Ultralytics YOLO26: o novo padrão para IA de visão voltada à borda

Hoje, a Ultralytics lança oficialmente o YOLO26, o modelo YOLO mais avançado e fácil de implementar até hoje. 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 reais.

A IA visual está a migrar rapidamente para a periferia da rede. Cada vez mais, as imagens e os vídeos são processados diretamente em dispositivos, câmaras, robôs e sistemas integrados, onde a latência, a fiabilidade e o custo são mais importantes do que a capacidade bruta de computação na cloud. O YOLO26 foi concebido para esta realidade, oferecendo uma precisão de ponta e funcionando de forma eficiente em CPUs, aceleradores de periferia 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 nos fluxos de trabalho existentes, suporta uma vasta gama de tarefas de visão e continua a ser fácil de utilizar, facilitando a adoção por equipas de investigação e de produção.

Fig. 1. 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 significa um modelo YOLO mais leve, pequeno e rápido para o futuro da IA visual.

Ultralytics YOLO26 estabelece um novo padrão para IA de visão#

O Ultralytics YOLO26 foi desenvolvido com base na ideia de que todos devem ter fácil acesso a recursos impactantes de IA de visão. Acreditamos que ferramentas poderosas de visão computacional não devem ficar inacessíveis nem ser limitadas a um pequeno grupo de organizações.

No YV25, em Londres, nosso fundador e CEO Glenn Jocher compartilhou suas ideias sobre essa visão: “A tecnologia de IA mais incrível fica a portas fechadas. Ela não é aberta. Grandes empresas controlam os novos desenvolvimentos, e todos os outros precisam esperar na fila para ter acesso. Na Ultralytics, temos uma visão diferente. Queremos que a IA esteja ao alcance de todos.”

Ele também explicou que isso significa tirar a IA da nuvem e levá-la para ambientes reais, acrescentando: “Queremos que a tecnologia não fique apenas na nuvem, mas que seja levada para dispositivos de borda, para o seu celular, seus veículos e sistemas de baixo consumo. E queremos que essas pessoas incríveis que estão criando soluções tenham acesso a ela.”

O YOLO26 coloca essa visão em prática: é um modelo projetado para funcionar onde a IA de visão realmente é implementada, e não onde é mais fácil fazer protótipos.

Conheça o Ultralytics YOLO26: um modelo de visão de última geração#

Assim como os modelos Ultralytics YOLO anteriores, o YOLO26 oferece suporte a várias tarefas de visão computacional em 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 de acordo com as restrições de implementação.

Para além da flexibilidade, o YOLO26 eleva o patamar de desempenho. Em comparação com o YOLO11, o modelo nano YOLO26 oferece uma inferência em CPU até 43% mais rápida, tornando-se num dos modelos de deteção de objetos de alta precisão mais rápidos disponíveis para implementação em dispositivos de periferia e baseados em CPU.

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

Veja mais de perto as tarefas de visão computacional compatíveis com o YOLO26:

• Deteção de objetos: o modelo consegue encontrar e localizar vários objetos em imagens ou vídeos.
• Segmentação de instâncias: o YOLO26 consegue delinear objetos individuais com detalhe ao nível do píxel.
• Classificação de imagens: o YOLO26 consegue analisar uma imagem inteira e atribuí-la a uma categoria específica, ajudando os sistemas a compreender o contexto geral de uma cena.
• 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 consegue detetar objetos em diferentes ângulos, o que é especialmente útil em imagens aéreas e de satélite.
• Rastreamento de objetos: em conjunto 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 treino, validação, inferência e exportação num ambiente consistente. Desde o lançamento, o YOLO26 também passou a incluir segmentação semântica e estimativa monocular de profundidade.

Principais inovações por trás do Ultralytics YOLO26#

O Ultralytics YOLO26 apresenta várias inovações fundamentais que melhoram a velocidade de inferência, a estabilidade do treinamento e a simplicidade da implementação. Veja a seguir uma visão geral dessas inovações:

• Remoção da Distribution Focal Loss (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 de borda e de baixo consumo.
• Inferência ponta a ponta sem NMS: o YOLO26 foi projetado como um modelo nativamente ponta a ponta que gera as predições finais diretamente, eliminando a necessidade da supressão não máxima e reduzindo a latência de inferência e a complexidade da implementação.
• Progressive Loss Balancing + STAL: essas estratégias de perda aprimoradas estabilizam o treinamento e aumentam a precisão da detecção, especialmente para objetos pequenos e difíceis de detectar.
• Otimizador MuSGD: o YOLO26 usa um novo otimizador híbrido que combina SGD com técnicas de otimização inspiradas no Muon para tornar o treinamento mais estável.
• Inferência na CPU até 43% mais rápida: otimizado especificamente para computação de borda, o YOLO26 oferece inferência na CPU até 43% mais rápida, permitindo desempenho em tempo real em dispositivos de borda.

A seguir, vamos analisar em detalhe as funcionalidades que tornam o YOLO26 mais rápido, eficiente e fácil de implementar.

Simplificação da predição com a remoção da Distribution Focal Loss#

Os modelos YOLO anteriores usavam Distribution Focal Loss (DFL) durante o treinamento para aumentar a precisão das caixas delimitadoras. Embora eficaz, a DFL acrescentava complexidade e impunha limites fixos à regressão, dificultando a exportação e a implementação, sobretudo em hardware de borda e de baixo consumo.

O YOLO26 remove completamente a DFL. A remoção da DFL elimina os limites fixos de regressão das caixas delimitadoras presentes nos modelos anteriores, melhorando a confiabilidade e a precisão na detecção de objetos muito grandes.

Ao simplificar o processo de predição das caixas delimitadoras, o YOLO26 fica mais fácil de exportar e funciona com mais confiabilidade em uma ampla variedade de dispositivos de borda e de baixo consumo.

Inferência ponta a ponta sem NMS com o Ultralytics YOLO26#

Os pipelines tradicionais de detecção de objetos dependem da supressão não máxima (NMS) como etapa de pós-processamento para filtrar predições sobrepostas. Embora eficaz, a NMS aumenta a latência e a complexidade e torna o processo mais suscetível a falhas, especialmente ao implementar modelos em vários ambientes de execução e alvos de hardware.

O YOLO26 introduz um modo de inferência nativo de ponta a ponta, no qual o modelo gera diretamente as previsões finais sem precisar de utilizar NMS como uma etapa de pós-processamento separada. As previsões duplicadas são tratadas pela própria rede.

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

Aprimoramento do reconhecimento com Progressive Loss Balancing + STAL#

Uma funcionalidade importante relacionada com o treino é a introdução de Progressive Loss Balancing (ProgLoss) e Small-Target-Aware Label Assignment (STAL). Estas melhorias no treino ajudam a estabilizá-lo e a melhorar a precisão da deteção.

A ProgLoss ajuda o modelo a aprender de forma mais consistente durante o treinamento, reduzindo a instabilidade e permitindo uma convergência mais suave. Já a STAL se concentra em aprimorar a forma como o modelo aprende com objetos pequenos, que muitas vezes são mais difíceis de detectar devido à quantidade limitada de detalhes visuais.

Em conjunto, a ProgLoss e a STAL proporcionam detecções mais confiáveis, com melhorias perceptíveis no reconhecimento de objetos pequenos. Isso é especialmente importante para aplicações de borda, como a Internet das Coisas (IoT), a robótica e as imagens aéreas, nas quais os objetos costumam ser 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 método tradicional de descida do gradiente estocástico (SGD) com técnicas inspiradas no Muon, um otimizador usado no treinamento de modelos de linguagem de grande porte (LLM).

O SGD é uma escolha confiável em visão computacional há muito tempo, graças à sua simplicidade e forte capacidade de generalização. Ao mesmo tempo, avanços recentes no treinamento de LLMs mostraram que métodos de otimização mais novos podem melhorar a estabilidade e a velocidade quando aplicados com cuidado. O MuSGD traz algumas dessas 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 treinamento. Isso permite que o YOLO26 alcance um alto desempenho mais rapidamente e reduza a instabilidade do treinamento, especialmente em configurações de treinamento 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 quanto para a estabilidade do treinamento.

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

À medida que a IA de visão se aproxima cada vez mais do local onde os dados são gerados, o alto desempenho na borda se torna cada vez mais crucial. Otimizado especificamente para computação de borda, o YOLO26 oferece inferência na CPU até 43% mais rápida, garantindo desempenho em tempo real em dispositivos sem GPUs. Essa melhoria permite que sistemas de visão responsivos e confiáveis funcionem diretamente em câmeras, robôs e hardware embarcado, onde as restrições de latência, eficiência e custo determinam o que é possível.

Tarefas de visão computacional aprimoradas com suporte do Ultralytics YOLO26#

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

Confira a seguir uma visão geral dessas otimizações:

• Segmentação de instâncias: o YOLO26 usa uma função de perda de segmentação semântica para melhorar o aprendizado do modelo durante o treinamento, o que resulta em máscaras de instância mais precisas e consistentes. Um módulo proto atualizado também permite usar informações de várias escalas, ajudando o modelo a lidar com mais eficiência com objetos de diferentes tamanhos, mesmo em cenas complexas.
• Estimativa de pose: ao integrar a Residual Log-Likelihood Estimation (RLE), uma técnica que modela a incerteza nas predições de pontos-chave, e aprimorar o processo de decodificação, o YOLO26 oferece pontos-chave mais precisos e melhor desempenho em tempo real.
• Detecção de caixas delimitadoras orientadas: o YOLO26 apresenta uma função de perda angular especializada que ajuda o modelo a aprender com mais precisão a rotação dos objetos, especialmente no caso de objetos quadrados, cuja orientação pode ser ambígua. A decodificação OBB otimizada também reduz mudanças bruscas nas predições de ângulo próximas aos limites de rotação, resultando em estimativas de orientação mais estáveis e consistentes.

Fig. 3. Uso 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 um novo recurso, mas uma família especializada de modelos que reutiliza a tarefa de segmentação existente e permite o uso de prompts de texto, prompts visuais e inferência sem prompts. Disponível em todos os tamanhos padrão do YOLO, o YOLOE-26 oferece maior precisão e desempenho mais confiável no mundo real do que os modelos anteriores de segmentação de vocabulário aberto.

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

De câmeras guiadas por visão a robôs equipados com visão computacional e pequenos chips de processamento na borda, a visão computacional e a IA estão sendo implementadas diretamente nos dispositivos para realizar inferências em tempo real. O Ultralytics YOLO26 foi desenvolvido especificamente para esses ambientes, nos quais baixa latência, eficiência e desempenho confiável são essenciais.

Na prática, isso significa que o YOLO26 pode ser facilmente implementado em uma ampla variedade de hardwares. Mais especificamente, por meio do pacote Python da Ultralytics e de sua ampla variedade 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 CoreML permite a implementação nativa em dispositivos Apple e OpenVINO otimiza o desempenho em hardware Intel. O YOLO26 também pode ser exportado para funcionar em vários aceleradores de periferia dedicados, permitindo uma inferência de alto débito e eficiência energética em hardware especializado de IA de periferia.

Estes são apenas alguns exemplos: há muitas outras integrações compatíveis com ambientes de borda e produção. Essa flexibilidade permite que um único modelo YOLO26 funcione em diversos alvos de implementação. Isso simplifica os fluxos de trabalho de produção e aproxima a IA de visão da borda.

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

Projetado para implementação no mundo real, o YOLO26 pode ser usado em uma ampla variedade de casos de uso de visão computacional em diferentes setores. Veja alguns exemplos de aplicações:

• Robótica: o YOLO26 pode ser usado em tarefas como navegação, detecção de obstáculos e interação com objetos. Esses recursos contribuem para 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 na nuvem.
• Aplicações aéreas e com drones: quando instalado em drones, o YOLO26 pode processar imagens aéreas durante o voo para inspeção, mapeamento e levantamento topográfico. Isso permite analisar cenas em tempo real, até mesmo em locais remotos.
• Sistemas embarcados e de IoT: com seu design leve, o YOLO26 pode funcionar em hardware embarcado de baixo consumo para processar dados visuais localmente. Entre os casos de uso comuns estão 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 na borda.

Fig. 4. O YOLO26 pode ser usado em diversas aplicações de visão computacional.

Como começar a usar o Ultralytics YOLO26#

O Ultralytics YOLO26 pode ser usado em dois fluxos de trabalho complementares, dependendo de como você cria e implementa IA de visão.

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

A Ultralytics Platform oferece uma forma centralizada de treinar, implementar e monitorizar modelos YOLO26 em produção. Reúne conjuntos de dados, experiências e implementações num só lugar, facilitando a gestão de fluxos de trabalho de IA visual em grande escala, sobretudo para equipas que implementam soluções na periferia da rede e em ambientes de produção.

Na Platform, os usuários podem:

• Acessar os modelos YOLO26
• Treinar e ajustar modelos com conjuntos de dados personalizados
• Exportar modelos para implementação na borda e em produção
• Monitorar experimentos e modelos implementados em um único fluxo de trabalho

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

Opção 2: use o Ultralytics YOLO26 em fluxos de trabalho de código aberto

O YOLO26 continua totalmente acessível pelo ecossistema de código aberto da Ultralytics e pode ser usado com fluxos de trabalho existentes baseados em Python para treinamento, inferência e exportação.

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

pip install ultralytics

from ultralytics import YOLO

# Carrega um modelo YOLO26n pré-treinado no COCO
model = YOLO("yolo26n.pt")

# Executa inferência com o modelo YOLO26n na imagem 'bus.jpg'
results = model("path/to/bus.jpg")

Para quem prefere controle direto ou pipelines personalizados, a documentação completa e os guias estão disponíveis na documentação da Ultralytics.

Ultralytics YOLO26: criado para o futuro da visão computacional#

O Ultralytics YOLO26 foi projetado para atender às necessidades das soluções de IA de visão do futuro, nas quais os modelos precisarão ser rápidos, eficientes e fáceis de implementar em hardware real. Ao melhorar o desempenho, simplificar a implementação e ampliar os recursos do modelo, o YOLO26 se adapta naturalmente a uma ampla variedade de aplicações do mundo real. O YOLO26 estabelece um novo padrão para a criação, implementação e escalabilidade da IA de visão. Estamos animados para ver como a comunidade vai usá-lo para colocar em produção sistemas de visão computacional do mundo real.

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