25 de setembro de 2025
Explore o modelo Ultralytics YOLO mais recente, o Ultralytics YOLO26, e seus recursos de ponta que oferecem um equilíbrio ideal de velocidade, precisão e capacidade de implementação.
Em 25 de setembro, no nosso evento híbrido anual, YOLO Vision 2025 (YV25) em Londres, Glenn Jocher, o nosso Fundador & CEO, anunciou oficialmente o mais recente avanço na série de modelos Ultralytics YOLO, Ultralytics YOLO26! O nosso novo modelo de visão computacional, YOLO26, pode analisar e interpretar imagens e vídeos com uma arquitetura simplificada que equilibra velocidade, precisão e facilidade de implementação.
Embora o Ultralytics YOLO26 simplifique aspetos do design do modelo e adicione novos aprimoramentos, ele também continua a oferecer os recursos familiares que os utilizadores esperam dos modelos Ultralytics YOLO. Por exemplo, o Ultralytics YOLO26 é fácil de usar, suporta uma variedade de tarefas de visão computacional e oferece opções flexíveis de integração e implementação.
Desnecessário dizer que isso torna a mudança para o Ultralytics YOLOv8 livre de problemas, e mal podemos esperar para ver os usuários experimentando por si mesmos quando estiver disponível publicamente no final de outubro.
Simplificando, o Ultralytics YOLO26 é um modelo de Visão de IA melhor, mais rápido e menor. Neste artigo, exploraremos os principais recursos do Ultralytics YOLO26 e o que ele traz para a mesa. Vamos começar!
Antes de nos aprofundarmos nos principais recursos do Ultralytics YOLO26 e nas aplicações que ele possibilita, vamos dar um passo atrás e discutir a inspiração e a motivação que impulsionaram o desenvolvimento deste modelo.
Na Ultralytics, sempre acreditamos no poder da inovação. Desde o início, nossa missão tem sido dupla. Por um lado, queremos tornar a Visão de IA acessível para que qualquer pessoa possa usá-la sem barreiras. Por outro lado, estamos igualmente comprometidos em mantê-la na vanguarda, ultrapassando os limites do que os modelos de visão computacional podem alcançar.
Um fator chave por trás desta missão é que o espaço da IA está sempre evoluindo. Por exemplo, a IA de borda (edge AI), que envolve a execução de modelos de IA diretamente em dispositivos em vez de depender da nuvem, está sendo adotada rapidamente em todos os setores.
De câmeras inteligentes a sistemas autônomos, espera-se agora que os dispositivos na borda processem informações em tempo real. Essa mudança exige modelos mais leves e rápidos, ao mesmo tempo em que oferecem o mesmo alto nível de precisão.
É por isso que há uma necessidade constante de continuar aprimorando nossos modelos Ultralytics YOLO. Como diz Glenn Jocher, "Um dos maiores desafios era garantir que os usuários pudessem tirar o máximo proveito do YOLO26, ao mesmo tempo em que ofereciam o melhor desempenho."
O YOLO26 está disponível pronto para uso em cinco variantes de modelo diferentes, oferecendo a flexibilidade de aproveitar seus recursos em aplicações de qualquer escala.
Todas essas variantes de modelo suportam várias tarefas de visão computacional, assim como os modelos Ultralytics YOLO anteriores. Isso significa que, não importa o tamanho que você escolha, pode contar com o YOLO26 para oferecer uma ampla gama de recursos, assim como o Ultralytics YOLO11.
Aqui está uma visão geral das tarefas de visão computacional suportadas pelo YOLO26:
Agora que temos uma melhor compreensão do que o YOLO26 é capaz de fazer, vamos percorrer algumas das inovações em sua arquitetura.
O design do modelo foi otimizado com a remoção do módulo Distribution Focal Loss (DFL), que anteriormente retardava a inferência e limitava a regressão da caixa delimitadora.
O processo de previsão também foi simplificado com uma opção de inferência end-to-end (E2E), que permite que o modelo ignore a etapa tradicional de Supressão Não Máxima (NMS). Esta melhoria reduz a complexidade e permite que o modelo forneça resultados mais rapidamente, facilitando a implementação em aplicações do mundo real.
Outras melhorias tornam o modelo mais inteligente e confiável. O Progressive Loss Balancing (ProgLoss) ajuda a estabilizar o treinamento e melhorar a precisão, enquanto o Small-Target-Aware Label Assignment (STAL) garante que o modelo detecte objetos pequenos de forma mais eficaz. Além disso, um novo otimizador MuSGD melhora a convergência do treinamento e aumenta o desempenho geral.
De facto, a versão mais pequena do YOLO26, o modelo nano, agora funciona até 43% mais rápido em CPUs padrão, tornando-o especialmente adequado para aplicações móveis, câmaras inteligentes e outros dispositivos de ponta onde a velocidade e a eficiência são críticas.
Aqui está um resumo rápido dos recursos do YOLO26 e o que os utilizadores podem esperar:
Quer esteja a trabalhar em aplicações móveis, câmaras inteligentes ou sistemas empresariais, implementar o YOLO26 é simples e flexível. O pacote Ultralytics Python suporta um número cada vez maior de formatos de exportação, o que facilita a integração do YOLO26 em fluxos de trabalho existentes e o torna compatível com quase qualquer plataforma.
Algumas das opções de exportação incluem TensorRT para máxima aceleração de GPU, ONNX para ampla compatibilidade, CoreML para aplicativos iOS nativos, TFLite para Android e dispositivos de borda, e OpenVINO para desempenho otimizado em hardware Intel. Essa flexibilidade torna simples levar o YOLO26 do desenvolvimento à produção sem obstáculos extras.
Outra parte crucial da implantação é garantir que os modelos sejam executados de forma eficiente em dispositivos com recursos limitados. É aqui que entra a quantização. Graças à sua arquitetura simplificada, o YOLO26 lida com isso excepcionalmente bem. Ele suporta a implantação INT8 (usando compressão de 8 bits para reduzir o tamanho e melhorar a velocidade com perda mínima de precisão), bem como meia precisão (FP16) para inferência mais rápida em hardware compatível.
Mais importante ainda, o YOLO26 oferece desempenho consistente em todos esses níveis de quantização, para que você possa confiar nele, quer esteja sendo executado em um servidor poderoso ou em um dispositivo de borda compacto.
O YOLO26 pode ser usado em uma ampla variedade de aplicações de visão computacional em diversos setores e casos de uso. Da robótica à manufatura, ele pode causar um impacto significativo, melhorando os fluxos de trabalho e permitindo uma tomada de decisão mais rápida e precisa.
Por exemplo, um bom exemplo é na robótica, onde o YOLO26 pode ajudar os robôs a interpretar seus arredores em tempo real. Isso torna a navegação mais suave e o manuseio de objetos mais preciso. Também permite uma colaboração mais segura com as pessoas.
Outro exemplo é a manufatura, onde o modelo pode ser usado para detecção de defeitos. Ele pode identificar automaticamente falhas nas linhas de produção de forma mais rápida e precisa do que a inspeção manual.
Em geral, como o YOLO26 é melhor, mais rápido e mais leve, ele adapta-se facilmente a uma ampla gama de ambientes, desde dispositivos de ponta leves até grandes sistemas empresariais. Isso torna-o uma escolha prática para indústrias que procuram melhorar a eficiência, a precisão e a fiabilidade.
Ultralytics YOLO26 é um modelo de visão computacional que é melhor, mais rápido e mais leve, ao mesmo tempo em que permanece fácil de usar e ainda oferece um forte desempenho. Ele funciona em uma ampla gama de tarefas e plataformas e estará disponível para todos até o final de outubro. Mal podemos esperar para ver como a comunidade o usa para criar novas soluções e ultrapassar os limites da visão computacional.
Junte-se à nossa crescente comunidade! Explore nosso repositório GitHub para saber mais sobre IA. Descubra inovações como a visão computacional no varejo e a IA na indústria automotiva visitando nossas páginas de soluções. Para começar a construir com visão computacional hoje mesmo, confira nossas opções de licenciamento.
