Ultralytics no Arm Create 2026: IA de visão em tempo real na borda

Em 11 de setembro de 2026, a nossa associada de marketing, Ziyue Wang, e o nosso engenheiro sênior de machine learning, Rick Hou, juntaram-se ao Arm Create, o evento de desenvolvedores da Arm focado em construir, otimizar e implantar IA em nuvem, edge, dispositivos móveis e IA física. O nosso foco foi a implantação de edge do Ultralytics YOLO: como pegar em um modelo de visão computacional treinado e executá-lo em tempo real em dispositivos baseados em Arm.

O evento em Shenzhen seguiu-se a uma paragem anterior em Xangai, e ambos exploraram uma questão que todos os desenvolvedores de IA enfrentam mais cedo ou mais tarde: como transformar um modelo capaz em software que tenha um desempenho fiável no mundo real?

Aqui tens um resumo da nossa sessão, do painel de modelos e de como a Arm e o Ultralytics estão a trabalhar juntos para tornar o Ultralytics YOLO mais acessível aos desenvolvedores que constroem na Arm.

Implementando o Ultralytics YOLO para IA de edge em tempo real#

O nosso engenheiro sênior de machine learning, Rick Hou, apresentou “Deploying Ultralytics YOLO: Real-Time Vision AI at the Edge”, uma sessão prática sobre como otimizar e implantar modelos do Ultralytics YOLO em dispositivos de edge. A palestra percorreu todo o caminho de implantação e partilhou lições do Ultralytics YOLO em aplicações de IA de edge em produção.

Fig 1. Rick da Ultralytics apresentando a implantação de edge do Ultralytics YOLO na Arm Create.

Exportando modelos do Ultralytics YOLO para runtimes de edge#

O primeiro passo na implantação de edge é exportar um modelo treinado para um formato que o runtime de destino suporte. O Rick abordou como o formato de exportação correto depende do dispositivo, do motor de inferência e dos objetivos de desempenho da aplicação.

Quantização de modelos para uma inferência mais rápida no dispositivo#

A quantização reduz a precisão numérica de um modelo, por exemplo de FP32 para FP16 ou INT8, o que encolhe o tamanho do modelo e acelera a inferência com uma perda mínima de precisão. A sessão explicou como equilibrar a velocidade e a precisão quando os orçamentos de computação, memória e energia são apertados.

Atingindo desempenho de visão computacional em tempo real em dispositivos de edge#

A visão computacional em tempo real no edge depende de mais do que o modelo. O pré-processamento, a escolha do runtime e a aceleração de hardware afetam todos a latência e o throughput. O Rick partilhou como identificar estrangulamentos e otimizar todo o pipeline de inferência.

Lições de implantações de IA de edge em produção#

Os benchmarks são um ponto de partida, mas o verdadeiro teste é o desempenho de um modelo no dispositivo em que será lançado, sob condições reais de operação. Validar no hardware de destino real foi uma lição chave da sessão e um tema que surgiu ao longo da Arm Create.

Painel de modelos com Arm, Alibaba Qwen, Tencent e ModelBest#

O Rick também participou de uma discussão em painel de modelos com Arm, Alibaba Qwen, Tencent e ModelBest. Em vez de comparar modelos diretamente, o painel concentrou-se na adequação à aplicação: o que uma carga de trabalho precisa, onde deve ser executada e como se comporta uma vez implantada.

Fig 2. Painel de modelos com Arm, Alibaba Qwen, Tencent, ModelBest e Ultralytics na Arm Create.

Escolhendo o modelo certo para a carga de trabalho#

Uma funcionalidade de resposta rápida numa aplicação móvel, um agente na nuvem a raciocinar sobre grandes conjuntos de documentos e um pipeline de visão de edge exigem modelos muito diferentes. Como a voz de IA de visão no painel, o Rick trouxe a perspectiva de edge, onde a latência, a eficiência e a fiabilidade no dispositivo muitas vezes importam mais do que o tamanho do modelo.

Portal de IA da Arm: Tornando o Ultralytics YOLO mais acessível na Arm#

A Arm Create Shenzhen ocorreu poucos dias depois de a Arm lançar o Arm AI Portal, um hub que ajuda desenvolvedores e agentes de IA a descobrir, otimizar e implantar software de IA na plataforma de computação Arm. Os desenvolvedores podem encontrar modelos pré-otimizados específicos para tarefas com dados de desempenho e precisão, comparar latência, memória e tamanho de modelo, e aceder a exemplos de código e fluxos de trabalho de implantação.

Modelos Ultralytics YOLO pré-otimizados no lançamento#

O Ultralytics YOLO está entre os modelos pré-otimizados disponíveis no lançamento, juntamente com o Alibaba Qwen e o Google Gemma, com a Ultralytics a apoiar o portal como parceira de ecossistema.

Ganhos de desempenho do Ultralytics YOLO26n na Arm#

Os resultados iniciais são promissores. O Ultralytics YOLO26n alcançou mais de 40% de melhoria de desempenho com execução de thread único em duas configurações:

• FP16 versus FP32 num smartphone vivo X300 com SME2
• Quantização mista de FP16 e INT8 versus FP32 num Raspberry Pi 5 com NEON

O que isto significa para os desenvolvedores de IA de edge#

O Arm AI Portal reduz o tempo que os desenvolvedores gastam a pesquisar, testar e ajustar manualmente modelos, criando um caminho mais rápido da seleção de modelos para a implantação em hardware baseado em Arm. Ele apoia a nossa missão de tornar a IA de visão de ponta simples e acessível para todos. Explora o Ultralytics YOLO no Arm AI Portal.

Principais conclusões#

Obrigado à equipa da Arm por nos receber e a todos os que passaram por lá para falar sobre implantação de edge, quantização e IA de visão do mundo real. As conversas em Shenzhen mostraram a rapidez com que o ecossistema de IA de edge está a amadurecer quando modelos, ferramentas e hardware são concebidos para trabalhar em conjunto.

A próxima Arm Create ruma aos EUA, e estamos ansiosos por continuar a conversa. Enquanto isso, visita a documentação da Ultralytics para começares a implantar o Ultralytics YOLO nos teus próprios dispositivos de edge.