Conhece o Ultralytics YOLO26: Um modelo YOLO melhor, mais rápido e mais pequeno

No dia 25 de setembro, no nosso evento híbrido anual, o YOLO Vision 2025 (YV25) em Londres, Glenn Jocher, nosso Fundador e CEO, anunciou oficialmente o mais recente avanço na série de modelos Ultralytics YOLO, o Ultralytics YOLO26! 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 adicione novas melhorias, ele continua oferecendo os recursos familiares que os usuários 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.

Nem é preciso dizer que isso torna a migração para o Ultralytics YOLO26 descomplicada, e mal podemos esperar para ver os usuários experimentando por conta própria quando ele estiver disponível publicamente no final de outubro.

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

Em resumo, o Ultralytics YOLO26 é um modelo de IA de visão melhor, mais rápido e menor. Neste artigo, vamos explorar os principais recursos do Ultralytics YOLO26 e o que ele traz de novo. Vamos começar!

Link to this sectionExpandindo as fronteiras da IA de visão com o Ultralytics YOLO26#

Antes de mergulharmos 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 IA de visão acessível para que qualquer pessoa possa usá-la sem barreiras. Por outro lado, estamos igualmente comprometidos em mantê-la na vanguarda, expandindo os limites do que os modelos de visão computacional podem alcançar.

Um fator chave por trás dessa missão é que o espaço da IA está sempre evoluindo. Por exemplo, a Edge AI, que envolve a execução de modelos de IA diretamente em dispositivos em vez de depender da nuvem, está sendo adotada rapidamente em vários setores.

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

É por isso que há uma necessidade constante de continuar melhorando nossos modelos Ultralytics YOLO. Como diz Glenn Jocher: “Um dos maiores desafios foi garantir que os usuários possam aproveitar ao máximo o YOLO26 enquanto entregamos o melhor desempenho”.

Link to this sectionUma visão geral do Ultralytics YOLO26#

O YOLO26 está disponível imediatamente em cinco variantes de modelo diferentes, dando a você a flexibilidade de aproveitar suas capacidades em aplicações de qualquer escala. Todas essas variantes de modelo suportam múltiplas tarefas de visão computacional, assim como os modelos Ultralytics YOLO anteriores. Isso significa que, independentemente do tamanho que você escolher, você pode contar com o YOLO26 para oferecer uma ampla gama de recursos, muito parecido com o Ultralytics YOLO11.

Aqui está uma visão geral das tarefas de visão computacional suportadas pelo YOLO26:

• Detecção de objetos: O YOLO26 pode identificar e localizar múltiplos objetos dentro de uma imagem ou frame de vídeo.
• Segmentação de instâncias: Indo um passo além da detecção, o YOLO26 pode gerar limites perfeitos em nível de pixel ao redor de cada objeto que identifica.
• Classificação de imagens: O modelo pode analisar uma imagem inteira e atribuí-la a uma categoria ou rótulo específico.
• Estimativa de pose: O YOLO26 pode detectar pontos-chave e estimar poses para humanos, bem como para outros objetos.
• Caixas delimitadoras orientadas (OBB): O modelo pode detectar objetos em qualquer ângulo, o que é especialmente útil para imagens aéreas, de drones e de satélite, onde itens como edifícios, veículos ou plantações podem não estar alinhados com o enquadramento da imagem.
• Rastreamento de objetos: O YOLO26 pode ser usado para rastrear objetos em frames de vídeo ou fluxos em tempo real.

Fig 2. Detectando objetos em uma imagem usando YOLO26.

Link to this sectionUm olhar sobre a arquitetura do YOLO26#

Agora que temos uma compreensão melhor do que o YOLO26 é capaz de fazer, vamos percorrer algumas das inovações em sua arquitetura.

O design do modelo foi simplificado pela remoção do módulo Distribution Focal Loss (DFL), que anteriormente tornava a inferência mais lenta e limitava a regressão da caixa delimitadora.

O processo de predição também foi simplificado com uma opção de inferência end-to-end (E2E), que permite que o modelo pule a etapa tradicional de Non-Maximum Suppression (NMS). Esse aprimoramento reduz a complexidade e permite que o modelo entregue 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.

Na verdade, a menor versão do YOLO26, o modelo nano, agora roda até 43% mais rápido em CPUs padrão, tornando-o especialmente adequado para aplicativos móveis, câmeras inteligentes e outros dispositivos de borda onde a velocidade e a eficiência são críticas. Aqui está uma rápida recapitulação dos recursos do YOLO26 e o que os usuários podem esperar:

• Remoção do DFL: Removemos o módulo Distribution Focal Loss da arquitetura do modelo. Independentemente do tamanho dos objetos em uma imagem, o YOLO26 pode posicionar caixas delimitadoras personalizadas enquanto funciona com mais eficiência.
• Inferência end-to-end sem NMS: O YOLO26 adiciona um modo opcional que não precisa de Non-Maximum Suppression (NMS), um passo normalmente usado para remover predições duplicadas, tornando a implementação mais simples e rápida para uso em tempo real.
• ProgLoss e STAL: Essas melhorias tornam o treinamento mais estável e aumentam significativamente a precisão, especialmente para detectar objetos pequenos em cenas complexas.
• Otimizador MuSGD: O 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. Benchmarking do YOLO26.

Link to this sectionSimplificando a implementação com o Ultralytics YOLO26#

Esteja você trabalhando em aplicativos móveis, câmeras inteligentes ou sistemas corporativos, implementar o YOLO26 é simples e flexível. O pacote Python da Ultralytics suporta um número cada vez maior de formatos de exportação, o que torna fácil integrar o YOLO26 em fluxos de trabalho existentes e compatível com quase qualquer plataforma.

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

Outra parte crucial da implementação é garantir que os modelos rodem com eficiência 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 implementação 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 suportado.

Mais importante, o YOLO26 oferece desempenho consistente através desses níveis de quantização, então você pode confiar nele, seja executando em um servidor potente ou em um dispositivo de borda compacto.

Link to this sectionDa robótica à manufatura: Casos de uso do YOLO26#

O YOLO26 pode ser usado em uma grande variedade de aplicações de visão computacional em muitos setores e casos de uso diferentes. Da robótica à manufatura, ele pode causar um impacto significativo ao melhorar fluxos de trabalho e permitir uma tomada de decisão mais rápida e precisa.

Por exemplo, um bom exemplo é na robótica, onde o YOLO26 pode ajudar robôs a interpretar seus arredores em tempo real. Isso torna a navegação mais fluida e o manuseio de objetos mais preciso. Também permite uma colaboração mais segura com pessoas.

Outro exemplo é na manufatura, onde o modelo pode ser usado para detecção de defeitos. Ele consegue identificar automaticamente falhas em linhas de produção mais rápido e com mais precisão do que a inspeção manual.

Fig 4. Detectando garrafas em uma fábrica usando YOLO26.

Em geral, como o YOLO26 é melhor, mais rápido e mais leve, ele se adapta facilmente a uma ampla gama de ambientes, desde dispositivos de borda leves até grandes sistemas corporativos. Isso o torna uma escolha prática para setores que buscam melhorar a eficiência, a precisão e a confiabilidade.

Link to this sectionPrincipais pontos#

O Ultralytics YOLO26 é um modelo de visão computacional que é melhor, mais rápido e mais leve, mantendo-se fácil de usar e entregando um desempenho robusto. Ele funciona em uma ampla gama de tarefas e plataformas e estará disponível para todos no final de outubro. Mal podemos esperar para ver como a comunidade o utilizará para criar novas soluções e expandir as fronteiras da visão computacional.

Junte-se à nossa crescente comunidade! Explore nosso repositório no GitHub para aprender mais sobre IA. Descubra inovações como visão computacional no varejo e IA na indústria automotiva visitando nossas páginas de soluções. Para começar a construir com visão computacional hoje, confira nossas opções de licenciamento.