Ultralytics YOLO26

Visão geral

O Ultralytics YOLO26 é a mais recente evolução na série YOLO de detectores de objetos em tempo real, projetado desde o início para dispositivos edge e de baixa potência. Ele introduz um design simplificado que remove a complexidade desnecessária, integrando inovações direcionadas para fornecer uma implantação mais rápida, leve e acessível.

A arquitetura do YOLO26 é orientada por três princípios básicos:

• Simplicidade: YOLO26 é um modelo nativo end-to-end, produzindo previsões diretamente sem a necessidade de supressão não máxima (NMS). Ao eliminar esta etapa de pós-processamento, a inferência torna-se mais rápida, leve e fácil de implementar em sistemas do mundo real. Esta abordagem inovadora foi pioneira em YOLOv10 por Ao Wang na Universidade de Tsinghua e foi ainda mais aprimorada no YOLO26.
• Eficiência de Implantação: O design end-to-end elimina toda uma etapa do pipeline, simplificando drasticamente a integração, reduzindo a latência e tornando a implantação mais robusta em diversos ambientes.
• Inovação no Treinamento: O YOLO26 introduz o otimizador MuSGD, um híbrido de SGD e Muon — inspirado nos avanços da Moonshot AI em Kimi K2 no treinamento de LLM. Este otimizador traz maior estabilidade e convergência mais rápida, transferindo avanços de otimização de modelos de linguagem para visão computacional.
• Otimizações Específicas da Tarefa: YOLO26 introduz melhorias direcionadas para tarefas especializadas, incluindo perda de segmentação semântica e módulos proto multi-escala para Segmentation, Estimativa de Log-Verossimilhança Residual (RLE) para estimativa de Pose de alta precisão, e decodificação otimizada com perda angular para resolver problemas de limite em OBB.

Juntas, essas inovações fornecem uma família de modelos que alcança maior precisão em pequenos objetos, oferece implantação perfeita e é executada até 43% mais rápido em CPUs — tornando o YOLO26 um dos modelos YOLO mais práticos e implantáveis até o momento para ambientes com recursos limitados.

Principais Características

• Remoção do DFL
  O módulo Distribution Focal Loss (DFL), embora eficaz, frequentemente complicava a exportação e limitava a compatibilidade de hardware. YOLO26 remove o DFL completamente, simplificando a inferência e ampliando o suporte para dispositivos de borda e de baixa potência.

• Inferência End-to-End Livre de NMS
  Ao contrário dos detectores tradicionais que dependem do NMS como uma etapa de pós-processamento separada, o YOLO26 é nativamente end-to-end. As predições são geradas diretamente, reduzindo a latência e tornando a integração em sistemas de produção mais rápida, leve e confiável.

• ProgLoss + STAL
  Funções de perda aprimoradas aumentam a precisão da detecção, com melhorias notáveis no reconhecimento de objetos pequenos, um requisito crítico para IoT, robótica, imagens aéreas e outras aplicações de edge.

• Otimizador MuSGD
  Um novo otimizador híbrido que combina SGD com Muon. Inspirado no Kimi K2 da Moonshot AI, o MuSGD introduz métodos avançados de otimização do treinamento de LLM na visão computacional, permitindo um treinamento mais estável e uma convergência mais rápida.

• Inferência de CPU até 43% Mais Rápida
  Especificamente otimizado para computação de borda, o YOLO26 oferece inferência de CPU significativamente mais rápida, garantindo desempenho em tempo real em dispositivos sem GPUs.

• Aprimoramentos de Segmentação de Instância
  Introduz perda de segmentação semântica para melhorar a convergência do modelo e um módulo proto atualizado que aproveita informações multi-escala para uma qualidade de máscara superior.

• Estimativa de Posição de Precisão
  Integra a Estimativa de Log-Verossimilhança Residual (RLE) para uma localização mais precisa de pontos-chave e otimiza o processo de decodificação para maior velocidade de inferência.

• Decodificação OBB Refinada
  Introduz uma perda de ângulo especializada para melhorar a precisão da detecção de objetos de formato quadrado e otimiza a decodificação OBB para resolver problemas de descontinuidade de limites.

Tarefas e Modos Suportados

YOLO26 baseia-se na versátil gama de modelos estabelecida por lançamentos anteriores do Ultralytics YOLO, oferecendo suporte aprimorado em várias tarefas de visão computacional:

Esta estrutura unificada garante que o YOLO26 seja aplicável em detecção em tempo real, segmentação, classificação, estimativa de pose e detecção de objetos orientados — tudo com suporte para treinamento, validação, inferência e exportação.

Métricas de Desempenho

Exemplos de uso

Esta seção fornece exemplos simples de treinamento e inferência do YOLO26. Para documentação completa sobre estes e outros modos, consulte as páginas de documentação de Predict, Train, Val e Export.

Observe que o exemplo abaixo é para modelos YOLO26 Detect para detecção de objetos. Para tarefas adicionais suportadas, consulte a documentação de Segment, Classify, OBB e Pose.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.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 YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLO26n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo26n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO26n model and run inference on the 'bus.jpg' image
yolo predict model=yolo26n.pt source=path/to/bus.jpg

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Use one-to-one head (default, no NMS required)
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# Use one-to-many head (requires NMS)
results = model.predict("image.jpg", end2end=False)  # inference
metrics = model.val(data="coco.yaml", end2end=False)  # validation
model.export(format="onnx", end2end=False)  # export

# Use one-to-one head (default, no NMS required)
yolo predict model=yolo26n.pt source=image.jpg
yolo val model=yolo26n.pt data=coco.yaml
yolo export model=yolo26n.pt format=onnx

# Use one-to-many head (requires NMS)
yolo predict model=yolo26n.pt source=image.jpg end2end=False
yolo val model=yolo26n.pt data=coco.yaml end2end=False
yolo export model=yolo26n.pt format=onnx end2end=False

YOLOE-26: Segmentação de Instância de Vocabulário Aberto

YOLOE-26 integra a arquitetura de alto desempenho YOLO26 com as capacidades de vocabulário aberto da série YOLOE. Ele permite a detecção e segmentação em tempo real de qualquer classe de objeto usando prompts de texto, prompts visuais ou um modo sem prompt para inferência zero-shot, removendo efetivamente as restrições do treinamento de categoria fixa.

Ao aproveitar o design NMS-free e de ponta a ponta do YOLO26, o YOLOE-26 oferece inferência rápida em mundo aberto. Isso o torna uma solução poderosa para aplicações de borda em ambientes dinâmicos onde os objetos de interesse representam um vocabulário amplo e em evolução.

Exemplo de Uso

YOLOE-26 suporta tanto o prompting baseado em texto quanto o visual. Usar prompts é simples—basta passá-los através do predict método, conforme mostrado abaixo:

from ultralytics import YOLO

# Initialize model
model = YOLO("yoloe-26l-seg.pt")  # or select yoloe-26s/m-seg.pt for different sizes

# Set text prompt to detect person and bus. You only need to do this once after you load the model.
names = ["person", "bus"]
model.set_classes(names, model.get_text_pe(names))

# Run detection on the given image
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

import numpy as np

from ultralytics import YOLO
from ultralytics.models.yolo.yoloe import YOLOEVPSegPredictor

# Initialize model
model = YOLO("yoloe-26l-seg.pt")

# Define visual prompts using bounding boxes and their corresponding class IDs.
# Each box highlights an example of the object you want the model to detect.
visual_prompts = dict(
    bboxes=np.array(
        [
            [221.52, 405.8, 344.98, 857.54],  # Box enclosing person
            [120, 425, 160, 445],  # Box enclosing glasses
        ],
    ),
    cls=np.array(
        [
            0,  # ID to be assigned for person
            1,  # ID to be assigned for glasses
        ]
    ),
)

# Run inference on an image, using the provided visual prompts as guidance
results = model.predict(
    "ultralytics/assets/bus.jpg",
    visual_prompts=visual_prompts,
    predictor=YOLOEVPSegPredictor,
)

# Show results
results[0].show()

from ultralytics import YOLO

# Initialize model
model = YOLO("yoloe-26l-seg-pf.pt")

# Run prediction. No prompts required.
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

Para uma análise aprofundada das técnicas de prompting, treinamento do zero e exemplos completos de uso, visite a Documentação YOLOE.

Citações e Agradecimentos

Se você usar o YOLO26 ou outro software Ultralytics em seu trabalho, cite-o como:

@software{yolo26_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO26},
  version = {26.0.0},
  year = {2026},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

DOI pendente. O YOLO26 está disponível sob as licenças AGPL-3.0 e Enterprise.

FAQ

Quais são as principais melhorias no YOLO26 em comparação com o YOLO11?

• Remoção de DFL: Simplifica a exportação e expande a compatibilidade de borda
• Inferência End-to-End Livre de NMS: Elimina o NMS para uma implementação mais rápida e simples.
• ProgLoss + STAL: Aumenta a precisão, especialmente em objetos pequenos
• Otimizador MuSGD: Combina SGD e Muon (inspirado no Kimi K2 da Moonshot) para um treinamento mais estável e eficiente
• Até 43% Mais Rápido na Inferência de CPU: Ganhos de desempenho importantes para dispositivos somente com CPU

Quais tarefas o YOLO26 suporta?

YOLO26 é uma família de modelos unificada, oferecendo suporte de ponta a ponta para múltiplas tarefas de visão computacional:

• Detecção de Objetos
• Segmentação de Instância
• Classificação de Imagem
• Estimativa de Pose
• Detecção de Objetos Orientados (OBB)

Cada variante de tamanho (n, s, m, l, x) suporta todas as tarefas, além de versões de vocabulário aberto via YOLOE-26.

Por que o YOLO26 é otimizado para implantação em edge?

O YOLO26 oferece desempenho de ponta com:

• Inferência de CPU até 43% mais rápida
• Tamanho do modelo e espaço de memória reduzidos
• Arquitetura simplificada para compatibilidade (sem DFL, sem NMS)
• Formatos de exportação flexíveis, incluindo TensorRT, ONNX, CoreML, TFLite e OpenVINO

Como começo a usar o YOLO26?

Os modelos YOLO26 foram lançados em 14 de janeiro de 2026 e estão disponíveis para download. Instale ou atualize o ultralytics pacote e carregue um modelo:

from ultralytics import YOLO

# Load a pretrained YOLO26 nano model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("image.jpg")

Consulte a seção Exemplos de Uso para obter instruções de treinamento, validação e exportação.

📅 Criado há 3 meses ✏️ Atualizado há 0 dias

Comentários