YOLO Vision 2026:

Ultralytics YOLO26 na série Intel Core Ultra 3 usando o DL Streamer Pipeline Framework e o OpenVINO™#

Este guia abrangente apresenta um passo a passo detalhado para implementar o Ultralytics YOLO26 em plataformas Intel Core Ultra Series 3 usando o DL Streamer Pipeline Framework e o OpenVINO™ toolkit. Aqui, usamos o OpenVINO™ para maximizar o desempenho da inferência em CPUs, GPUs integradas e dedicadas e NPUs Intel.

Intel DL Streamer

Conteúdo: O que é o Intel DL Streamer? • Pré-requisitos • Preparação do modelo YOLO26 • Execução da inferência com YOLO26 • Configuração de múltiplos streams • FAQ

O que é o Intel DL Streamer?#

O Deep Learning Streamer (DL Streamer) Pipeline Framework é um framework de análise de mídia em streaming de código aberto baseado no framework multimídia GStreamer, desenvolvido para criar pipelines complexos de análise de mídia na Cloud ou no Edge.

O DL Streamer permite a análise de fluxos de áudio e vídeo para detetar, classificar, rastrear, identificar e contar objetos, eventos e pessoas. Ele está otimizado para hardware Intel e oferece interoperabilidade entre os plugins do GStreamer criados em várias bibliotecas de backend:

  • Inferência: motor de inferência OpenVINO™, otimizado para CPU, GPU e NPU Intel
  • Codificação/descodificação de vídeo: aceleração por GPU através de VA-API
  • Processamento de imagem: aceleração por GPU através de VA-API
  • Metadados: GStreamer Analytics para resultados de inferência estruturados
  • Ecossistema: centenas de plugins do GStreamer para E/S de mídia, multiplexação/demultiplexação, suporte a codecs e muito mais

O DL Streamer é compatível com muitos modelos de IA, incluindo toda a família Ultralytics YOLO (YOLOv5 a YOLO26), todos no formato OpenVINO™.

O DL Streamer é validado regularmente com sistemas fornecidos em System Requirements — Open Edge Platform Documentation

Pré-requisitos#

Antes de começar, certifique-se de que os seguintes componentes estão instalados e configurados no seu sistema Intel:

Preparação do modelo YOLO26#

O DL Streamer usa modelos no formato IR do OpenVINO™. Os modelos Ultralytics YOLO26 são exportados do PyTorch para o formato IR do OpenVINO™ usando o exportador da Ultralytics. O DL Streamer utiliza a integração oficial da Ultralytics com o OpenVINO™, que fornece recursos otimizados de exportação e inferência para hardware Intel.

  1. Crie a pasta ~/intel/dlstreamer_demo e instale o OpenVINO™ e a Ultralytics num ambiente virtual
mkdir -p ~/intel/dlstreamer_demo && cd ~/intel/dlstreamer_demo
python3 -m venv .dls-venv && source .dls-venv/bin/activate
pip install openvino==2026.2.0 ultralytics==8.4.92
  1. Descarrega o modelo PyTorch YOLO26s do Ultralytics, converte-o para o formato OpenVINO™ IR e gera uma variante de precisão INT8.
yolo export model=yolo26s.pt format=openvino dynamic=True quantize=8 data=coco128.yaml

O modelo é exportado para a pasta ~/intel/dlstreamer_demo/yolo26s_int8_openvino_model.

Precisão do modelo#

O DL Streamer é compatível com modelos de precisão FP32, FP16 e INT8. Cada um requer uma etapa de exportação separada:

# FP32 (default precision, highest accuracy)
yolo export model=yolo26s.pt format=openvino dynamic=True

# FP16 (recommended for GPU inference, good accuracy/performance balance)
yolo export model=yolo26s.pt format=openvino dynamic=True quantize=16

# INT8 (maximum performance, requires calibration dataset)
yolo export model=yolo26s.pt format=openvino dynamic=True quantize=8 data=coco128.yaml

Os exemplos abaixo usam o modelo INT8 exportado na etapa de preparação. Para usar modelos FP32 ou FP16, substitua o caminho do modelo conforme necessário (por exemplo, yolo26s_openvino_model/yolo26s.xml).

Execução da inferência com YOLO26#

Antes de executar o pipeline de deteção de inferência YOLO26 do DL Streamer, executa a imagem Docker do DL Streamer em modo interativo. Certifica-te de que seguiste o passo YOLO26 Model Preparation e descarrega o seguinte ficheiro de vídeo da base de dados Pexels.

curl -L https://videos.pexels.com/video-files/1192116/1192116-sd_640_360_30fps.mp4 --output ~/intel/dlstreamer_demo/video1.mp4

Execute a imagem Docker do DL Streamer no modo interativo.

Nota

Este comando destina-se a sistemas equipados com processadores Intel Core Ultra Series 3 com GPU integrada (iGPU) e NPU incorporadas.

docker run -it --rm \
  -v ~/intel/dlstreamer_demo:/home/dlstreamer/demo \
  -v "$HOME/.Xauthority:/root/.Xauthority:rw" \
  -e DISPLAY=$DISPLAY \
  -e XDG_RUNTIME_DIR=/tmp \
  -v /tmp/.X11-unix:/tmp/.X11-unix \
  --device /dev/dri \
  --group-add $(stat -c "%g" /dev/dri/render*) \
  --device /dev/accel \
  --group-add $(stat -c "%g" /dev/accel/accel*) \
  -e ZE_ENABLE_ALT_DRIVERS=libze_intel_npu.so \
  intel/dlstreamer:latest

Precisão INT8 (desempenho máximo)#

A quantização INT8 proporciona o maior throughput ao reduzir os pesos do modelo a inteiros de 8 bits. O exportador da Ultralytics trata automaticamente da calibração.

Execute YOLO26s com INT8 na GPU#

gst-launch-1.0 filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU ! queue ! vapostproc ! gvawatermark ! gvafpscounter ! autovideosink sync=false
Intel DL Streamer GPU

Execute YOLO26s com INT8 na GPU e guarde a saída num ficheiro de vídeo (~/intel/dlstreamer_demo/yolo_video1_yolo26s_INT8_GPU.mp4)#

gst-launch-1.0 filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU ! queue ! vapostproc ! gvawatermark ! gvafpscounter ! vah264enc ! h264parse ! mp4mux ! filesink location=/home/dlstreamer/demo/yolo_video1_yolo26s_INT8_GPU.mp4

Execute YOLO26s com INT8 na NPU#

gst-launch-1.0 filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=NPU ! queue ! vapostproc ! gvawatermark ! gvafpscounter ! autovideosink sync=false
Intel DL Streamer NPU

Configuração de múltiplos streams#

O DL Streamer suporta o processamento de múltiplos fluxos, onde várias fontes de vídeo são descodificadas e objeto de inferência em simultâneo. Podes lançar múltiplos pipelines em paralelo utilizando o elemento vacompositor do GStreamer para combinar múltiplos fluxos.

Execução de vários pipelines (4 streams) em paralelo (GPU)#

gst-launch-1.0 vacompositor name=comp sink_0::xpos=0 sink_0::ypos=0 sink_1::xpos=660 sink_1::ypos=0 sink_2::xpos=0 sink_2::ypos=380 sink_3::xpos=660 sink_3::ypos=380 ! autovideosink sync=false \
  filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU model-instance-id=inf0 scheduling-policy="latency" ! queue ! gvawatermark ! gvafpscounter ! comp.sink_0 \
  filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU model-instance-id=inf0 scheduling-policy="latency" ! queue ! gvawatermark ! gvafpscounter ! comp.sink_1 \
  filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU model-instance-id=inf0 scheduling-policy="latency" ! queue ! gvawatermark ! gvafpscounter ! comp.sink_2 \
  filesrc location=/home/dlstreamer/demo/video1.mp4 ! decodebin3 ! gvadetect model=/home/dlstreamer/demo/yolo26s_int8_openvino_model/yolo26s.xml device=GPU model-instance-id=inf0 scheduling-policy="latency" ! queue ! gvawatermark ! gvafpscounter ! comp.sink_3
Intel DL Streamer Multistream GPU

Recursos adicionais#

Perguntas frequentes#

  • Instale o DL Streamer seguindo o Guia de instalação, configure o ambiente com source /opt/intel/dlstreamer/scripts/setup_dls_env.sh, instale a Ultralytics e o OpenVINO™, e transfira os modelos usando download_ultralytics_models.sh. Em seguida, execute a inferência com a aplicação de exemplo do DL Streamer yolo_detect.sh, que fornece um script pronto a usar para executar pipelines de inferência do YOLO26. Consulte o tutorial curto para saber como o executar.

  • O OpenVINO™ otimiza o modelo YOLO26 especificamente para hardware Intel através de técnicas como a otimização de grafos, fusão de camadas e afinação de kernels específica para o hardware. Combinado com a descodificação acelerada por VA-API do DL Streamer e o pré-processamento de zero-copy va-surface-sharing, o pipeline completo de análise de vídeo atinge um rendimento significativamente superior ao dos frameworks não otimizados.

  • Sim. O DL Streamer suporta inferência em CPUs Intel (Core, Core Ultra, Xeon), GPUs integrados (Iris Xe, Arc), GPUs discretos (Arc A-Series, B-Series) e NPUs (AI Boost) em várias gerações de plataformas Intel. Basta alterar a propriedade device de gvadetect para CPU, GPU ou NPU.

    • FP16 é recomendada como predefinição para inferência na GPU — proporciona uma precisão próxima da FP32 com uma melhoria de throughput de aproximadamente 2x.
    • INT8 proporciona o desempenho máximo (2–3x superior ao FP32), com uma pequena redução da precisão, e é ideal quando a prioridade é o throughput máximo. Os modelos INT8 são calibrados automaticamente durante a exportação da Ultralytics.

  • O DL Streamer suporta todas as variantes de tarefas do YOLO26:

    • Deteção: yolo26n, yolo26s, yolo26m, yolo26l, yolo26x
    • Bounding Box Orientada (OBB): yolo26s-obb (e todas as variantes de tamanho)
    • Segmentação de Instâncias: yolo26s-seg (e todas as variantes de tamanho)
    • Estimativa de Pose: yolo26s-pose (e todas as variantes de tamanho)
    • Classificação: yolo26s-cls (pipeline composto com deteção)

  • Use a opção de saída json para escrever os resultados das deteções como linhas JSON num ficheiro:

    ./yolo_detect.sh yolo26s GPU input_video.mp4 json va-surface-sharing INT8

    Como alternativa, use o elemento gvametapublish em pipelines personalizados para publicar metadados em ficheiros, MQTT ou Kafka.

Colaboradores
GLglenn-jocher3ONonuralpszr2RAraimbekovm1TBtbujewsk1

Comentários