YOLO12: Deteção de Objetos Centrada em Atenção#

Visão geral#

O YOLO12, lançado no início de 2025, introduz uma arquitetura centrada em atenção que se afasta das abordagens tradicionais baseadas em CNN usadas em modelos YOLO anteriores, mas retém a velocidade de inferência em tempo real essencial para muitas aplicações. Este modelo atinge alta precisão na detecção de objetos por meio de inovações metodológicas inéditas em mecanismos de atenção e na arquitetura geral da rede, mantendo o desempenho em tempo real. Apesar dessas vantagens, o YOLO12 continua sendo um lançamento voltado para a comunidade que pode apresentar instabilidade no treinamento, consumo elevado de memória e menor rendimento em CPU devido aos seus blocos de atenção pesados, por isso a Ultralytics recomenda o YOLO11 ou o YOLO26 para a maioria das cargas de trabalho de produção.

Principais recursos#

• Mecanismo de Atenção por Área: Uma nova abordagem de autoatenção que processa grandes campos receptivos de forma eficiente. Ele divide os mapas de características em l regiões de igual tamanho (com valor padrão igual a 4), seja na horizontal ou na vertical, evitando operações complexas e mantendo um grande campo receptivo efetivo. Isso reduz significativamente o custo computacional em comparação com a autoatenção padrão.
• Redes de Agregação de Camadas Eficientes Residuais (R-ELAN): Um módulo de agregação de características melhorado baseado em ELAN, concebido para resolver desafios de otimização, especialmente em modelos centrados em atenção de maior escala. O R-ELAN introduz:
  • Ligações residuais ao nível de bloco com dimensionamento (semelhante ao dimensionamento de camadas).
  • Um método redesenhado de agregação de características que cria uma estrutura semelhante a um estrangulamento (bottleneck).
• Arquitetura de Atenção Otimizada: O YOLO12 simplifica o mecanismo de atenção padrão para uma maior eficiência e compatibilidade com o framework YOLO. Isto inclui:
  • Utilizar FlashAttention para minimizar a sobrecarga de acesso à memória.
  • Remover a codificação posicional para um modelo mais limpo e rápido.
  • Ajustar o rácio MLP (do típico 4 para 1.2 ou 2) para equilibrar melhor a computação entre as camadas de atenção e as camadas feed-forward.
  • Reduzir a profundidade dos blocos empilhados para uma otimização melhorada.
  • Aproveitar as operações de convolução (quando apropriado) pela sua eficiência computacional.
  • Adicionar uma convolução separável 7x7 (o "percetor de posição") ao mecanismo de atenção para codificar implicitamente a informação posicional.
• Suporte Abrangente a Tarefas: O YOLO12 suporta uma variedade de tarefas essenciais de visão computacional: detecção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose e detecção de objetos orientados (OBB).
• Eficiência Melhorada: Alcança uma maior precisão com menos parâmetros em comparação com muitos modelos anteriores, demonstrando um melhor equilíbrio entre velocidade e precisão.
• Implementação Flexível: Concebido para implementação em diversas plataformas, desde dispositivos edge até infraestruturas na nuvem.

Tarefas e modos suportados#

O YOLO12 suporta uma variedade de tarefas de visão computacional. A tabela abaixo mostra o suporte de tarefas e os modos operacionais (Inferência, Validação, Treino e Exportação) ativados para cada uma:

Todas as arquiteturas do YOLO12 suportam todos os modos assim que um checkpoint treinado estiver disponível. A coluna Pretrained Weights indica apenas se a Ultralytics publica um .pt pré-treinado oficial em ultralytics/assets: para segmentação, pose, classificação e OBB, deves treinar o teu próprio checkpoint a partir do .yaml correspondente antes de executar inferência, validação ou exportação.

Métricas de desempenho#

O YOLO12 demonstra melhorias significativas de precisão em todas as escalas de modelos, com algumas compensações na velocidade em comparação com os modelos YOLO anteriores mais rápidos. Abaixo estão os resultados quantitativos para a detecção de objetos no conjunto de dados de validação COCO:

Desempenho de Deteção (COCO val2017)#

• Velocidade de inferência medida em uma GPU NVIDIA T4 com precisão TensorRT FP16.
• As comparações mostram a melhoria relativa no mAP e a variação percentual na velocidade (positivo indica mais rápido; negativo indica mais lento). As comparações são feitas em relação aos resultados publicados para YOLOv10, YOLO11 e RT-DETR, quando disponíveis.

Exemplos de uso#

Esta seção fornece exemplos de treinamento e inferência com o YOLO12. Para obter documentação mais abrangente sobre estes e outros modos (incluindo Validação e Exportação), consulta as páginas dedicadas de Previsão e Treinamento.

Os exemplos abaixo concentram-se nos modelos Detecção do YOLO12 (para detecção de objetos). Para outras tarefas suportadas (segmentação, classificação, estimativa de pose e detecção de objetos orientados), consulta a respetiva documentação específica de cada tarefa: Segmentar, Classificar, Pose e OBB.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO12n model
model = YOLO("yolo12n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO12n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Principais Melhorias#

1. Extração de Características Aprimorada:

   • Atenção por Área: Lida de forma eficiente com grandes campos receptivos, reduzindo o custo computacional.
   • Equilíbrio Otimizado: Equilíbrio melhorado entre as computações de atenção e da rede feed-forward.
   • R-ELAN: Melhora a agregação de características utilizando a arquitetura R-ELAN.

2. Inovações de Otimização:

   • Ligações Residuais: Introduz ligações residuais com dimensionamento para estabilizar o treino, especialmente em modelos maiores.
   • Integração de Características Refinada: Implementa um método melhorado para integração de características dentro do R-ELAN.
   • FlashAttention: Incorpora FlashAttention para reduzir a sobrecarga de acesso à memória.

3. Eficiência Arquitetural:

   • Parâmetros Reduzidos: Alcança um menor número de parâmetros enquanto mantém ou melhora a precisão em comparação com muitos modelos anteriores.
   • Atenção Simplificada: Utiliza uma implementação de atenção simplificada, evitando a codificação posicional.
   • Rácios MLP Otimizados: Ajusta os rácios MLP para alocar mais eficazmente os recursos computacionais.

Requisitos#

A implementação do Ultralytics YOLO12, por predefinição, não requer FlashAttention. No entanto, o FlashAttention pode ser opcionalmente compilado e utilizado com o YOLO12. Para compilar o FlashAttention, é necessário um dos seguintes GPUs NVIDIA:

• GPUs Turing (por exemplo, T4, série Quadro RTX)
• GPUs Ampere (por exemplo, série RTX30, A30/40/100)
• GPUs Ada Lovelace (por exemplo, série RTX40)
• GPUs Hopper (por exemplo, H100/H200)

Citações e Agradecimentos#

Se usares o YOLO12 na tua investigação, cita o trabalho original da University at Buffalo e da University of Chinese Academy of Sciences:

@inproceedings{tian2025yolov12,
  title={YOLOv12: Attention-Centric Real-Time Object Detectors},
  author={Tian, Yunjie and Ye, Qixiang and Doermann, David},
  booktitle={Advances in Neural Information Processing Systems},
  volume={38},
  pages={78433--78457},
  year={2025},
  url={https://proceedings.neurips.cc/paper_files/paper/2025/file/7103444259031cc58051f8c9a4868533-Paper-Conference.pdf}
}

@software{yolo12,
  author = {Tian, Yunjie and Ye, Qixiang and Doermann, David},
  title = {YOLO12: Attention-Centric Real-Time Object Detectors},
  year = {2025},
  url = {https://github.com/sunsmarterjie/yolov12},
  license = {AGPL-3.0}
}

O artigo do YOLO12 foi publicado nos anais da NeurIPS 2025, com um pré-print no arXiv.

FAQ#