU-based infrastructures including industrial PCs, laptops and edge devices. By pairing Ultralytics YOLO models with OpenVINO Toolkit, developers can deploy YOLO models across various platforms powered by any Intel processor, putting the compute where appropriate: CPU, GPU, or NPU.

The result is faster, more cost-effective, and more accessible computer vision for the industries that need it most. The collaboration meets AI where it actually ships, resulting in faster inference in supported CPU/GPU scenarios, with sub-5-millisecond inference reported across YOLO tasks on Intel hardware, reducing latency and deployment costs.

"Enterprises train in the data center, but the real work of vision AI happens at the edge, on factory floors, in retail, in robotics-running on Intel CPUs and NPUs," said Glenn Jocher, Founder and CEO of Ultralytics. "This collaboration means developers get state-of-the-art models like YOLO26 running production-ready on the hardware they already own, eliminating the need for a discrete GPU."

The collaboration also cuts friction for developers, who can train and export their applications to OpenVINO and deploy them with the same familiar Ultralytics Platform or Python package and command line interface, often with a single command. This single workflow supports use cases in a variety of industries, including:

  • Manufacturing: quality inspection, defect detection and process monitoring on factory-floor industrial PCs
  • Logistics: parcel/asset detection, counting and tracking
  • Security: monitoring analytics (people/object detection) plus privacy/compliance monitoring
  • Retail: shelf availability and inventory intelligence, including detecting SKUs, labels and shelf stock to monitor availability, planogram compliance and stock movement; real-time product recognition, including detecting, segmenting or tracking retail products for mobile applications, smart stores and e-commerce.
  • Healthcare: internal imaging workflow improvement, annotation workflow, model validation and internal research-to-production workflows.
  • Robotics: real-time perception on compact, power-efficient Intel hardware
  • Smart cities: scalable vision on distributed edge infrastructure
  • Edge AI broadly: bringing advanced vision to devices that use integrated AI acceleration already available on the SoC

“Extending Intel's AI PC and physical AI platforms with leading open vision models helps developers deploy applications with real-world efficient AI inferencing on processors with AI acceleration built right in. This ensures that some of the industry’s top models are optimized for the latest Intel Core Ultra processors and beyond,” said Matthew Formica, Intel Senior Director & Global Head of Edge Technical Marketing. “We are excited to partner with Ultralytics to build on this momentum.”

About Ultralytics#

Founded by Glenn Jocher, Ultralytics is the leading force in vision AI, best known for its Ultralytics YOLO (You Only Look Once) models. With over 135K GitHub stars, 300 million pip downloads, and 3.3+ billion model usages, Ultralytics YOLOv5, YOLOv8, YOLO11, and now YOLO26 have become the most widely recognized object detection models globally. Ultralytics empowers users with easy-to-use, cutting-edge AI technology. Our mission is to simplify and democratize the use of AI, making it accessible and impactful across industries ranging from manufacturing to healthcare and more.

©Intel, the Intel logo, and other Intel marks are trademarks of Intel Corporation or its subsidiaries.

Media Contact: Altaïr Kabunda-Margalet - altair@ultralytics.com

Aus dem Blog

AI-generated supermarket checkout queue seen from behind, with overlapping person boxes from real Ultralytics YOLO26x detections at an NMS IoU threshold of 0.5

How to tune the NMS IoU threshold in Ultralytics YOLO

Tune the NMS IoU threshold in Ultralytics YOLO: why prediction now defaults to 0.5, when to change iou vs. conf, and when to skip NMS with YOLO26.
Mehr erfahren
AI-generated aerial view of a car park that changes from 3D wireframe to photo, with real Ultralytics YOLO26 car detections at each stage

Die besten Tools für synthetische Daten zum Training von Computer-Vision-Modellen

Tools für synthetische Daten in der Computer Vision im Methodenvergleich: 3D-Simulation, generative Modelle und Augmentierung sowie deren Test mit Ultralytics YOLO.
Mehr erfahren
Ultralytics bei der AMD Embedded AI Working Group in Dublin

Ultralytics bei der AMD Embedded AI Working Group in Dublin

Erfahre, wie Ultralytics und AMD auf der AMD Embedded AI Working Group 2026 in Dublin Physical AI, Robotik und den Einsatz von Computer Vision erkundeten.
Mehr erfahren
So wählst du ein VLM für die automatische Annotation anhand von Präzision und Recall aus

So wählst du ein VLM für die automatische Annotation anhand von Präzision und Recall aus

Ein VLM für die automatische Annotation anhand von Präzision und Recall auswählen: Welche Modelle erzeugen weniger überflüssige Boxen, übersehen weniger Objekte und wie testest du sie mit deinen eigenen Daten?
Mehr erfahren
AI-generated logistics scene with illustrative detections; the inset shows Ultralytics Platform benchmark latency for YOLO26n on an NVIDIA L4.

ONNX oder TensorRT für die Inferenz in der Bildverarbeitung: Benchmarks und Entscheidungshilfe

ONNX Runtime oder TensorRT für die Inferenz in der Bildverarbeitung: gemessene Geschwindigkeit und Genauigkeit von Ultralytics YOLO26 auf 19 NVIDIA-GPUs und wie du dich entscheidest.
Mehr erfahren
Fehlende persönliche Schutzausrüstung erkennen: Ultralytics YOLO mit Construction-PPE trainieren

Fehlende persönliche Schutzausrüstung erkennen: Ultralytics YOLO mit Construction-PPE trainieren

Sieh dir an, wie Construction-PPE fehlende Helme, Warnwesten und Handschuhe kennzeichnet. Trainiere anschließend Ultralytics YOLO, um fehlende persönliche Schutzausrüstung mit den Kameras auf deiner Baustelle zu erkennen.
Mehr erfahren
Leitfaden zu Datensätzen für die Drohnenerkennung: Ultralytics YOLO für kleine UAVs trainieren

Leitfaden zu Datensätzen für die Drohnenerkennung: Ultralytics YOLO für kleine UAVs trainieren

Vergleiche die Datensätze DUT Anti-UAV, Drone-vs-Bird und zur thermischen Drohnenerkennung. Trainiere anschließend Ultralytics YOLO26, um kleine Drohnen zu erkennen und Fehlalarme zu reduzieren.
Mehr erfahren
HIPAA-konforme KI für die medizinische Bildgebung: Was eine BAA abdeckt und wie du mit Patientendaten trainierst

HIPAA-konforme KI für die medizinische Bildgebung: Was eine BAA abdeckt und wie du mit Patientendaten trainierst

Erfahre, welche Anforderungen HIPAA-konforme KI für die medizinische Bildgebung erfüllen muss, was eine BAA von Ultralytics abdeckt und wie du Patientendaten annotierst, zum Training verwendest und Modelle damit bereitstellst.
Mehr erfahren
Die besten Tiefenschätzungsmodelle: So triffst du die richtige Wahl

Die besten Tiefenschätzungsmodelle: So triffst du die richtige Wahl

Vergleiche monokulare Tiefenmodelle wie Depth Anything, Depth Pro, Metric3D, UniDepth und Ultralytics YOLO26 für metrische Tiefe, Edge-Geräte und Robotik.
Mehr erfahren
So migrierst du Ultralytics-YOLO-Modelle von W&B zur Ultralytics Platform

So migrierst du Ultralytics-YOLO-Modelle von W&B zur Ultralytics Platform

Importiere Ultralytics-YOLO-Modelle aus Weights & Biases (W&B) ohne erneutes Training in die Ultralytics Platform und vergleiche anschließend Experimente, exportiere und stelle Modelle bereit.
Mehr erfahren
GPT-6.1 Terra erreicht Platz 1 bei der automatischen Annotation und übertrifft OpenAIs eigene Spitzenmodelle

GPT-6.1 Terra erreicht Platz 1 bei der automatischen Annotation und übertrifft OpenAIs eigene Spitzenmodelle

GPT-6.1 Terra für automatische Annotation übertrifft 39 Modelle auf unserer VLM-Bestenliste: 0.560 mAP50 für 4,36 $ pro 1.000 Bilder, vor GPT-6.1 Sol und Gemini 4 Argon.
Mehr erfahren
Automatische Annotation mit MiniMax-M3.1-Flash: Warum weniger Nachdenken zu besseren Boxen führte

Automatische Annotation mit MiniMax-M3.1-Flash: Warum weniger Nachdenken zu besseren Boxen führte

Automatische Annotation mit MiniMax-M3.1-Flash in Ultralytics Platform: 0.317 mAP50 bei 1,84 $ pro 1.000 Bilder nach dem Tuning, mit 0.86 bei der SAR-Schiffserkennung.
Mehr erfahren
Automatische Annotation mit Kimi K3.1 Pro: ein Drittel besser als K3, bei hohem Aufwand

Automatische Annotation mit Kimi K3.1 Pro: ein Drittel besser als K3, bei hohem Aufwand

Die automatische Annotation mit Kimi K3.1 Pro erreicht 0.444 mAP50 auf UL37 – ein Drittel mehr als Kimi K3. Erfahre, warum wir das Modell mit hohem Aufwand betreiben, was es kostet und wo es seine Stärken hat.
Mehr erfahren
Ultralytics YOLO und NVIDIA Cosmos Data Factory: Synthetische Daten zur Fehlererkennung

Ultralytics YOLO und NVIDIA Cosmos Data Factory: Synthetische Daten zur Fehlererkennung

Synthetische Daten aus der NVIDIA Cosmos Data Factory und eine agentische Trainingsschleife helfen Ultralytics YOLO26, mit weniger Labels dieselbe Genauigkeit bei der Fehlererkennung wie mit dem vollständigen Datensatz zu erreichen.
Mehr erfahren
Automatische Annotation mit Gemini 4 Argon: die präzisesten Boxen unter 39 Modellen

Automatische Annotation mit Gemini 4 Argon: die präzisesten Boxen unter 39 Modellen

Automatische Annotation mit Gemini 4 Argon in Ultralytics Platform: Platz 2 von 39 Modellen, höchste Präzision (0.667), Platz 1 in 6 von 12 Bereichen, 7,60 $ pro 1.000 Bilder bis zum 30. November.
Mehr erfahren
Offenes Computing, offene Bildverarbeitung: AMD bei Ultralytics YOLO Vision 2026

Offenes Computing, offene Bildverarbeitung: AMD bei Ultralytics YOLO Vision 2026

Erfahre, wie AMD mit einem Vortrag zu ROCm, praxisorientierten Workshops und Demos mit YOLO auf AMD-Radeon-GPUs offene Rechenleistung zu Ultralytics YOLO Vision 2026 brachte.
Mehr erfahren
Die besten Bildklassifizierungsmodelle: So triffst du die richtige Wahl

Die besten Bildklassifizierungsmodelle: So triffst du die richtige Wahl

Vergleiche führende Bildklassifizierungsmodelle – von ConvNeXt V2 und DINOv3 bis EfficientNetV2, ViT und Ultralytics YOLO26-cls – und erfahre, wie du das passende Modell auswählst.
Mehr erfahren
Semantische oder Instanzsegmentierung: So wählst du die passende Aufgabe

Semantische oder Instanzsegmentierung: So wählst du die passende Aufgabe

Bei der semantischen Segmentierung wird jedes Pixel einer Klasse zugeordnet; bei der Instanzsegmentierung wird jedes Objekt einzeln erkannt. Erfahre, welche Aufgabe zu deinem Computer-Vision-Projekt passt und warum.
Mehr erfahren
Ultralytics bei Arm Create 2026: Echtzeit-KI für Computer Vision am Edge

Ultralytics bei Arm Create 2026: Echtzeit-KI für Computer Vision am Edge

Höhepunkte von Ultralytics auf der Arm Create 2026 in Shenzhen: Einsatz von Ultralytics YOLO für Echtzeit-KI am Edge, die Modellrunde und das neue Arm AI Portal.
Mehr erfahren
Ultralytics-Treffen: London

Ultralytics-Treffen: London

Rückblick auf das Ultralytics-Treffen in London: ein erster Einblick in YOLO27, Demos von Ultralytics Platform und eine Diskussion zu KI für Computer Vision mit NVIDIA und Arm.
Mehr erfahren
Überwachung in Ultralytics Platform: Halte Bereitstellungen für Computer Vision auf Kurs

Überwachung in Ultralytics Platform: Halte Bereitstellungen für Computer Vision auf Kurs

Überwache bereitgestellte KI-Modelle für Computer Vision mit Ultralytics Platform. Verfolge den Status, die Latenz, Fehler und Protokolle von Endpunkten sowie Live-Statistiken zu Vorhersagen.
Mehr erfahren
Ultralytics Agents: Visuelle KI-Workflows schneller erstellen

Ultralytics Agents: Visuelle KI-Workflows schneller erstellen

Erstelle Workflows für visuelle KI mit Ultralytics Agents. Verbinde YOLO-Modelle, Vision-Language-Modelle, Bedingungen, Datensätze und Slack-Benachrichtigungen auf einer einzigen Arbeitsfläche.
Mehr erfahren
Ultralytics AutoTrain: Das Training von KI-Modellen für Bildverarbeitung vereinfachen

Ultralytics AutoTrain: Das Training von KI-Modellen für Bildverarbeitung vereinfachen

Trainiere, vergleiche und verbessere Ultralytics YOLO-Modelle mit AutoTrain in der Ultralytics Platform – von der ersten Basisversion bis zur Bereitstellung im Produktivbetrieb.
Mehr erfahren
Die wichtigsten Highlights der Ultralytics YOLO Vision 2026!

Die wichtigsten Highlights der Ultralytics YOLO Vision 2026!

Die wichtigsten Momente der YOLO Vision 2026, bei der Ultralytics Ultralytics YOLO27 vorgestellt und AutoTrain, Agents und Monitoring auf der Ultralytics Platform präsentiert hat.
Mehr erfahren
Ultralytics YOLO26 unterstützt jetzt monokulare Tiefenschätzung

Ultralytics YOLO26 unterstützt jetzt monokulare Tiefenschätzung

Erfahre, wie die neue Tiefenschätzungsaufgabe in Ultralytics YOLO26 die Tiefe für jedes Pixel in metrischem Maßstab aus einem einzelnen RGB-Bild vorhersagt – ganz ohne Stereoanlage oder LiDAR.
Mehr erfahren
Die besten Plattformen zur Bildannotation für Computer Vision

Die besten Plattformen zur Bildannotation für Computer Vision

Vergleiche neun Plattformen zur Bildannotation für Computer Vision: CVAT, Encord, Label Studio, Labelbox, Roboflow, Scale AI, SuperAnnotate, Ultralytics und V7.
Mehr erfahren
Automatisierte Fehlererkennung in der Fertigung: Plattformen im Vergleich

Automatisierte Fehlererkennung in der Fertigung: Plattformen im Vergleich

Vergleiche Plattformen zur automatisierten Fehlererkennung: Cognex, Instrumental, Keyence, Landing AI, Overview und Ultralytics – und erfahre, wie du die Modellaufgabe passend zum Fehler auswählst.
Mehr erfahren
Was Computer Vision in Unternehmen kostet: Ein Rahmen für die Gesamtbetriebskosten

Was Computer Vision in Unternehmen kostet: Ein Rahmen für die Gesamtbetriebskosten

Ein Rahmen zur Ermittlung der Gesamtbetriebskosten von Computer Vision in Unternehmen, einschließlich Daten, Annotation, Kameras, Edge-Hardware, Training, Inferenz, Integration und erneutem Training.
Mehr erfahren
Montageprüfung und Fehlervermeidung mit Computer Vision

Montageprüfung und Fehlervermeidung mit Computer Vision

So prüft Computer Vision Vollständigkeit, Korrektheit und Reihenfolge bei der Montage: Aufbau der Bildverarbeitungsstation, Auswahl der Modellaufgabe, SPS-Integration und Validierung.
Mehr erfahren
Computer-Vision-Inferenz im großen Maßstab: Sieben Plattformen im Vergleich

Computer-Vision-Inferenz im großen Maßstab: Sieben Plattformen im Vergleich

Sieben Inferenzplattformen für Computer Vision im Vergleich: Azure ML, KServe, NVIDIA Triton, Roboflow, SageMaker AI, Ultralytics und Vertex AI – hinsichtlich Latenz und Skalierbarkeit.
Mehr erfahren

Lass uns gemeinsam die Zukunft der KI gestalten!

Starte deine Reise in die Zukunft des maschinellen Lernens