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 no 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 nas inovações do Kimi K2 da Moonshot AI no treinamento de LLM. Este otimizador traz maior estabilidade e convergência mais rápida, transferindo os avanços de otimização de modelos de linguagem para a visão computacional.

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, muitas vezes complicava a exportação e limitava a compatibilidade de hardware. O YOLO26 remove o DFL completamente, simplificando a inferência e ampliando o suporte para dispositivos edge e de baixa potência.

• Inferência End-to-End Sem 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 previsões 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 pequenos objetos, um requisito crítico para IoT, robótica, imagens aéreas e outras aplicações 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 edge, o YOLO26 oferece inferência de CPU significativamente mais rápida, garantindo desempenho em tempo real em dispositivos sem GPUs.

Tarefas e Modos Suportados

O YOLO26 foi projetado como uma família de modelos multi-tarefa, estendendo a versatilidade do YOLO em diversos desafios 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

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 = {2025},
  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 Sem NMS: Elimina o NMS para uma implantação 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 suportará?

O YOLO26 foi projetado como uma família de modelos unificada, fornecendo suporte completo 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) está planeada para suportar todas as tarefas no lançamento.

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

Quando os modelos YOLO26 estarão disponíveis?

Os modelos YOLO26 ainda estão em treinamento e ainda não são de código aberto. As prévias de desempenho são mostradas aqui, com downloads e lançamentos oficiais planejados para um futuro próximo. Veja YOLO Vision 2025 para palestras sobre o YOLO26.

📅C riado há 21 dias ✏️ Atualizado há 2 dias

Comentários