Ultralytics YOLO26: O novo padrão para Vision AI focado na edge

Hoje, a Ultralytics lança oficialmente o YOLO26, o modelo YOLO mais avançado e pronto para implantação até o momento. Anunciado pela primeira vez no YOLO Vision 2025 (YV25), o YOLO26 representa uma mudança fundamental na forma como os modelos de visão computacional são treinados, implantados e dimensionados em sistemas do mundo real.

A IA de visão está migrando rapidamente para o edge. Cada vez mais, imagens e vídeos são processados diretamente em dispositivos, câmeras, robôs e sistemas embarcados, onde latência, confiabilidade e custo são mais importantes do que a computação bruta em nuvem. O YOLO26 foi projetado para essa realidade, entregando um desempenho líder mundial enquanto roda de forma eficiente em CPUs, aceleradores de edge e hardware de baixo consumo.

Embora o YOLO26 seja um salto significativo, ele ainda mantém a experiência familiar e simplificada do Ultralytics YOLO com a qual os desenvolvedores contam. Ele se integra perfeitamente aos fluxos de trabalho existentes, suporta uma ampla gama de tarefas de visão e continua fácil de usar, tornando a adoção simples tanto para equipes de pesquisa quanto de produção.

Fig 1. Um exemplo de uso do Ultralytics YOLO26 para detecção de objetos

Neste artigo, detalharemos tudo o que você precisa saber sobre o Ultralytics YOLO26 e o que um modelo YOLO mais leve, menor e mais rápido significa para o futuro da IA de visão. Vamos começar!

O Ultralytics YOLO26 estabelece um novo padrão para a IA de visão#

O Ultralytics YOLO26 foi construído com a ideia de que recursos impactantes de IA de visão devem ser fáceis de acessar para todos. Acreditamos que ferramentas poderosas de visão computacional não devem ficar trancadas ou restritas a um pequeno grupo de organizações.

No YV25 em Londres, nosso fundador e CEO Glenn Jocher compartilhou seus pensamentos sobre essa visão, dizendo: “A tecnologia de IA mais incrível está atrás de portas fechadas. Não é aberta. Grandes empresas controlam os novos desenvolvimentos, e todo mundo tem que esperar na fila para ter acesso. Temos uma visão diferente na Ultralytics. Queremos que a IA esteja nas mãos de todos”.

Ele também explicou que isso significa tirar a IA da nuvem e trazê-la para ambientes do mundo real, acrescentando: “Queremos que a tecnologia não apenas fique na nuvem, mas que seja trazida para dispositivos de edge, para seu telefone, seus veículos e sistemas de baixo consumo. E queremos que essas pessoas incríveis que estão criando soluções tenham acesso a isso.”

O YOLO26 reflete essa visão na prática: um modelo projetado para rodar onde a IA de visão é realmente implantada, não onde é mais fácil prototipar.

Analisando o Ultralytics YOLO26: Um modelo de visão de última geração#

Como modelos anteriores do Ultralytics YOLO, o YOLO26 suporta várias tarefas de visão computacional dentro de uma única família de modelos unificada. Ele está disponível em cinco tamanhos, Nano (n), Small (s), Medium (m), Large (l) e Extra Large (x), permitindo que as equipes equilibrem velocidade, precisão e tamanho do modelo dependendo das restrições de implantação.

Além da flexibilidade, o YOLO26 eleva o nível de desempenho. Em comparação com o YOLO11, o modelo YOLO26 nano oferece inferência em CPU até 43% mais rápida, tornando-o um dos modelos de detecção de objetos de alta precisão mais rápidos disponíveis para implantação baseada em borda (edge) e CPU.

Fig 2. O Ultralytics YOLO26 é um modelo de visão de última geração.

Aqui está uma olhada mais de perto nas tarefas de visão computacional suportadas pelo YOLO26:

• Classificação de imagens: O YOLO26 pode analisar uma imagem inteira e atribuí-la a uma categoria específica, ajudando sistemas a entender o contexto geral de uma cena.
• Detecção de objetos: O modelo pode encontrar e localizar múltiplos objetos em imagens ou vídeos.
• Segmentação de instâncias: O YOLO26 pode contornar objetos individuais com detalhes em nível de pixel.
• Estimativa de pose: Ele pode ser usado para identificar pontos-chave e estimar poses para pessoas e outros objetos.
• Detecção de caixa delimitadora orientada (OBB): O YOLO26 pode detectar objetos em diferentes ângulos, o que é especialmente útil para imagens aéreas e de satélite.
• Rastreamento de objetos: Em combinação com o pacote Python da Ultralytics, o YOLO26 pode ser usado para acompanhar objetos em quadros de vídeo e transmissões ao vivo.

Todas as tarefas suportam treinamento, validação, inferência e exportação dentro de um framework consistente.

Principais inovações por trás do Ultralytics YOLO26#

O Ultralytics YOLO26 introduz várias inovações fundamentais que melhoram a velocidade de inferência, a estabilidade de treinamento e a simplicidade de implantação. Aqui está uma visão geral dessas inovações:

• Remoção da Distribution Focal Loss (DFL): O módulo DFL foi removido para simplificar a previsão da caixa delimitadora, melhorar a compatibilidade de hardware e tornar os modelos mais fáceis de exportar e executar em dispositivos de edge e de baixo consumo.
• Inferência end-to-end sem NMS: O YOLO26 é projetado como um modelo nativo end-to-end que fornece previsões finais diretamente, eliminando a necessidade de Non-Maximum Suppression e reduzindo a latência de inferência e a complexidade de implantação.
• Progressive Loss Balancing + STAL: Estas estratégias de perda aprimoradas estabilizam o treinamento e melhoram a precisão da detecção, particularmente para objetos pequenos e difíceis de detectar.
• Otimizador MuSGD: O YOLO26 usa um novo otimizador híbrido que mistura SGD com técnicas de otimização inspiradas em Muon para um treinamento mais estável.
• Inferência em CPU até 43% mais rápida: Especificamente otimizado para computação de edge, o YOLO26 entrega uma inferência em CPU até 43% mais rápida, permitindo desempenho em tempo real em dispositivos de edge.

Em seguida, vamos percorrer esses recursos de próxima geração que tornam o YOLO26 mais rápido, mais eficiente e mais fácil de implantar em detalhes.

Simplificando a previsão através da remoção da Distribution Focal Loss#

Modelos YOLO anteriores usavam Distribution Focal Loss (DFL) durante o treinamento para melhorar a precisão da caixa delimitadora. Embora eficaz, a DFL introduzia complexidade adicional e impunha limites de regressão fixos que tornavam a exportação e a implantação mais desafiadoras, particularmente em hardware de edge e de baixo consumo.

O YOLO26 remove a DFL completamente. Remover a DFL elimina os limites fixos de regressão de caixa delimitadora presentes em modelos anteriores, melhorando a confiabilidade e a precisão ao detectar objetos muito grandes.

Ao simplificar o processo de previsão de caixa delimitadora, o YOLO26 torna-se mais fácil de exportar e roda com maior confiabilidade em uma ampla gama de dispositivos de edge e de baixo consumo.

Inferência end-to-end sem NMS com o Ultralytics YOLO26#

Os pipelines tradicionais de detecção de objetos dependem da Supressão Não Máxima (NMS) como uma etapa de pós-processamento para filtrar previsões sobrepostas. Embora eficaz, a NMS adiciona latência, complexidade e fragilidade, especialmente ao implantar modelos em vários runtimes e alvos de hardware.

O YOLO26 introduz um modo de inferência nativo end-to-end, onde o modelo fornece diretamente as previsões finais sem exigir NMS como uma etapa de pós-processamento separada. Previsões duplicadas são tratadas dentro da própria rede.

Eliminar o NMS reduz a latência, simplifica os pipelines de implantação e reduz o risco de erros de integração, tornando o YOLO26 particularmente bem adequado para implantações em tempo real e de edge.

Melhorando o reconhecimento com Progressive Loss Balancing + STAL#

Um recurso crucial relacionado ao treinamento é a introdução de Progressive Loss Balancing (ProgLoss) e Small-Target-Aware Label Assignment (STAL). Estas funções de perda aprimoradas ajudam a estabilizar o treinamento e melhorar a precisão da detecção.

O ProgLoss ajuda o modelo a aprender de forma mais consistente durante o treinamento, reduzindo a instabilidade e permitindo que ele converja de forma mais suave. Enquanto isso, o STAL foca em melhorar a forma como o modelo aprende com objetos pequenos, que geralmente são mais difíceis de detectar devido ao detalhe visual limitado.

Juntos, o ProgLoss e o STAL levam a detecções mais confiáveis, com melhorias notáveis no reconhecimento de objetos pequenos. Isso é especialmente importante para aplicações de edge, como Internet das Coisas (IoT), robótica e imagens aéreas, onde os objetos são frequentemente pequenos, distantes ou parcialmente visíveis.

Treinamento mais estável com o otimizador MuSGD#

Com o YOLO26, adotamos um novo otimizador chamado MuSGD, projetado para tornar o treinamento mais estável e eficiente. O MuSGD é uma abordagem híbrida que combina os pontos fortes do Stochastic Gradient Descent (SGD) tradicional com técnicas inspiradas em Muon, um otimizador usado no treinamento de grandes modelos de linguagem (LLM).

O SGD tem sido uma escolha confiável em visão computacional por muito tempo, graças à sua simplicidade e forte generalização. Ao mesmo tempo, avanços recentes no treinamento de LLM mostraram que novos métodos de otimização podem melhorar a estabilidade e a velocidade quando aplicados com cuidado. O MuSGD traz algumas dessas ideias para o espaço da visão computacional.

Inspirado no Kimi K2 da Moonshot AI, o MuSGD incorpora estratégias de otimização que ajudam o modelo a convergir de forma mais suave durante o treinamento. Isso torna possível para o YOLO26 alcançar um forte desempenho mais rapidamente enquanto reduz a instabilidade de treinamento, especialmente em setups de treinamento maiores ou mais complexos.

O MuSGD ajuda o YOLO26 a treinar de forma mais previsível através dos tamanhos de modelo, contribuindo tanto para ganhos de desempenho quanto para estabilidade de treinamento.

O Ultralytics YOLO26 entrega uma inferência em CPU até 43% mais rápida#

À medida que a IA de visão continua a se mover para mais perto de onde os dados são gerados, um forte desempenho de edge está se tornando cada vez mais crucial. Especificamente otimizado para computação de edge, o YOLO26 entrega uma inferência em CPU até 43% mais rápida, garantindo desempenho em tempo real em dispositivos sem GPUs. Esse aprimoramento permite que sistemas de visão responsivos e confiáveis rodem diretamente em câmeras, robôs e hardware embarcado, onde latência, eficiência e restrições de custo definem o que é possível.

Tarefas de visão computacional aprimoradas suportadas pelo Ultralytics YOLO26#

Além de melhorias arquiteturais que tornam a detecção de objetos mais precisa, o YOLO26 também inclui otimizações específicas de tarefa projetadas para melhorar o desempenho em tarefas de visão computacional. Por exemplo, ele aprimora a segmentação de instâncias, a estimativa de pose e a detecção de caixa delimitadora orientada com atualizações direcionadas que melhoram a precisão e a confiabilidade.

Aqui está uma visão geral dessas otimizações:

• Segmentação de instâncias: O YOLO26 usa perda de segmentação semântica para melhorar como o modelo aprende durante o treinamento, o que leva a máscaras de instância mais precisas e consistentes. Um módulo proto atualizado também permite o uso de informações de múltiplas escalas, para que o modelo lide com objetos de diferentes tamanhos de forma mais eficaz, mesmo em cenas complexas.
• Estimativa de pose: Ao integrar a Residual Log-Likelihood Estimation (RLE), uma técnica que modela a incerteza nas previsões de pontos-chave, e melhorar o processo de decodificação, o YOLO26 entrega pontos-chave mais precisos com melhor desempenho em tempo real.
• Detecção de caixa delimitadora orientada: O YOLO26 introduz uma perda de ângulo especializada que ajuda o modelo a aprender a rotação de objetos com mais precisão, especialmente para objetos em formato quadrado onde a orientação pode ser ambígua. A decodificação de OBB otimizada também reduz saltos repentinos nas previsões de ângulo perto de limites de rotação, resultando em estimativas de orientação mais estáveis e consistentes.

Fig 3. Usando o Ultralytics YOLO26 para segmentação de instâncias.

Ultralytics YOLOE-26: segmentação de vocabulário aberto construída sobre o YOLO26#

A Ultralytics também está apresentando o YOLOE-26, uma nova família de modelos de segmentação de vocabulário aberto construída sobre a arquitetura e as inovações de treinamento do YOLO26.

O YOLOE-26 não é uma nova tarefa ou recurso, mas uma família de modelos especializada que reutiliza a tarefa de segmentação existente, ao mesmo tempo que permite prompts de texto, prompts visuais e inferência sem prompt. Disponível em todos os tamanhos padrão do YOLO, o YOLOE-26 entrega uma precisão mais forte e um desempenho mais confiável no mundo real do que modelos de segmentação de vocabulário aberto anteriores.

O Ultralytics YOLO26 foi projetado para onde a IA de visão realmente roda#

De câmeras orientadas por visão a robôs movidos por visão computacional e pequenos chips de processamento no edge, a visão computacional e a IA estão sendo implantadas diretamente no dispositivo para inferência em tempo real. O Ultralytics YOLO26 é construído especificamente para esses ambientes, onde baixa latência, eficiência e desempenho confiável são vitais.

Na prática, isso significa que o YOLO26 pode ser implantado facilmente em uma ampla gama de hardwares. Especificamente, através do pacote Python da Ultralytics e sua vasta gama de integrações, os modelos podem ser exportados para formatos otimizados para diferentes plataformas e aceleradores de hardware.

Por exemplo, a exportação para TensorRT permite inferência de alto desempenho em GPUs NVIDIA, enquanto o CoreML suporta implantação nativa em dispositivos Apple, e o OpenVINO otimiza o desempenho em hardware Intel. O YOLO26 também pode ser exportado para rodar em múltiplos aceleradores de edge dedicados, permitindo inferência de alto throughput e eficiência energética em hardware especializado de Edge AI.

Estes são apenas alguns exemplos, com muitas outras integrações suportadas em ambientes de edge e produção. Essa flexibilidade permite que um único modelo YOLO26 rode em diversos alvos de implantação. Isso simplifica os fluxos de trabalho de produção e traz a IA de visão para mais perto do edge.

Redefinindo casos de uso de visão computacional em todos os setores#

Projetado para implantação no mundo real, o YOLO26 pode ser usado em uma ampla gama de casos de uso de visão computacional em diferentes setores. Aqui estão alguns exemplos de onde ele pode ser aplicado:

• Robótica: O YOLO26 pode ser usado para tarefas como navegação, detecção de obstáculos e interação com objetos. Esses recursos apoiam operações robóticas seguras e eficazes em ambientes dinâmicos.

• Manufatura: Nas linhas de produção, o YOLO26 pode analisar imagens e vídeos para identificar defeitos, componentes ausentes ou problemas de processo. O processamento de dados no dispositivo mantém a detecção rápida e reduz a dependência de sistemas em nuvem.

• Aplicações aéreas e de drones: Quando implantado em drones, o YOLO26 pode processar imagens aéreas durante o voo para inspeção, mapeamento e levantamento. Isso torna possível analisar cenas em tempo real, mesmo em locais remotos.

• Sistemas embarcados e IoT: Com seu design leve, o YOLO26 pode rodar em hardware embarcado de baixo consumo para processar dados visuais localmente. Casos de uso comuns incluem câmeras inteligentes, sensores conectados e dispositivos de monitoramento automatizado.

• Cidades inteligentes: Em ambientes urbanos, o YOLO26 pode analisar transmissões de vídeo de câmeras de trânsito e espaços públicos. Isso permite aplicações como monitoramento de tráfego, segurança pública e gestão de infraestrutura no edge.

Fig 4. O YOLO26 pode ser usado para várias aplicações de visão computacional.

Começando com o Ultralytics YOLO26#

O Ultralytics YOLO26 pode ser usado através de dois fluxos de trabalho complementares, dependendo de como você constrói e implanta IA de visão.

Opção 1: Use o Ultralytics YOLO26 através da Ultralytics Platform (recomendado)

A Ultralytics Platform fornece uma maneira centralizada de treinar, implantar e monitorar modelos YOLO26 em produção. Ela reúne datasets, experimentos e implantações em um só lugar, tornando mais fácil gerenciar fluxos de trabalho de IA de visão em escala, especialmente para equipes implantando em ambientes de edge e de produção.

Através da Platform, os usuários podem:

• Acessar modelos YOLO26
• Treinar e fazer fine-tuning em datasets personalizados
• Exportar modelos para implantação em edge e produção
• Monitorar experimentos e modelos implantados em um único fluxo de trabalho

👉 Explore o YOLO26 na Plataforma Ultralytics: platform.ultralytics.com/ultralytics/yolo26

Opção 2: Use o Ultralytics YOLO26 via fluxos de trabalho open-source

O YOLO26 permanece totalmente acessível através do ecossistema open-source da Ultralytics e pode ser usado com fluxos de trabalho baseados em Python existentes para treinamento, inferência e exportação.

Os desenvolvedores podem instalar o pacote Ultralytics, carregar modelos YOLO26 pré-treinados e implantá-los usando ferramentas e formatos familiares como ONNX, TensorRT, CoreML ou OpenVINO.

pip install ultralytics

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Para usuários que preferem controle prático ou pipelines personalizados, documentação completa e guias estão disponíveis na documentação da Ultralytics.

Ultralytics YOLO26: Construído para o que vem a seguir em visão computacional#

O Ultralytics YOLO26 foi projetado para atender às necessidades das soluções de IA de visão de amanhã, onde os modelos terão que ser rápidos, eficientes e fáceis de implantar em hardware real. Ao melhorar o desempenho, simplificar a implantação e expandir o que o modelo pode fazer, o YOLO26 se encaixa naturalmente em uma ampla gama de aplicações do mundo real. O YOLO26 estabelece uma nova base para a forma como a IA de visão é construída, implantada e escalada. Estamos empolgados em ver como a comunidade o utiliza para entregar sistemas de visão computacional no mundo real.

Junte-se à nossa crescente community e explore nosso GitHub repository para obter recursos práticos de IA. Para criar com IA de visão hoje mesmo, explore nossas licensing options. Descubra como a AI in agriculture está transformando a agricultura e como a vision AI in robotics está moldando o futuro visitando nossas páginas de soluções.