🤖 AI

Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models

O Ultralytics YOLO26 introduz uma família unificada de modelos de visão em tempo real de ponta a ponta que elimina a supressão de não máximo e a Perda Focal de Distribuição através de uma arquitetura de cabeça dupla e estratégias de treinamento avançadas, alcançando o estado da arte em desempenho de precisão-latência em múltiplas tarefas, incluindo detecção, segmentação, estimativa de pose e inferência de vocabulário aberto.

Autores originais: Glenn Jocher, Jing Qiu, Mengyu Liu, Shuai Lyu, Fatih Cagatay Akyon, Muhammet Esat Kalfaoglu

Publicado 2026-06-03

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Glenn Jocher, Jing Qiu, Mengyu Liu, Shuai Lyu, Fatih Cagatay Akyon, Muhammet Esat Kalfaoglu

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem um segurança superveloz cujo trabalho é identificar objetos em uma transmissão de vídeo em tempo real. Durante anos, os melhores guardas (chamados modelos "YOLO") foram ótimos, mas tinham alguns hábitos irritantes: precisavam de uma etapa de "dupla checagem" lenta após avistar algo, carregavam mochilas pesadas de dados extras que os atrasavam e frequentemente perdiam objetos minúsculos e distantes porque suas regras de treinamento eram rigorosas demais.

O artigo apresenta o YOLO26, uma nova geração desses guardas de visão projetados para serem mais rápidos, leves e aguçados do que nunca. Veja como eles corrigiram os problemas antigos, explicados com analogias do cotidiano:

1. A Regra do "Sem Dupla Checagem" (Inferência Livre de NMS)

O Probleo Antigo: Anteriormente, quando um guarda avistava um carro, ele poderia vê-lo três ou quatro vezes em pontos ligeiramente diferentes. Ele tinha que parar e realizar um processo de "Supressão de Não-Máximo" (NMS) — uma dupla checagem manual e lenta — para escolher apenas o melhor palpite e descartar as duplicatas. Isso tomava tempo.
A Correção do YOLO26: O YOLO26 utiliza um design de cabeça dupla (dual-head). Pense nisso como ter dois trabalhadores especializados:

Trabalhador A (O Veloz): Este trabalhador é treinado para escolher exatamente um palpite perfeito para cada objeto imediatamente. Sem necessidade de dupla checagem. É como um atirador de elite que acerta o alvo na primeira tentativa.
Trabalhador B (O Maximizador): Este trabalhador ainda observa tudo e pode ser usado se você precisar da precisão absoluta mais alta e não se importar com o tempo extra de "dupla checagem".
O Resultado: Você obtém um sistema que é "ponta a ponta" (end-to-end), o que significa que vai direto de ver a imagem para dar a resposta sem parar para uma segunda opinião.

2. Abandonando a Mochila Pesada (Removendo o DFL)

O Probleo Antigo: Modelos recentes carregavam uma pesada mochila de "Perda Focal de Distribuição" (DFL). Essa mochila tentava prever o tamanho de um objeto tentando adivinhar a partir de uma lista de 16 possibilidades diferentes para cada borda. Isso tornava o modelo pesado (mais memória) e lento, especialmente para modelos pequenos. Também havia um limite de "tamanho máximo"; se um objeto fosse grande demais para a lista, o modelo ficava confuso.
A Correção do YOLO26: Eles jogaram a mochila fora. Em vez de adivinhar a partir de uma lista, o modelo agora apenas mede diretamente o tamanho, como usar uma régua em vez de adivinhar a partir de um menu.
O Resultado: O modelo é mais leve, mais rápido e agora pode medir objetos muito grandes com precisão, sem atingir um "teto" de tamanho.

3. A Rede de Segurança para "Objetos Minúsculos" (STAL)

O Probleo Antigo: As regras de treinamento antigas eram como um jogo de "esconde-esconde" onde as regras diziam: "Você só pode se esconder dentro de uma caixa que caiba em uma grade específica". Se um objeto minúsculo (como um pássaro distante) fosse menor que os quadrados da grade, o guarda simplesmente não conseguia vê-lo. Ele recebia zero atenção e era ignorado durante o treinamento.
A Correção do YOLO26: Eles introduziram o STAL (Atribuição de Rótulos Consciente de Alvos Pequenos). Imagine que o guarda recebeu uma lupa especial para coisas minúsculas. Mesmo que um objeto pequeno não caiba na grade padrão, o sistema força o guarda a prestar atenção nele, "esticando" temporariamente a grade apenas o suficiente para cobri-lo.
O Resultado: O modelo não ignora mais os objetos menores e mais difíceis de ver.

4. O "Treinador Inteligente" (MuSGD & Perda Progressiva)

O Probleo Antigo: Treinar esses modelos costumava ser como uma maratona onde o treinador gritava as mesmas instruções durante toda a corrida de 600 milhas. Levava muito tempo para ficar bom. Além disso, o treinador tratava o trabalhador "Veloz" e o trabalhador "Maximizador" exatamente da mesma forma, embora eles tivessem trabalhos diferentes.
A Correção do YOLO26:

MuSGD (O Treinador Inteligente): Eles substituíram o antigo método de treinamento por um novo otimizador (MuSGD) que aprende mais rápido, como um treinador que sabe exatamente como ditar o ritmo do corredor para que ele termine em menos milhas (menos épocas de treinamento).
Perda Progressiva (O Currículo): Eles mudaram o cronograma de treinamento. No início, o foco é no trabalhador "Maximizador" para construir uma base sólida. Conforme o treinamento avança, eles mudam gradualmente o foco para o trabalhador "Veloz", garantindo que o produto final seja perfeitamente ajustado para a inferência rápida e sem checagem.

5. Habilidades Especializadas para Diferentes Trabalhos

Só porque o guarda é rápido em avistar carros, não significa que ele seja bom em tudo. O YOLO26 adiciona ferramentas especializadas para outras tarefas:

Recortar formas (Segmentação): Eles adicionaram um sistema de múltiplas escalas que ajuda o guarda a entender melhor o fundo, facilitando o traçado do contorno exato de um objeto.
Rastrear pessoas (Estimativa de Pose): Eles adicionaram uma forma de prever o quão "incerto" o guarda está sobre uma articulação (como um cotovelo). Se o cotovelo estiver escondido, o modelo admite que não tem certeza em vez de adivinhar loucamente.
Objetos rotacionados (OBB): Para coisas como navios ou aviões que nem sempre estão retos para cima e para baixo, eles corrigiram a matemática para que o modelo não fique confuso quando um objeto estiver inclinado.

6. A Atualização de "Vocabulário Aberto" (YOLOE-26)

Finalmente, eles introduziram o YOLOE-26, que é como dar ao guarda um tradutor universal.

Prompt de Texto: Você pode dizer ao guarda: "Encontre para mim um hidrante vermelho", e ele o encontrará, mesmo que nunca tenha sido explicitamente treinado em hidrantes.
Prompt Visual: Você pode mostrar ao guarda a foto de um brinquedo específico, e ele encontrará esse brinquedo no vídeo.
Sem Prompt: Ele também pode apenas observar ao redor e descrever o que vê por conta própria.

O Resumo Final

O YOLO26 é uma família unificada de modelos que são mais rápidos, mais leves e mais precisos do que seus predecessores. Eles alcançam isso removendo bagagens desnecessárias, corrigindo as regras para detectar coisas minúsculas e usando um treinador mais inteligente. Quer você precise da velocidade absoluta (o caminho sem NMS) ou da maior precisão possível (o caminho com NMS), o YOLO26 oferece uma versão que se posiciona no topo do gráfico de "velocidade vs. precisão".

Resumo Técnico: Ultralytics YOLO26

1. Declaração do Problema

Apesar da ampla adoção industrial da família YOLO para visão em tempo real, os detectores atuais enfrentam quatro limitações específicas que dificultam a precisão, eficiência e flexibilidade de implantação ideais:

Dependência de NMS e Treinamento Subotimizado: A maioria dos detectores baseados em CNN depende de Non-Maximum Suppression (NMS) na inferência. Embora o YOLOv10 tenha introduzido um design de cabeça dupla para permitir a inferência livre de NMS, ele aplica pesos de perda idênticos para ambas as ramificações (densa [um-para-muitos] e de inferência [um-para-um]) durante todo o treinamento. Isso deixa a ramificação crítica de um-para-um subotimizada em relação ao que uma supervisão direcionada poderia alcançar.
Inflação de Parâmetros e Limitação de Alcance do DFL: O módulo Distribution Focal Loss (DFL), adotado desde o YOLOv8, expande a regressão de caixas delimitadoras de 4 escalares para $4K$ logits (tipicamente $K=16$ ). Isso infla os parâmetros do modelo (por exemplo, um aumento de 12% nos parâmetros para o YOLO11n) e impõe um alcance de regressão finito de $(K-1) \times \text{stride}$ , que se torna restritivo para objetos grandes em altas resoluções.
Cronogramas de Treinamento Longos: Receitas padrão baseadas em SGD exigem aproximadamente 600 épocas para atingir uma precisão competitiva no COCO, tornando a iteração rápida dispendiosa. Embora o otimizador Muon tenha mostrado ganhos de eficiência no treinamento de Large Language Models (LLMs), ele não foi adaptado para detecção de objetos.
Atribuição Zero para Objetos Pequenos: A estratégia de atribuição de rótulos Task-Aligned Learning (TAL) baseia-se no contencimento geométrico dentro das caixas de verdade fundamental (ground-truth). Para objetos minúsculos, o downsampling do mapa de características pode resultar em zero centros de âncoras válidos dentro da caixa, levando a zero atribuições positivas e uma total falta de sinal de gradiente para esses alvos.

2. Metodologia

O YOLO26 aborda essas limitações através de uma arquitetura coordenada e um pipeline de treinamento, construído sobre a fundação do YOLO11.

2.1. Arquitetura: Design de Cabeça Dupla Livre de NMS

O YOLO26 emprega um design de cabeça dupla para suportar tanto a inferência end-to-end quanto a predição densa convencional:

Cabeça Um-para-Um (Padrão): Produz um conjunto de predições de tamanho fixo (até 300 por imagem) sem NMS. Utiliza uma atribuição de rótulo um-para-um estrita (TAL com $topk=7$ seguido de $topk2=1$) para aprender uma única predição correspondente por instância de verdade fundamental.
Cabeça Um-para-Muitos: Mantém a predição densa padrão com supervisão mais rica ($topk=10$) para cenários onde a precisão máxima é priorizada sobre o overhead de pós-processamento.
Remoção de DFL: O módulo Distribution Focal Loss é inteiramente removido. A regressão é realizada via saída direta de 4 escalares com um alcance não restrito, reduzindo significativamente os parâmetros e FLOPs da cabeça.

2.2. Pipeline de Treinamento

Três técnicas complementares são aplicadas conjuntamente para melhorar a precisão e a convergência:

Otimizador MuSGD: Um otimizador híbrido combinando Muon (do treinamento de LLM) com SGD-momentum padrão. O Muon aplica atualizações de momentum seguidas de ortogonalização leve (via iterações de Newton–Schulz) para melhorar o condicionamento da atualização. O MuSGD aplica isso a parâmetros multidimensionais (convoluções, pesos lineares) enquanto usa SGD puro para parâmetros 1D (biases, escalas).
Perda Progressiva: Uma estratégia de reponderação estilo currículo que aborda a assimetria de otimização entre as duas ramificações. O peso da perda para a ramificação densa (um-para-muitos) decai linearmente de 0,8 para 0,1, enquanto o peso da ramificação um-para-um aumenta de 0,2 para 0,9. Isso desloca a ênfase da supervisão para a cabeça de tempo de inferência conforme o treinamento progride.
STAL (Small-Target-Aware Label Assignment): Para evitar atribuições de positivos zero para objetos minúsculos, o STAL desacopla a geometria de seleção de candidatos da geometria de regressão. Durante a filtragem de candidatos, as dimensões da caixa de verdade fundamental são limitadas a um tamanho de referência ( $s_{ref}$ , tipicamente o próximo stride da pirâmide) se caírem abaixo do stride mínimo. Isso garante a cobertura de âncoras para alvos pequenos, preservando a geometria original da caixa para a regressão e pontuação final.

2.3. Extensões Específicas de Tarefa

Além da detecção, o YOLO26 introduz designs especializados para outras tarefas:

Segmentação de Instância: Utiliza um caminho de protótipo multiescala (fundindo características de múltiplos níveis da pirâmide) e uma perda de segmentação semântica auxiliar (apenas para treinamento) para melhorar a qualidade da máscara sem overhead de inferência.
Estimativa de Pose: Substitui a regressão de coordenadas padrão pela Estimativa de Log-Likelihood Residual (RLE). Isso modela a incerteza por articulação usando um fluxo normalizante, reduzindo o peso de pontos-chave ambíguos ou ocluídos.
Caixa Delimitadora Orientada (OBB): Adota uma definição de ângulo de "longa aresta" ( $[-45^\circ, 135^\circ)$ ) para resolver descontinuidades de borda. Introduz uma perda de ângulo consciente da razão de aspecto especificamente para objetos quadrados para lidar com a ambiguidade de ângulo.
Open-Vocabulary (YOLOE-26): Estende a família para cenários de vocabulário aberto usando um backbone mais forte, um codificador de texto atualizado (MobileCLIP2), um motor de dados de pseudo-rótulo para refinar as anotações e treinamento de segmentação desacoplado.

3. Resultados Principais

O YOLO26 abrange cinco escalas (n/s/m/l/x) e alcança os melhores compromissos de precisão-latência (state-of-the-art) no benchmark COCO val2017.

Desempenho de Detecção: O YOLO26 atinge 40,9–57,5 mAP no COCO com latências T4 TensorRT FP16 variando de 1,7 ms (n) a 11,8 ms (x). Ele avança a fronteira de Pareto sobre versões anteriores do YOLO (YOLO11, YOLOv10, etc.) e outros detectores em tempo real.
- Comparado ao YOLO11, o YOLO26 melhora o COCO AP em 1,6–2,8 pontos em todas as escalas.
- A remoção apenas do DFL reduziu os parâmetros em 12% e os FLOPs em 20% para o modelo nano, com a precisão recuperada e melhorada via novo pipeline de treinamento.
Detecção de Objetos Pequenos: O STAL melhora significamente a detecção de objetos pequenos (APS), recuperando detecções perdidas pelo TAL padrão.
Ganhos Específicos de Tarefa:
- Segmentação: Até +3,7 de melhoria em mask AP sobre o YOLO11.
- Estimativa de Pose: Até +7,2 de melhoria em pose AP sobre o YOLO11.
- Detecção OBB: Até +3,4 mAP de melhoria no DOTA-v1.0.
Open-Vocabulary (YOLOE-26): O modelo YOLOE-26x atinge 40,6 AP no LVIS minival sob prompting de texto, superando o DetCLIP-T em +6,2 AP.
Eficiência: A arquitetura alcança até 43% de inferência de CPU mais rápida comparada a versões anteriores (YOLO26n vs. YOLO11n) e suporta exportação para 19 alvos não-PyTorch (TensorRT, ONNX, CoreML, etc.).

4. Significância e Alegações

O artigo afirma que o YOLO26 representa um passo unificado à frente para a visão em tempo real ao abordar diretamente as ineficiências estruturais e de treinamento da linhagem YOLO. Sua principal significância reside em:

Viabilidade End-to-End Livre de NMS: Demonstrar que um design de cabeça dupla com Perda Progressiva pode alcançar a precisão de inferência livre de NMS que rivaliza com métodos baseados em NMS, simplificando os pipelines de implantação.
Eficiência através da Simplificação: Provar que a remoção do complexo módulo DFL não degrada o desempenho, mas sim o melhora quando pareado com regressão não restrita e melhores estratégias de treinamento, resultando em modelos mais leves adequados para dispositivos de borda (edge).
Sinergia de Otimização e Rotulagem: Estabelecer que a combinação de otimizadores avançados (MuSGD) com rotulagem de perda baseada em currículo (Perda Progressiva) e atribuição de rótulos robusta (STAL) cria um efeito sinérgico que acelera a convergência e melhora a detecção de objetos pequenos sem aumentar o tamanho do modelo.
Framework Multitarefa Unificado: Fornecer um único pipeline que suporta detecção, segmentação, pose, classificação e detecção OBB com ganhos consistentes em todas as tarefas, juntamente com uma robusta extensão de vocabulário aberto.

Os autores enfatizam que o YOLO26 foi projetado não apenas para um forte comportamento de otimização, mas para integração prática de inferência em hardware heterogêneo, mantendo a universalidade de implantação que tornou a família YOLO o padrão da indústria.