Découvrez pourquoi Ultralytics est plus facile à mettre en production !

Ultralytics , notre dernier modèle de vision par ordinateur, marque une avancée dans la simplification du déploiement des solutions de vision par ordinateur en temps réel. En d'autres termes, il est conçu pour passer plus facilement de la phase d'expérimentation à celle de systèmes fonctionnant en continu sur du matériel réel.

La vision par ordinateur est désormais utilisée dans de nombreuses applications concrètes, notamment dans les domaines de la fabrication, de la robotique, de la vente au détail et des infrastructures. À mesure que ces systèmes passent de la phase de test à celle de l'utilisation quotidienne, l'attention se déplace des performances individuelles des modèles vers leur capacité à s'intégrer dans un système logiciel plus vaste. Des facteurs tels que la fiabilité, l'efficacité et la facilité d'intégration sont tout aussi importants que la précision.

Cette évolution a des implications importantes sur la manière dont les modèles de vision par ordinateur sont conçus et évalués. Le succès en production dépend non seulement de ce qu'un modèle peut detect, mais aussi de la facilité avec laquelle il peut être intégré, déployé et maintenu au fil du temps.

YOLO26 a été conçu pour répondre à ces besoins pratiques. En mettant l'accent sur l'inférence de bout en bout, les performances de pointe et une intégration plus simple, il réduit la complexité du processus de déploiement. 

Dans cet article, nous allons voir comment Ultralytics contribue à combler le fossé entre la recherche et la production, et pourquoi ses fonctionnalités facilitent la mise en œuvre de systèmes de vision par ordinateur en temps réel dans des applications concrètes. C'est parti !

Le fossé entre la recherche et la production dans le domaine de la vision par ordinateur

À mesure que la vision par ordinateur se généralise, de nombreuses équipes dépassent le stade de la recherche et commencent à déployer des modèles dans des applications concrètes. Cette nouvelle étape vers la production met souvent en évidence des défis qui n'étaient pas visibles lors de l'expérimentation.

Dans le cadre de la recherche, les modèles sont généralement testés dans des environnements contrôlés à l'aide d'ensembles de données fixes. Ces tests sont utiles pour mesurer la précision, mais ils ne reflètent pas entièrement le comportement d'un modèle une fois qu'il est déployé. En production, les systèmes de vision par ordinateur doivent traiter des données en temps réel, fonctionner en continu et opérer sur du matériel réel aux côtés d'autres logiciels.

Une fois qu'un modèle fait partie d'un système de production, des facteurs autres que la précision deviennent plus importants. Les pipelines d'inférence peuvent inclure des étapes supplémentaires ; les performances peuvent varier d'un appareil à l'autre, et les systèmes doivent fonctionner de manière cohérente dans le temps. Ces considérations pratiques ont une incidence sur la facilité d'intégration et de maintenance d'un modèle à mesure que les applications évoluent.

En raison de ces facteurs, passer de la recherche à la production consiste souvent moins à améliorer les résultats des modèles qu'à simplifier leur déploiement et leur fonctionnement. Les modèles qui sont plus faciles à intégrer, qui fonctionnent efficacement sur le matériel cible et qui se comportent de manière prévisible ont tendance à passer plus facilement en production.

Ultralytics a été conçu dans cette optique. La réduction de la complexité du processus de déploiement aide les équipes à passer plus efficacement des modèles de vision par ordinateur de la phase d'expérimentation à la production réelle.

L'inférence de bout en bout facilite le déploiement Ultralytics

L'une des principales raisons pour lesquelles Ultralytics est plus pratique à déployer est sa conception d'inférence de bout en bout. En termes simples, cela signifie que le modèle est conçu pour produire directement des prédictions finales, sans avoir recours à des étapes de post-traitement supplémentaires en dehors du modèle lui-même.

Dans de nombreux systèmes traditionnels de vision par ordinateur, l'inférence ne s'arrête pas lorsque le modèle a fini de s'exécuter. Au contraire, le modèle génère un grand nombre de prédictions intermédiaires qui doivent être filtrées et affinées avant de pouvoir être utilisées. 

Ces étapes supplémentaires sont souvent gérées par une phase de post-traitement distincte appelée suppression non maximale (NMS), qui ajoute à la complexité du système global. Dans les environnements de production, cette complexité peut poser problème. 

Les étapes de post-traitement peuvent augmenter la latence, se comporter différemment selon les plateformes matérielles et nécessiter un travail d'intégration supplémentaire. Elles introduisent également davantage de composants qui doivent être testés, entretenus et maintenus cohérents à mesure que les systèmes évoluent.

YOLO26 adopte une approche différente. La résolution des prédictions en double et la production de résultats finaux au sein du modèle réduisent le nombre d'étapes requises dans le pipeline d'inférence. Cela simplifie le déploiement, car il y a moins de logique externe à gérer et moins de risques d'incohérences entre les environnements.

Pour les équipes qui déploient des systèmes de vision, cette conception de bout en bout, NMS, facilite l'intégration. Le modèle se comporte de manière plus prévisible une fois déployé, et les modèles exportés, c'est-à-dire les versions préparées pour fonctionner en dehors de l'environnement de formation sur le matériel cible, sont plus autonomes. 

En conséquence, ce qui est testé pendant le développement correspond davantage à ce qui est exécuté en production. Cela facilite l'intégration Ultralytics dans les systèmes logiciels réels et simplifie sa distribution à grande échelle.

Conçu pour le transport maritime : choix en matière de performances et de formation qui réduisent les risques

Au-delà de l'inférence de bout en bout, Ultralytics comprend un ensemble d'options de performance et de formation conçues pour rendre le déploiement en production plus prévisible. 

Voici quelques-unes des principales fonctionnalités qui simplifient l'expédition et l'utilisation Ultralytics en production :

• Performances optimisées pour la périphérie : Ultralytics est optimisé pour fonctionner efficacement sur les unités centrales (CPU) et le matériel périphérique, et pas seulement sur les processeurs graphiques (GPU). Par rapport à Ultralytics YOLO11, le modèle nano YOLO26 offre CPU jusqu'à 43 % plus rapide, ce qui le rend mieux adapté aux environnements de production où les ressources informatiques peuvent être limitées.
  ‍
• Formation plus stable : YOLO26 utilise une technique de formation appelée « Progressive Loss Balancing » (équilibrage progressif des pertes) pour guider l'apprentissage du modèle au fil du temps. Au début de la formation, le modèle reçoit davantage d'indications afin d'apprendre des modèles stables. Au fur et à mesure que la formation progresse, ces indications sont progressivement réduites afin de correspondre au comportement du modèle lorsqu'il sera utilisé en production. Cette approche permet une formation plus fluide et produit des résultats plus cohérents lorsque les modèles sont formés ou reformés.
  ‍
• Meilleure détection des petits objets : une méthode d'entraînement appelée « Small-Target-Aware Label Assignment » (STAL) est également utilisée afin que le modèle ne néglige pas les très petits objets pendant l'entraînement. Cela améliore la fiabilité dans les scénarios où les objets peuvent être petits ou éloignés.
  ‍
• Nouvel optimiseur : le nouveau modèle introduit également un optimiseur d'entraînement appelé MuSGD, conçu pour améliorer la stabilité et la cohérence de l'entraînement. MuSGD combine l'optimiseur traditionnel Stochastic Gradient Descent (SGD) avec des idées inspirées des récentes avancées dans l'entraînement des grands modèles linguistiques. Plutôt que de se concentrer uniquement sur un entraînement plus rapide, il aide les modèles à converger plus facilement et à se comporter de manière plus prévisible lorsqu'ils sont réentraînés, affinés ou mis à jour pour une utilisation en production.

‍

Dans l'ensemble, ces innovations contribuent à réduire les risques et la complexité liés au déploiement de systèmes de vision par ordinateur en production. En combinant des performances de pointe avec un apprentissage plus stable et un comportement prévisible des modèles, Ultralytics permet aux équipes de passer plus facilement et en toute confiance du développement au déploiement dans le monde réel.

Ultralytics simplifie les pipelines d'intégration

Le déploiement d'un modèle de vision par ordinateur ne se limite généralement pas au modèle lui-même. En production, les équipes doivent former les modèles, exécuter des inférences, surveiller les performances et exporter les modèles dans des formats compatibles avec différentes plateformes et différents matériels. Chaque outil ou script personnalisé supplémentaire dans ce pipeline augmente la complexité et le risque d'échec.

Le Ultralytics est conçu pour réduire cette complexité en regroupant ces étapes dans un workflow unique et cohérent. Grâce à une seule bibliothèque, les équipes peuvent entraîner des modèles tels que YOLO26, exécuter des prédictions, valider les résultats et exporter des modèles pour les déployer sans avoir à changer d'outil ou à réécrire le code d'intégration. 

Il prend également en charge un large éventail d'intégrations tout au long du cycle de vie, depuis la formation et l'évaluation jusqu'à l'exportation et le déploiement sur différentes cibles matérielles. Cette approche unifiée fait toute la différence dans les environnements de production.

‍

Les mêmes commandes et interfaces utilisées pendant l'expérimentation sont reprises lors du déploiement, ce qui réduit les frictions entre les équipes de recherche, d'ingénierie et d'exploitation. L'exportation des modèles devient également plus prévisible, car les modèles YOLO26 peuvent être convertis directement dans des formats tels que ONNX, TensorRT, CoreML, OpenVINO et d'autres formats couramment utilisés dans les systèmes de production.

En réduisant au minimum le code de liaison et le travail d'intégration personnalisé, le Ultralytics aide les équipes à se concentrer sur la création d'applications fiables plutôt que sur la maintenance de pipelines complexes. Cela facilite la mise à l'échelle des déploiements, la mise à jour des modèles au fil du temps et le maintien d'un comportement cohérent entre les environnements de développement et de production.

Applications concrètes d'Ultralytics

Voyons maintenant comment Ultralytics peut être utilisé dans des applications concrètes qui nécessitent des capacités de vision par ordinateur fiables et prêtes à l'emploi.

Expédition de systèmes de vision robotique avec Ultralytics

Les systèmes robotiques dépendent d'une perception rapide et fiable pour fonctionner de manière sûre et efficace. Qu'il s'agisse d'un robot mobile autonome naviguant dans un entrepôt ou d'un bras robotique manipulant des objets sur une chaîne de production, les modèles de vision doivent fournir des résultats cohérents avec un temps de latence minimal. 

Ultralytics peut detect , reconnaître des objets et surveiller la présence humaine directement sur le matériel robotique. Sa conception d'inférence de bout en bout simplifie l'intégration dans les logiciels de contrôle robotique, facilitant ainsi le déploiement de capacités de vision qui fonctionnent en continu dans des environnements réels.

Déploiement Ultralytics dans les usines

Dans les usines, la vision par ordinateur est couramment utilisée pour surveiller les équipements, inspecter les produits et garantir que les processus restent dans les limites de sécurité. YOLO26 peut être déployé sur du matériel industriel local pour detect , vérifier les étapes d'assemblage ou track mouvement des composants mécaniques en temps réel. 

Sa capacité à fonctionner efficacement sur des appareils périphériques le rend particulièrement adapté aux chaînes de production où les systèmes doivent fonctionner en continu, avec une faible latence et une infrastructure minimale.

‍

Exécution Ultralytics sur des drones et des systèmes distants

Les drones et les systèmes à distance fonctionnent souvent avec une puissance limitée et une connectivité peu fiable. YOLO26 peut traiter les données visuelles directement sur l'appareil, ce qui permet d'effectuer des tâches telles que l'inspection, la surveillance ou le contrôle pendant le vol. En analysant les images localement, les systèmes peuvent réagir en temps réel et réduire la nécessité de transmettre de grandes quantités de données vers un emplacement central.

Mise à l'échelle des systèmes de vision pour villes intelligentes avec Ultralytics

Prenons l'exemple d'une ville qui installe des caméras aux intersections, dans les parcs publics et dans les centres de transport. Chaque emplacement peut utiliser un matériel différent et fonctionner dans des conditions différentes, mais le système de vision doit néanmoins fonctionner de manière cohérente. 

Ultralytics peut aider à analyser ces flux vidéo pour des tâches telles que la surveillance du trafic, la détection des piétons ou l'analyse des espaces publics. Son comportement de déploiement prévisible et sa prise en charge de plusieurs plateformes matérielles facilitent le déploiement, la mise à jour et la maintenance des systèmes de vision dans les grands environnements urbains distribués.

‍

Pourquoi la simplification des expéditions modifie le modèle économique de Vision AI 

Pour de nombreuses organisations, le plus grand défi lié à Vision AI n'est pas de créer un modèle qui fonctionne dans une démonstration. Il s'agit plutôt de transformer ce travail en un système qui fonctionne de manière fiable en production. 

Le déploiement nécessite souvent des efforts d'ingénierie importants, une maintenance continue et une coordination entre les équipes, ce qui peut ralentir les projets ou limiter leur impact. Lorsque les modèles sont faciles à livrer, cela change la donne pour l'entreprise. 

Un déploiement plus rapide réduit le délai de rentabilisation. Une intégration plus simple diminue les coûts d'ingénierie et d'exploitation. Un comportement plus prévisible dans tous les environnements réduit les risques et facilite la planification à long terme.

Ultralytics a été conçu en tenant compte de ces facteurs. La simplification du déploiement et la prise en charge d'un comportement cohérent en production aident les organisations à faire passer la Vision AI du stade expérimental à celui d'une utilisation quotidienne. Pour les chefs d'entreprise, cela fait de la vision par ordinateur un investissement plus pratique et plus fiable, plutôt qu'un effort de recherche à haut risque.

Principaux points à retenir

Ultralytics est conçu pour combler le fossé entre la recherche et la production en facilitant le déploiement et la maintenance de la vision par ordinateur en temps réel. Sa conception de bout en bout et ses performances de pointe réduisent la complexité qui ralentit souvent les projets d'IA visuelle. Cela permet aux organisations d'avancer plus rapidement et d'en voir plus tôt les avantages.

Rejoignez notre communauté et explorez notre référentiel GitHub pour en savoir plus sur l'IA. Consultez nos pages de solutions pour en savoir plus sur l'IA dans le commerce de détail et la vision par ordinateur dans l'agriculture. Découvrez nos options de licence et commencez dès aujourd'hui à développer des applications de vision par ordinateur !