Conheça o Ultralytics YOLO26: um modelo YOLO melhor, mais rápido e menor

A 25 de setembro, no nosso evento híbrido anual, o YOLO Vision 2025 (YV25), em Londres, Glenn Jocher, o nosso fundador e CEO, anunciou oficialmente o mais recente modelo da série Ultralytics YOLO, o Ultralytics YOLO26. O nosso novo modelo de visão computacional, o YOLO26, consegue analisar e interpretar imagens e vídeos com uma arquitetura simplificada que equilibra velocidade, precisão e facilidade de implementação.

Embora o Ultralytics YOLO26 simplifique aspectos do design do modelo e acrescente novas melhorias, ele também continua oferecendo os recursos conhecidos que os usuários esperam dos modelos Ultralytics YOLO. Por exemplo, o Ultralytics YOLO26 é fácil de usar, oferece suporte a várias tarefas de visão computacional e disponibiliza opções flexíveis de integração e implantação.

Isto torna a mudança para o Ultralytics YOLO26 simples, e mal podemos esperar para ver os utilizadores a experimentá-lo. O YOLO26 foi lançado publicamente a 14 de janeiro de 2026 e está agora disponível através do pacote Python Ultralytics e da Ultralytics Platform.

Fig. 1. Um exemplo de uso do Ultralytics YOLO26 para detectar objetos em uma imagem.

Em poucas palavras, o Ultralytics YOLO26 é um modelo de IA visual melhor, mais rápido e mais pequeno. Neste artigo, vamos explorar as principais funcionalidades do Ultralytics YOLO26 e aquilo que oferece.

Expandindo os limites da IA para visão com o Ultralytics YOLO26#

Antes de analisarmos as principais funcionalidades do Ultralytics YOLO26 e as aplicações que possibilita, vamos conhecer a inspiração e a motivação que impulsionaram o desenvolvimento deste modelo.

Na Ultralytics, sempre acreditámos no poder da inovação. Desde o início, a nossa missão tem sido dupla. Por um lado, queremos tornar a IA visual acessível para que qualquer pessoa a possa utilizar sem obstáculos. Por outro, estamos igualmente empenhados em mantê-la na vanguarda, alargando os limites do que os modelos de visão computacional conseguem alcançar.

Um fator fundamental por trás dessa missão é que o espaço da IA está sempre evoluindo. Por exemplo, a IA de borda, que consiste em executar modelos de IA diretamente nos dispositivos, em vez de depender da nuvem, está sendo adotada rapidamente em vários setores.

De câmeras inteligentes a sistemas autônomos, agora se espera que os dispositivos de borda processem informações em tempo real. Essa mudança exige modelos mais leves e rápidos, sem deixar de oferecer o mesmo alto nível de precisão.

É por isso que precisamos continuar aprimorando nossos modelos Ultralytics YOLO. Como diz Glenn Jocher: “Um dos maiores desafios foi garantir que os usuários pudessem aproveitar ao máximo o YOLO26 sem deixar de oferecer o máximo desempenho.”

Visão geral do Ultralytics YOLO26#

O YOLO26 está disponível pronto para uso em cinco variantes de modelo diferentes, oferecendo flexibilidade para aproveitar seus recursos em aplicações de qualquer escala. Todas essas variantes oferecem suporte a várias tarefas de visão computacional, assim como os modelos Ultralytics YOLO anteriores. Isso significa que, independentemente do tamanho escolhido, você pode contar com o YOLO26 para oferecer uma ampla gama de recursos, assim como o Ultralytics YOLO11.

Veja uma visão geral das tarefas de visão computacional compatíveis com o Ultralytics YOLO26:

• Detecção de objetos: o Ultralytics YOLO26 pode identificar e localizar vários objetos em uma imagem ou quadro de vídeo.
• Segmentação de instâncias: indo além da detecção, o Ultralytics YOLO26 pode gerar contornos precisos até o nível do pixel para cada objeto identificado.
• Classificação de imagens: o modelo pode analisar uma imagem inteira e atribuir a ela uma categoria ou um rótulo específico.
• Estimativa de pose: o Ultralytics YOLO26 pode detectar pontos-chave e estimar poses de pessoas e outros objetos.
• Caixas delimitadoras orientadas (OBB): o modelo pode detectar objetos em qualquer ângulo, o que é especialmente útil em imagens aéreas, de drones e de satélite, nas quais elementos como edifícios, veículos ou plantações podem não estar alinhados com o quadro da imagem.
• Rastreamento de objetos: o Ultralytics YOLO26 pode ser usado para rastrear objetos em quadros de vídeo ou transmissões em tempo real.

Fig. 2. Detecção de objetos em uma imagem usando o Ultralytics YOLO26.

Um olhar sobre a arquitetura do Ultralytics YOLO26#

Agora que entendemos melhor os recursos do Ultralytics YOLO26, vamos conhecer algumas das inovações na arquitetura do modelo.

O design do modelo foi simplificado com a remoção do módulo Perda Focal de Distribuição (DFL), que antes tornava a inferência mais lenta e limitava a regressão das caixas delimitadoras.

O processo de previsão também foi simplificado com uma opção de inferência de ponta a ponta (E2E), que permite ao modelo ignorar a etapa tradicional de supressão não máxima (NMS). Esta melhoria reduz a complexidade e permite ao modelo apresentar resultados mais rapidamente, facilitando a implementação em aplicações do mundo real.

Outras melhorias tornam o modelo mais inteligente e fiável. O Progressive Loss Balancing (ProgLoss) ajuda a estabilizar o treino e a melhorar a precisão, enquanto o Small-Target-Aware Label Assignment (STAL) garante uma deteção mais eficaz de objetos pequenos. Além disso, um novo otimizador MuSGD melhora a convergência do treino e aumenta o desempenho geral.

Na verdade, a versão mais pequena do Ultralytics YOLO26, o modelo nano, é agora até 43% mais rápida do que o YOLO11n em CPUs padrão, sendo especialmente adequada a aplicações móveis, câmaras inteligentes e outros dispositivos de periferia, onde a velocidade e a eficiência são essenciais. Eis um resumo rápido das funcionalidades do YOLO26 e do que os utilizadores podem esperar:

• Remoção do DFL: removemos o módulo Perda Focal de Distribuição da arquitetura do modelo. Independentemente do tamanho dos objetos na imagem, o Ultralytics YOLO26 consegue posicionar caixas delimitadoras personalizadas e operar com mais eficiência.
• Inferência de ponta a ponta sem NMS: o Ultralytics YOLO26 adiciona um modo opcional que dispensa a Supressão Não Máxima (NMS), etapa normalmente usada para remover predições duplicadas, simplificando e acelerando a implantação para uso em tempo real.
• ProgLoss e STAL: essas melhorias tornam o treinamento mais estável e aumentam significativamente a precisão, sobretudo na detecção de objetos pequenos em cenas complexas.
• Otimizador MuSGD: o Ultralytics YOLO26 usa um novo otimizador que combina os pontos fortes de dois otimizadores de treinamento (Muon e SGD), ajudando o modelo a aprender mais rápido e alcançar maior precisão.

Fig. 3. Benchmark do Ultralytics YOLO26.

Simplificando a implantação com o Ultralytics YOLO26#

Seja em aplicativos móveis, câmeras inteligentes ou sistemas empresariais, implantar o YOLO26 é simples e flexível. O pacote Python da Ultralytics oferece suporte a um número cada vez maior de formatos de exportação, o que facilita a integração do YOLO26 aos fluxos de trabalho existentes e o torna compatível com praticamente qualquer plataforma.

Algumas das opções de exportação incluem TensorRT para aceleração máxima da GPU, ONNX para ampla compatibilidade, CoreML para aplicativos nativos do iOS, TFLite para Android e dispositivos de borda, e OpenVINO para desempenho otimizado em hardware Intel. Essa flexibilidade facilita levar o Ultralytics YOLO26 do desenvolvimento à produção sem obstáculos adicionais.

Outra parte essencial da implementação é garantir que os modelos funcionam de forma eficiente em dispositivos com recursos limitados. É aqui que entra a quantização. Graças à arquitetura simplificada, o Ultralytics YOLO26 lida bem com este processo. Suporta a implementação INT8 (que utiliza compressão de 8 bits para reduzir o tamanho e aumentar a velocidade com uma perda mínima de precisão), bem como a precisão reduzida para metade (FP16), para uma inferência mais rápida em hardware compatível.

Mais importante ainda, o Ultralytics YOLO26 mantém um desempenho consistente em todos esses níveis de quantização, então você pode contar com ele tanto em um servidor potente quanto em um dispositivo de borda compacto.

Da robótica à indústria: casos de uso do Ultralytics YOLO26#

O Ultralytics YOLO26 pode ser usado em uma grande variedade de aplicações de visão computacional em diversos setores e casos de uso. Da robótica à indústria, ele pode causar um impacto significativo ao aprimorar fluxos de trabalho e possibilitar decisões mais rápidas e precisas.

Por exemplo, a robótica é uma boa aplicação: o Ultralytics YOLO26 pode ajudar robôs a interpretar o ambiente ao redor em tempo real. Isso torna a navegação mais fluida e o manuseio de objetos mais preciso. Também permite uma colaboração mais segura com as pessoas.

Outro exemplo é a indústria, na qual o modelo pode ser usado para detectar defeitos. Ele pode identificar automaticamente falhas nas linhas de produção com mais rapidez e precisão do que uma inspeção manual.

Fig. 4. Detecção de garrafas em uma fábrica usando o Ultralytics YOLO26.

Em geral, por ser melhor, mais rápido e mais leve, o Ultralytics YOLO26 se adapta facilmente a vários ambientes, desde dispositivos de borda leves até grandes sistemas empresariais. Isso o torna uma opção prática para setores que buscam melhorar a eficiência, a precisão e a confiabilidade.

Principais conclusões#

O Ultralytics YOLO26 é um modelo de visão computacional melhor, mais rápido e mais leve, que continua a ser fácil de utilizar e a oferecer um desempenho sólido. Funciona numa vasta gama de tarefas e plataformas e está disponível para todos desde o lançamento, em janeiro de 2026. Mal podemos esperar para ver como a comunidade o utilizará para criar novas soluções e alargar os limites da visão computacional.

Junte-se à nossa comunidade, que não para de crescer! Explore nosso repositório no GitHub para saber mais sobre IA. Conheça inovações como visão computacional no varejo e IA no setor automotivo visitando nossas páginas de soluções. Para começar a desenvolver com visão computacional hoje mesmo, confira nossas opções de licenciamento.