Ultralytics YOLO26: o novo padrão para a IA de visão com prioridade na periferia

Hoje, a Ultralytics lança oficialmente o YOLO26, o modelo YOLO mais avançado e implementável até à data. 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, implementados e escalados em sistemas do mundo real.

A IA de visão está a migrar rapidamente para a edge. Cada vez mais, imagens e vídeos são processados diretamente em dispositivos, câmaras, robôs e sistemas incorporados, onde a latência, a fiabilidade e o custo são mais importantes do que a capacidade computacional bruta da cloud. O YOLO26 foi concebido para esta realidade, oferecendo desempenho líder mundial enquanto funciona de forma eficiente em CPUs, aceleradores edge e hardware de baixo consumo.

Embora o YOLO26 represente um avanço significativo, mantém a experiência familiar e simplificada do Ultralytics YOLO em que os programadores confiam. Integra-se perfeitamente nos fluxos de trabalho existentes, suporta uma vasta gama de tarefas de visão e continua a ser fácil de utilizar, tornando a adoção simples tanto para equipas de investigação como de produção.

Fig. 1. Um exemplo da utilização do Ultralytics YOLO26 para deteção de objetos

Neste artigo, vamos explicar tudo o que precisas de saber sobre o Ultralytics YOLO26 e o que um modelo YOLO mais leve, pequeno e 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 desenvolvido com base na ideia de que as capacidades impactantes de IA de visão devem ser fáceis de aceder por todos. Acreditamos que as ferramentas avançadas de visão computacional não devem estar fechadas nem limitadas a um pequeno grupo de organizações.

Na YV25, em Londres, o nosso Fundador e CEO Glenn Jocher partilhou a sua visão sobre este tema, afirmando: “A tecnologia de IA mais extraordinária está à porta fechada. Não é aberta. As grandes empresas controlam os novos desenvolvimentos e todos os outros têm de esperar na fila pelo acesso. Na Ultralytics, temos uma visão diferente. Queremos que a IA esteja nas mãos de todos.”

Também explicou que isto significa tirar a IA da cloud e levá-la para ambientes reais, acrescentando: “Queremos que a tecnologia não fique apenas na cloud, mas que seja transferida para dispositivos edge, para o teu telemóvel, os teus veículos e sistemas de baixo consumo. E queremos que estas pessoas extraordinárias que estão a criar soluções tenham acesso a ela.”

O YOLO26 concretiza esta visão: um modelo concebido para funcionar onde a IA de visão é realmente implementada, e não onde é mais fácil fazer protótipos.

O Ultralytics YOLO26 em detalhe: um modelo de visão de última geração#

Tal como os modelos Ultralytics YOLO anteriores, o YOLO26 suporta várias tarefas de visão computacional numa única família de modelos unificada. Está disponível em cinco tamanhos, Nano (n), Small (s), Medium (m), Large (l) e Extra Large (x), permitindo às equipas equilibrar velocidade, precisão e tamanho do modelo consoante as limitações da implementação.

Além da flexibilidade, o YOLO26 eleva o nível de desempenho. Em comparação com o YOLO11, o modelo nano YOLO26 proporciona uma inferência em CPU até 43% mais rápida, tornando-o num dos modelos de deteção de objetos de alta precisão mais rápidos disponíveis para implementação em edge e baseada em CPU.

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

Eis uma análise mais detalhada das tarefas de visão computacional suportadas pelo YOLO26:

• Classificação de imagens: o YOLO26 pode analisar uma imagem completa e atribuí-la a uma categoria específica, ajudando os sistemas a compreender o contexto geral de uma cena.
• Deteção de objetos: o modelo pode encontrar e localizar vários objetos em imagens ou vídeos.
• Segmentação de instâncias: o YOLO26 pode delinear objetos individuais com detalhe ao nível dos píxeis.
• Estimativa de pose: pode ser utilizado para identificar pontos-chave e estimar poses de pessoas e outros objetos.
• Deteção de caixas delimitadoras orientadas (OBB): o YOLO26 pode detetar objetos em diferentes ângulos, o que é especialmente útil para imagens aéreas e de satélite.
• Rastreamento de objetos: em conjunto com o pacote Python da Ultralytics, o YOLO26 pode ser utilizado para acompanhar objetos ao longo de frames de vídeo e transmissões em direto.

Todas as tarefas suportam treino, validação, inferência e exportação dentro de uma estrutura consistente.

Principais inovações do Ultralytics YOLO26#

O Ultralytics YOLO26 introduz várias inovações fundamentais que melhoram a velocidade de inferência, a estabilidade do treino e a simplicidade da implementação. Eis uma visão geral destas inovações:

• Remoção da Perda Focal de Distribuição (DFL): o módulo DFL foi removido para simplificar a predição de caixas delimitadoras, melhorar a compatibilidade com hardware e facilitar a exportação e execução dos modelos em dispositivos edge e de baixo consumo.
• Inferência end-to-end sem NMS: o YOLO26 foi concebido como um modelo nativo end-to-end que produz diretamente as predições finais, eliminando a necessidade de Supressão de Não Máximos e reduzindo a latência da inferência e a complexidade da implementação.
• Equilíbrio Progressivo da Perda + STAL: estas estratégias de perda melhoradas estabilizam o treino e aumentam a precisão da deteção, especialmente para objetos pequenos e difíceis de detetar.
• Otimizador MuSGD: o YOLO26 utiliza um novo otimizador híbrido que combina SGD com técnicas de otimização inspiradas no Muon para um treino mais estável.
• Inferência em CPU até 43% mais rápida: especificamente otimizado para computação edge, o YOLO26 oferece uma inferência em CPU até 43% mais rápida, permitindo desempenho em tempo real em dispositivos edge.

De seguida, vamos analisar em detalhe estas funcionalidades de próxima geração que tornam o YOLO26 mais rápido, eficiente e fácil de implementar.

Simplificar a predição através da remoção da Perda Focal de Distribuição#

Os modelos YOLO anteriores utilizavam a Perda Focal de Distribuição (DFL) durante o treino para melhorar a precisão das caixas delimitadoras. Embora eficaz, a DFL introduzia complexidade adicional e impunha limites fixos à regressão, tornando a exportação e a implementação mais difíceis, sobretudo em hardware edge e de baixo consumo.

O YOLO26 remove totalmente a DFL. A remoção da DFL elimina os limites fixos de regressão das caixas delimitadoras presentes nos modelos anteriores, melhorando a fiabilidade e a precisão ao detetar objetos muito grandes.

Ao simplificar o processo de predição das caixas delimitadoras, o YOLO26 torna-se mais fácil de exportar e funciona de forma mais fiável numa vasta gama de dispositivos edge e de baixo consumo.

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

Os pipelines tradicionais de deteção de objetos dependem da Supressão de Não Máximos (NMS) como etapa de pós-processamento para filtrar predições sobrepostas. Embora eficaz, a NMS acrescenta latência, complexidade e fragilidade, especialmente ao implementar modelos em vários runtimes e destinos de hardware.

O YOLO26 introduz um modo de inferência nativo end-to-end, no qual o modelo produz diretamente as predições finais sem exigir a NMS como etapa de pós-processamento separada. As predições duplicadas são tratadas dentro da própria rede.

A eliminação da NMS reduz a latência, simplifica os pipelines de implementação e diminui o risco de erros de integração, tornando o YOLO26 especialmente adequado para implementações em tempo real e edge.

Melhorar o reconhecimento com o Equilíbrio Progressivo da Perda + STAL#

Uma funcionalidade essencial relacionada com o treino é a introdução do Equilíbrio Progressivo da Perda (ProgLoss) e da Atribuição de Rótulos Sensível a Alvos Pequenos (STAL). Estas funções de perda melhoradas ajudam a estabilizar o treino e a aumentar a precisão da deteção.

O ProgLoss ajuda o modelo a aprender de forma mais consistente durante o treino, reduzindo a instabilidade e permitindo uma convergência mais suave. Entretanto, o STAL concentra-se em melhorar a forma como o modelo aprende com objetos pequenos, que são frequentemente mais difíceis de detetar devido à quantidade limitada de detalhe visual.

Em conjunto, o ProgLoss e o STAL conduzem a deteções mais fiáveis, com melhorias visíveis no reconhecimento de objetos pequenos. Isto é especialmente importante para aplicações edge, como a Internet das Coisas (IoT), a robótica e as imagens aéreas, nas quais os objetos são frequentemente pequenos, distantes ou parcialmente visíveis.

Treino mais estável com o otimizador MuSGD#

Com o YOLO26, adotámos um novo otimizador chamado MuSGD, concebido para tornar o treino mais estável e eficiente. O MuSGD é uma abordagem híbrida que combina os pontos fortes da tradicional Descida do Gradiente Estocástico (SGD) com técnicas inspiradas no Muon, um otimizador utilizado no treino de modelos de linguagem de grande escala (LLM).

O SGD tem sido uma escolha fiável em visão computacional há muito tempo, graças à sua simplicidade e forte capacidade de generalização. Ao mesmo tempo, avanços recentes no treino de LLM demonstraram que métodos de otimização mais recentes podem melhorar a estabilidade e a velocidade quando aplicados cuidadosamente. O MuSGD traz algumas destas ideias para o campo 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 treino. Isto permite ao YOLO26 alcançar um desempenho elevado mais rapidamente, reduzindo simultaneamente a instabilidade do treino, sobretudo em configurações de treino maiores ou mais complexas.

O MuSGD ajuda o YOLO26 a treinar de forma mais previsível em diferentes tamanhos de modelo, contribuindo tanto para ganhos de desempenho como para a estabilidade do treino.

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

À medida que a IA de visão continua a aproximar-se do local onde os dados são gerados, um desempenho sólido na edge torna-se cada vez mais essencial. Especificamente otimizado para computação edge, o YOLO26 oferece uma inferência em CPU até 43% mais rápida, garantindo desempenho em tempo real em dispositivos sem GPUs. Esta melhoria permite que sistemas de visão responsivos e fiáveis funcionem diretamente em câmaras, robôs e hardware incorporado, onde as limitações de latência, eficiência e custo definem o que é possível.

Tarefas de visão computacional melhoradas suportadas pelo Ultralytics YOLO26#

Além das melhorias arquiteturais que tornam a deteção de objetos mais precisa, o YOLO26 também inclui otimizações específicas para tarefas, concebidas para melhorar o desempenho em várias tarefas de visão computacional. Por exemplo, melhora a segmentação de instâncias, a estimativa de pose e a deteção de caixas delimitadoras orientadas através de atualizações direcionadas que aumentam a precisão e a fiabilidade.

Eis uma visão geral destas otimizações:

• Segmentação de instâncias: o YOLO26 utiliza a perda de segmentação semântica para melhorar a forma como o modelo aprende durante o treino, o que resulta em máscaras de instância mais precisas e consistentes. Um módulo proto atualizado também permite utilizar informação de várias escalas, para que o modelo lide de forma mais eficaz com objetos de diferentes tamanhos, mesmo em cenas complexas.
• Estimativa de pose: ao integrar a Estimativa Residual de Log-Verosimilhança (RLE), uma técnica que modela a incerteza nas predições de pontos-chave, e ao melhorar o processo de descodificação, o YOLO26 oferece pontos-chave mais precisos com melhor desempenho em tempo real.
• Deteção de caixas delimitadoras orientadas: o YOLO26 introduz uma perda de ângulo especializada que ajuda o modelo a aprender a rotação dos objetos com maior precisão, especialmente no caso de objetos quadrados, cuja orientação pode ser ambígua. A descodificação OBB otimizada também reduz saltos repentinos nas predições de ângulo perto dos limites de rotação, resultando em estimativas de orientação mais estáveis e consistentes.

Fig. 3. Utilização do Ultralytics YOLO26 para segmentação de instâncias.

Ultralytics YOLOE-26: segmentação de vocabulário aberto baseada no YOLO26#

A Ultralytics também está a apresentar o YOLOE-26, uma nova família de modelos de segmentação de vocabulário aberto baseada na arquitetura e nas inovações de treino do YOLO26.

O YOLOE-26 não é uma nova tarefa nem uma nova funcionalidade, mas uma família de modelos especializada que reutiliza a tarefa de segmentação existente, permitindo simultaneamente prompts de texto, prompts visuais e inferência sem prompts. Disponível em todos os tamanhos YOLO padrão, o YOLOE-26 oferece maior precisão e desempenho mais fiável no mundo real do que os modelos anteriores de segmentação de vocabulário aberto.

O Ultralytics YOLO26 foi concebido para os ambientes onde a IA de visão realmente funciona#

Desde câmaras orientadas por visão a robôs alimentados por visão computacional e pequenos chips de processamento na edge, a visão computacional e a IA estão a ser implementadas diretamente nos dispositivos para inferência em tempo real. O Ultralytics YOLO26 foi criado especificamente para estes ambientes, onde a baixa latência, a eficiência e o desempenho fiável são vitais.

Na prática, isto significa que o YOLO26 pode ser facilmente implementado numa vasta gama de hardware. Especificamente, através do pacote Python da Ultralytics e da 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 uma inferência de alto desempenho em GPUs NVIDIA, enquanto o CoreML suporta a implementação nativa em dispositivos Apple e o OpenVINO otimiza o desempenho em hardware Intel. O YOLO26 também pode ser exportado para funcionar em vários aceleradores edge dedicados, permitindo uma inferência de elevado débito e eficiência energética em hardware especializado de IA edge.

Estes são apenas alguns exemplos, existindo muitas mais integrações suportadas em ambientes edge e de produção. Esta flexibilidade permite que um único modelo YOLO26 funcione em diversos destinos de implementação. Simplifica os fluxos de trabalho de produção e aproxima a IA de visão da edge.

Redefinir os casos de utilização da visão computacional em vários setores#

Concebido para a implementação no mundo real, o YOLO26 pode ser utilizado numa vasta gama de casos de utilização de visão computacional em diferentes setores. Eis alguns exemplos de onde pode ser aplicado:

• Robótica: o YOLO26 pode ser utilizado em tarefas como navegação, deteção de obstáculos e interação com objetos. Estas capacidades 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 em falta ou problemas no processo. O processamento dos dados no dispositivo mantém a deteção rápida e reduz a dependência de sistemas cloud.

• Aplicações aéreas e com drones: quando implementado em drones, o YOLO26 pode processar imagens aéreas durante o voo para inspeção, mapeamento e levantamento. Isto permite analisar cenas em tempo real, mesmo em locais remotos.

• Sistemas incorporados e IoT: com o seu design leve, o YOLO26 pode funcionar em hardware incorporado e de baixo consumo para processar dados visuais localmente. Os casos de utilização comuns incluem câmaras inteligentes, sensores conectados e dispositivos de monitorização automatizados.

• Cidades inteligentes: em ambientes urbanos, o YOLO26 pode analisar streams de vídeo de câmaras de trânsito e de espaços públicos. Isto permite aplicações como monitorização do trânsito, segurança pública e gestão de infraestruturas na edge.

Fig. 4. O YOLO26 pode ser utilizado em várias aplicações de visão computacional.

Começar a utilizar o Ultralytics YOLO26#

O Ultralytics YOLO26 pode ser utilizado através de dois fluxos de trabalho complementares, dependendo da forma como desenvolves e implementas a IA de visão.

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

A Ultralytics Platform proporciona uma forma centralizada de treinar, implementar e monitorizar modelos YOLO26 em produção. Reúne conjuntos de dados, experiências e implementações num único local, facilitando a gestão de fluxos de trabalho de IA de visão em escala, especialmente para equipas que implementam soluções em ambientes edge e de produção.

Através da Platform, os utilizadores podem:

• Aceder aos modelos YOLO26
• Treinar e ajustar modelos com conjuntos de dados personalizados
• Exportar modelos para implementação edge e de produção
• Monitorizar experiências e modelos implementados num único fluxo de trabalho

👉 Explora o YOLO26 na Ultralytics Platform: platform.ultralytics.com/ultralytics/yolo26

Opção 2: utilizar o Ultralytics YOLO26 através de fluxos de trabalho de código aberto

O YOLO26 continua totalmente acessível através do ecossistema de código aberto da Ultralytics e pode ser utilizado com fluxos de trabalho existentes baseados em Python para treino, inferência e exportação.

Os programadores podem instalar o pacote Ultralytics, carregar modelos YOLO26 pré-treinados e implementá-los utilizando 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 utilizadores que preferem controlo direto ou pipelines personalizados, a documentação e os guias completos estão disponíveis na documentação da Ultralytics.

Ultralytics YOLO26: concebido para o futuro da visão computacional#

O Ultralytics YOLO26 foi concebido para responder às necessidades das soluções de IA de visão do futuro, nas quais os modelos terão de ser rápidos, eficientes e fáceis de implementar em hardware real. Ao melhorar o desempenho, simplificar a implementação e expandir as capacidades do modelo, o YOLO26 integra-se naturalmente numa vasta gama de aplicações do mundo real. O YOLO26 estabelece uma nova referência para a forma como a IA de visão é desenvolvida, implementada e escalada. Estamos entusiasmados por ver como a comunidade o utilizará para lançar sistemas de visão computacional no mundo real.

Junta-te à nossa crescente comunidade e explora o nosso repositório do GitHub para obteres recursos práticos de AI. Para criares hoje com AI de visão, explora as nossas opções de licenciamento. Descobre como a AI na agricultura está a transformar a atividade agrícola e como a AI de visão na robótica está a moldar o futuro, visitando as nossas páginas de soluções.