Ultralytics no Arm Create 2026: IA visual em tempo real na edge

Em 11 de setembro de 2026, nossa associada de marketing, Ziyue Wang, e Rick Hou, engenheiro sênior de aprendizado de máquina, participaram do Arm Create, evento para desenvolvedores da Arm sobre criação, otimização e implementação de IA na nuvem, na borda, em dispositivos móveis e em sistemas físicos. Nosso foco foi a implementação do Ultralytics YOLO na borda: como usar um modelo de visão computacional treinado e executá-lo em tempo real em dispositivos baseados em Arm.

O evento em Shenzhen aconteceu após uma parada anterior em Xangai, e ambos exploraram uma questão que todo desenvolvedor de IA enfrenta mais cedo ou mais tarde: como transformar um modelo capaz em software que funcione de forma confiável no mundo real?

Confira uma recapitulação da nossa sessão, do painel sobre modelos e de como Arm e Ultralytics estão trabalhando juntas para tornar o Ultralytics YOLO mais acessível aos desenvolvedores que criam soluções na plataforma Arm.

Implementação do Ultralytics YOLO para IA de borda em tempo real#

Nosso engenheiro sênior de machine learning, Rick Hou, apresentou “Implantando Ultralytics YOLO: IA visual em tempo real na borda”, uma sessão prática sobre otimização e implantação de modelos Ultralytics YOLO em dispositivos de borda. A apresentação percorreu todo o processo de implantação e compartilhou aprendizados do uso do Ultralytics YOLO em aplicações de IA de borda em produção.

Fig. 1. Rick, da Ultralytics, apresentando a implementação do Ultralytics YOLO na borda no Arm Create.

Exportação de modelos Ultralytics YOLO para ambientes de execução de borda#

A primeira etapa da implementação na borda é exportar um modelo treinado para um formato compatível com o ambiente de execução de destino. Rick explicou como o formato de exportação adequado depende do dispositivo, do mecanismo de inferência e dos objetivos de desempenho da aplicação.

Quantização de modelos para inferência mais rápida no dispositivo#

A quantização reduz a precisão numérica de um modelo, por exemplo, de FP32 para FP16 ou INT8, diminuindo o tamanho do modelo e acelerando a inferência, muitas vezes com perda mínima de precisão. A sessão explicou como equilibrar velocidade e precisão quando os orçamentos de computação, memória e energia são limitados.

Como obter desempenho de visão computacional em tempo real em dispositivos de borda#

A visão computacional em tempo real na borda depende de mais do que o modelo. O pré-processamento, a escolha do ambiente de execução e a aceleração por hardware afetam a latência e a taxa de transferência. Rick explicou como identificar gargalos e otimizar todo o pipeline de inferência.

Aprendizados de implementações de IA de borda em produção#

Os benchmarks são um ponto de partida, mas o verdadeiro teste é o desempenho do modelo no dispositivo em que será lançado, em condições reais de operação. Validar o modelo no hardware de destino real foi um dos principais aprendizados da sessão e um tema recorrente durante o Arm Create.

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

Rick também participou de um painel sobre modelos com Arm, Alibaba Qwen, Tencent e ModelBest. Em vez de comparar modelos diretamente, o painel se concentrou na adequação à aplicação: o que uma carga de trabalho exige, onde deve ser executada e como se comporta depois da implementação.

Fig. 2. Painel sobre modelos com Arm, Alibaba Qwen, Tencent, ModelBest e Ultralytics no Arm Create.

Escolhendo o modelo certo para a carga de trabalho#

Um recurso de resposta rápida em um aplicativo móvel, um agente na nuvem que raciocina sobre grandes conjuntos de documentos e um pipeline de visão na borda exigem modelos muito diferentes. Como representante da IA visual no painel, Rick trouxe a perspectiva da borda, onde latência, eficiência e confiabilidade no próprio dispositivo costumam importar mais do que o tamanho do modelo.

Arm AI Portal: tornando o Ultralytics YOLO mais acessível na Arm#

O Arm Create Shenzhen aconteceu poucos dias depois do lançamento do Arm AI Portal pela Arm, um hub que ajuda desenvolvedores e agentes de IA a descobrir, otimizar e implementar software de IA em toda a plataforma de computação Arm. Os desenvolvedores podem encontrar modelos otimizados previamente e específicos para cada tarefa, com dados de desempenho e precisão, comparar latência, memória e tamanho dos modelos e acessar exemplos de código e fluxos de trabalho de implementação.

Modelos Ultralytics YOLO pré-otimizados no lançamento#

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

Ganhos de desempenho do Ultralytics YOLO26n na Arm#

Os primeiros resultados são promissores. Ultralytics YOLO26n alcançou uma melhoria de desempenho superior a 40% com execução em thread única em duas configurações:

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

O que isso significa para os desenvolvedores de IA de borda#

O Arm AI Portal reduz o tempo que os desenvolvedores passam pesquisando, avaliando o desempenho e ajustando modelos manualmente, criando um caminho mais rápido da seleção do modelo à implantação em hardware baseado em Arm. Isso apoia nossa missão de tornar a IA de visão de última geração simples e acessível para todos. Explore o Ultralytics YOLO no Arm AI Portal.

Principais conclusões#

Agradecemos à equipe da Arm por nos receber e a todos que passaram por lá para conversar sobre implantação de borda, quantização e IA de visão no mundo real. As conversas em Shenzhen mostraram como o ecossistema de IA de borda está amadurecendo rapidamente quando modelos, ferramentas e hardware são projetados para funcionar em conjunto.

O próximo Arm Create será realizado nos EUA, e esperamos continuar a conversa. Enquanto isso, acesse a documentação da Ultralytics para começar a implantar o Ultralytics YOLO nos seus próprios dispositivos de borda.