YOLO12: Deteção de Objetos Centrada na Atenção#

Visão geral#

Lançado no início de 2025, o YOLO12 introduz uma arquitetura centrada na atenção que se afasta das abordagens tradicionais baseadas em CNN utilizadas nos modelos YOLO anteriores, mantendo, contudo, a velocidade de inferência em tempo real essencial para muitas aplicações. Este modelo alcança uma elevada precisão na deteção de objetos através de inovações metodológicas nos mecanismos de atenção e na arquitetura geral da rede, mantendo simultaneamente o desempenho em tempo real. Apesar destas vantagens, o YOLO12 continua a ser uma versão orientada pela comunidade, que pode apresentar instabilidade no treino, consumo de memória elevado e menor desempenho da 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 funcionalidades#

• Mecanismo de Atenção por Áreas: uma nova abordagem de autoatenção que processa campos recetivos grandes de forma eficiente. Divide os mapas de características em l regiões de tamanho igual (por predefinição, 4), na horizontal ou na vertical, evitando operações complexas e mantendo um campo recetivo efetivo amplo. Isto 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 de maior escala centrados na atenção. O R-ELAN introduz:
  • Ligações residuais ao nível dos blocos com escalonamento (semelhante ao escalonamento de camadas).
  • Um método de agregação de características redesenhado, que cria uma estrutura semelhante a um gargalo.
• Arquitetura de Atenção Otimizada: o YOLO12 simplifica o mecanismo de atenção padrão para obter maior eficiência e compatibilidade com o framework YOLO. Isto inclui:
  • Utilização de FlashAttention para minimizar a sobrecarga de acesso à memória.
  • Remoção da codificação posicional para obter um modelo mais simples e rápido.
  • Ajuste do rácio MLP (do valor habitual de 4 para 1,2 ou 2) para equilibrar melhor a computação entre as camadas de atenção e de alimentação direta.
  • Redução da profundidade dos blocos empilhados para melhorar a otimização.
  • Utilização de operações de convolução (quando apropriado) devido à sua eficiência computacional.
  • Adição de uma convolução separável 7x7 (o "recetor de posição") ao mecanismo de atenção para codificar implicitamente a informação posicional.
• Suporte Abrangente de Tarefas: o YOLO12 suporta várias tarefas essenciais de visão computacional: deteção de objetos, segmentação de instâncias, classificação de imagens, estimação de pose e deteção de objetos orientados (OBB).
• Eficiência Melhorada: alcança uma maior precisão com menos parâmetros do que muitos modelos anteriores, demonstrando um equilíbrio melhorado entre velocidade e precisão.
• Implementação Flexível: concebido para implementação numa grande variedade de plataformas, desde dispositivos de edge computing até infraestruturas na cloud.

Tarefas e modos suportados#

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

Métricas de desempenho#

O YOLO12 demonstra melhorias significativas de precisão em todas as escalas de modelos, com alguns compromissos na velocidade em comparação com os modelos YOLO anteriores mais rápidos. Apresentam-se abaixo os resultados quantitativos para a deteção de objetos no conjunto de validação COCO:

Desempenho da deteção (COCO val2017)#

• A velocidade de inferência foi medida numa GPU NVIDIA T4 com precisão TensorRT FP16.
• As comparações mostram a melhoria relativa no mAP e a alteração percentual na velocidade (um valor positivo indica maior rapidez; um valor negativo indica menor rapidez). As comparações são feitas com base nos resultados publicados para YOLOv10, YOLO11 e RT-DETR, quando disponíveis.

Exemplos de utilização#

Esta secção apresenta exemplos de treino e inferência com YOLO12. Para obter documentação mais abrangente sobre estes e outros modos (incluindo Validação e Exportação), consulta as páginas dedicadas de Previsão e Treino.

Os exemplos abaixo centram-se nos modelos YOLO12 de Deteção (para deteção de objetos). Para outras tarefas suportadas (segmentação, classificação, estimação de pose e deteção de objetos orientados), consulta a documentação específica de cada tarefa: Segmentação, Classificação, 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 Melhorada:

   • Atenção por Áreas: processa eficientemente campos recetivos grandes, reduzindo o custo computacional.
   • Equilíbrio Otimizado: equilíbrio melhorado entre as computações da atenção e da rede de alimentação direta.
   • R-ELAN: melhora a agregação de características através da arquitetura R-ELAN.

2. Inovações na Otimização:

   • Ligações Residuais: introduz ligações residuais com escalonamento para estabilizar o treino, especialmente em modelos maiores.
   • Integração Refinada de Características: implementa um método melhorado para a integração de características no R-ELAN.
   • FlashAttention: incorpora FlashAttention para reduzir a sobrecarga de acesso à memória.

3. Eficiência Arquitetural:

   • Parâmetros Reduzidos: alcança uma menor quantidade de parâmetros, mantendo ou melhorando a precisão em comparação com muitos modelos anteriores.
   • Atenção Simplificada: utiliza uma implementação simplificada da atenção, evitando a codificação posicional.
   • Rácios MLP Otimizados: ajusta os rácios MLP para alocar os recursos computacionais de forma mais eficaz.

Requisitos#

Por predefinição, a implementação YOLO12 da Ultralytics não requer FlashAttention. No entanto, é possível compilar e utilizar opcionalmente FlashAttention com o YOLO12. Para compilar FlashAttention, é necessária uma das 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 utilizares 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 nas atas da NeurIPS 2025, com um preprint disponível no arXiv.

Perguntas frequentes#