Scopri perché Ultralytics YOLO26 è più facile da portare in produzione!

Ultralytics YOLO26, il nostro più recente modello di computer vision, rappresenta un passo avanti nel rendere più facili da distribuire le soluzioni di computer vision in tempo reale. In altre parole, è progettato per passare più agevolmente dalla sperimentazione a sistemi che funzionano continuamente su hardware reale.

La computer vision è ormai utilizzata in molte applicazioni del mondo reale, tra cui produzione, robotica, vendita al dettaglio e infrastrutture. Man mano che questi sistemi passano dalla fase di test all'uso quotidiano, l'attenzione si sposta dalle prestazioni del singolo modello alla capacità del modello di inserirsi in un sistema software più ampio. Fattori come affidabilità, efficienza e facilità di integrazione sono importanti quanto l'accuratezza.

Questo cambiamento ha importanti implicazioni per il modo in cui i modelli di computer vision vengono progettati e valutati. Il successo in produzione dipende non solo da ciò che un modello è in grado di rilevare, ma anche dalla facilità con cui può essere integrato, distribuito e sottoposto a manutenzione nel tempo.

YOLO26 è stato sviluppato tenendo presenti queste esigenze pratiche. Concentrandosi sull'inferenza end-to-end, sulle prestazioni edge-first e su un'integrazione più semplice, riduce la complessità dell'intero processo di distribuzione.

In questo articolo esploreremo come Ultralytics YOLO26 aiuti a colmare il divario tra ricerca e produzione e perché le sue funzionalità rendano più semplice portare i sistemi di computer vision in tempo reale nelle applicazioni del mondo reale. Iniziamo!

Il divario tra ricerca e produzione nella computer vision#

Con la diffusione della computer vision, molti team stanno andando oltre la ricerca e iniziando a distribuire modelli in applicazioni reali. Questo passaggio verso la produzione mette spesso in evidenza sfide che non erano visibili durante la sperimentazione.

Negli ambienti di ricerca, i modelli vengono solitamente testati in ambienti controllati utilizzando dataset fissi. Questi test sono utili per misurare l'accuratezza, ma non riflettono completamente il comportamento del modello una volta distribuito. In produzione, i sistemi di computer vision devono elaborare dati in tempo reale, funzionare continuamente e operare su hardware reale insieme ad altri software.

Quando un modello entra a far parte di un sistema di produzione, i fattori che vanno oltre l'accuratezza diventano più importanti. Le pipeline di inferenza possono includere passaggi aggiuntivi; le prestazioni possono variare tra i dispositivi e i sistemi devono comportarsi in modo coerente nel tempo. Queste considerazioni pratiche influiscono sulla facilità con cui un modello può essere integrato e sottoposto a manutenzione durante la scalabilità delle applicazioni.

Per questi motivi, il passaggio dalla ricerca alla produzione riguarda spesso meno il miglioramento dei risultati del modello e più la semplificazione della distribuzione e dell'operatività. I modelli più facili da integrare, efficienti sull'hardware di destinazione e prevedibili nel comportamento tendono a entrare in produzione più agevolmente.

Ultralytics YOLO26 è stato sviluppato tenendo presente questa transizione. Riducendo la complessità dell'intero processo di distribuzione, aiuta i team a portare i modelli di computer vision dalla sperimentazione alla produzione nel mondo reale in modo più efficiente.

L'inferenza end-to-end rende Ultralytics YOLO26 più facile da distribuire#

Uno dei motivi principali per cui Ultralytics YOLO26 è più pratico da distribuire è il suo design di inferenza end-to-end. In parole semplici, ciò significa che il modello è progettato per produrre direttamente le predizioni finali, senza dipendere da passaggi di post-processing aggiuntivi esterni al modello stesso.

In molti sistemi tradizionali di computer vision, l'inferenza non termina quando il modello conclude l'esecuzione. Il modello produce invece un gran numero di predizioni intermedie che devono essere filtrate e perfezionate prima di poter essere utilizzate.

Questi passaggi aggiuntivi vengono spesso gestiti da una fase separata di post-processing chiamata soppressione non massima (NMS), che aggiunge complessità al sistema complessivo. Negli ambienti di produzione, questa complessità può rappresentare un problema.

I passaggi di post-processing possono aumentare la latenza, comportarsi diversamente sulle varie piattaforme hardware e richiedere ulteriore lavoro di integrazione. Introducono inoltre più componenti da testare e sottoporre a manutenzione, mantenendone la coerenza durante la scalabilità dei sistemi.

Ultralytics YOLO26 adotta un approccio diverso. La risoluzione delle predizioni duplicate e la produzione degli output finali all'interno del modello riducono il numero di passaggi richiesti nella pipeline di inferenza. Questo semplifica la distribuzione, perché c'è meno logica esterna da gestire e ci sono meno possibilità di incoerenze tra gli ambienti.

Per i team che distribuiscono sistemi di visione, questo design senza NMS end-to-end aiuta a semplificare l'integrazione. Una volta distribuito, il modello si comporta in modo più prevedibile e i modelli esportati, ovvero le versioni preparate per funzionare al di fuori dell'ambiente di addestramento sull'hardware di destinazione, sono più autosufficienti.

Di conseguenza, ciò che viene testato durante lo sviluppo corrisponde più da vicino a ciò che viene eseguito in produzione. Questo rende Ultralytics YOLO26 più facile da integrare in sistemi software reali e più semplice da distribuire su larga scala.

Progettato per la distribuzione: scelte di prestazioni e addestramento che riducono i rischi#

Oltre all'inferenza end-to-end, Ultralytics YOLO26 include una serie di scelte relative a prestazioni e addestramento, progettate per rendere più prevedibile la distribuzione in produzione.

Ecco alcune delle funzionalità principali che rendono Ultralytics YOLO26 più semplice da distribuire e gestire in produzione:

• Prestazioni edge-first: Ultralytics YOLO26 è ottimizzato per funzionare in modo efficiente sulle unità di elaborazione centrale (CPUs) e sull'hardware edge, non solo sulle unità di elaborazione grafica (GPUs). Rispetto a Ultralytics YOLO11, il modello nano YOLO26 offre un'inferenza su CPU fino al 43% più veloce, risultando più adatto agli ambienti di produzione in cui le risorse di calcolo possono essere limitate.
• Addestramento più stabile: YOLO26 utilizza una tecnica di addestramento chiamata Progressive Loss Balancing per guidare il modo in cui il modello apprende nel tempo. Nelle fasi iniziali dell'addestramento, il modello riceve più indicazioni per imparare pattern stabili. Con il proseguire dell'addestramento, queste indicazioni vengono gradualmente ridotte per rispecchiare il comportamento del modello durante l'uso in produzione. Questo approccio aiuta l'addestramento a procedere più agevolmente e produce risultati più coerenti quando i modelli vengono addestrati o riaddestrati.
• Migliore rilevamento degli oggetti piccoli: viene utilizzato anche un metodo di addestramento chiamato Small-Target-Aware Label Assignment, o STAL, per evitare che il modello trascuri oggetti molto piccoli durante l'addestramento. Questo migliora l'affidabilità negli scenari in cui gli oggetti possono essere piccoli o lontani.
• Nuovo ottimizzatore: il nuovo modello introduce anche un ottimizzatore per l'addestramento chiamato MuSGD, progettato per migliorare la stabilità e la coerenza dell'addestramento. MuSGD combina il tradizionale ottimizzatore Stochastic Gradient Descent (SGD) con idee ispirate ai recenti progressi nell'addestramento dei modelli linguistici di grandi dimensioni. Invece di concentrarsi solo sulla velocità dell'addestramento, aiuta i modelli a convergere più agevolmente e a comportarsi in modo più prevedibile quando vengono riaddestrati, sottoposti a fine-tuning o aggiornati per l'uso in produzione.

Fig. 1. YOLO26n offre un'inferenza su CPU fino al 43% più veloce rispetto a YOLO11n (Fonte)

Nel complesso, queste innovazioni contribuiscono a ridurre i rischi e la complessità della distribuzione dei sistemi di computer vision in produzione. Combinando prestazioni edge-first, addestramento più stabile e un comportamento prevedibile del modello, Ultralytics YOLO26 aiuta i team a passare dallo sviluppo alla distribuzione nel mondo reale con maggiore sicurezza.

Il pacchetto Ultralytics semplifica le pipeline di integrazione#

La distribuzione di un modello di computer vision raramente riguarda solo il modello stesso. In produzione, i team devono addestrare i modelli, eseguire l'inferenza, monitorare le prestazioni ed esportare i modelli in formati compatibili con piattaforme e hardware diversi. Ogni strumento aggiuntivo o script personalizzato nella pipeline aumenta la complessità e il rischio di errore.

Il pacchetto Ultralytics è progettato per ridurre questa complessità riunendo questi passaggi in un unico workflow coerente. Con una sola libreria, i team possono addestrare modelli come YOLO26, eseguire predizioni, convalidare i risultati ed esportare i modelli per la distribuzione senza cambiare strumenti o riscrivere il codice di integrazione.

Supporta inoltre un'ampia gamma di integrazioni lungo l'intero ciclo di vita, dall'addestramento e dalla valutazione all'esportazione e alla distribuzione su diversi hardware di destinazione. Questo approccio unificato fa la differenza negli ambienti di produzione.

Fig. 2. Panoramica dei tipi di integrazione supportati da Ultralytics (Fonte)

Gli stessi comandi e le stesse interfacce utilizzati durante la sperimentazione vengono mantenuti fino alla distribuzione, riducendo gli attriti nel passaggio tra i team di ricerca, ingegneria e operations. Anche l'esportazione dei modelli diventa più prevedibile, poiché i modelli Ultralytics YOLO26 possono essere convertiti direttamente in formati come ONNX, TensorRT, CoreML, OpenVINO e altri comunemente utilizzati nei sistemi di produzione.

Riducendo al minimo il codice di raccordo e il lavoro di integrazione personalizzato, il pacchetto Ultralytics aiuta i team a concentrarsi sulla creazione di applicazioni affidabili anziché sulla manutenzione di pipeline complesse. Questo rende più accessibili la scalabilità delle distribuzioni, l'aggiornamento dei modelli nel tempo e il mantenimento di un comportamento coerente tra gli ambienti di sviluppo e produzione.

Applicazioni reali di Ultralytics YOLO26#

Vediamo ora come Ultralytics YOLO26 può essere utilizzato in applicazioni reali che richiedono funzionalità di computer vision affidabili e pronte per la produzione.

Portare in produzione i sistemi di visione robotica con Ultralytics YOLO26#

I sistemi robotici dipendono da una percezione rapida e affidabile per operare in modo sicuro ed efficace. Che si tratti di un robot mobile autonomo che naviga in un magazzino o di un braccio robotico che movimenta oggetti su una linea, i modelli di visione devono fornire risultati coerenti con una latenza minima.

Ultralytics YOLO26 può rilevare ostacoli, riconoscere oggetti e monitorare la presenza di persone direttamente sull'hardware robotico. Il suo design di inferenza end-to-end semplifica l'integrazione nel software di controllo robotico, rendendo più facile distribuire funzionalità di visione che operano continuamente in ambienti reali.

Distribuire Ultralytics YOLO26 negli stabilimenti produttivi#

Negli stabilimenti produttivi, la computer vision viene comunemente utilizzata per monitorare le apparecchiature, ispezionare i prodotti e garantire che i processi rimangano entro limiti operativi sicuri. Ultralytics YOLO26 può essere distribuito su hardware industriale locale per rilevare difetti, verificare le fasi di assemblaggio o monitorare in tempo reale il movimento dei componenti meccanici.

La sua capacità di funzionare in modo efficiente sui dispositivi edge lo rende particolarmente adatto alle linee di produzione in cui i sistemi devono operare continuamente, con bassa latenza e un overhead infrastrutturale minimo.

Fig. 3. Utilizzo di YOLO per monitorare il movimento di un attuatore.

Eseguire Ultralytics YOLO26 su droni e sistemi remoti#

I droni e i sistemi remoti operano spesso con energia limitata e connettività inaffidabile. Ultralytics YOLO26 può elaborare i dati visivi direttamente sul dispositivo, consentendo attività come ispezioni, rilevamenti o monitoraggio durante il volo. Analizzando le immagini localmente, i sistemi possono rispondere in tempo reale e ridurre la necessità di trasmettere grandi quantità di dati a una posizione centrale.

Scalare i sistemi di visione per le smart city con Ultralytics YOLO26#

Immagina una città che installa telecamere in corrispondenza di incroci, parchi pubblici e nodi del trasporto pubblico. Ogni posizione può utilizzare hardware diverso e operare in condizioni differenti, ma il sistema di visione deve comunque comportarsi in modo coerente.

Ultralytics YOLO26 può aiutare ad analizzare questi flussi video per attività come il monitoraggio del traffico, il rilevamento dei pedoni o l'analisi degli spazi pubblici. Il suo comportamento prevedibile in fase di distribuzione e il supporto per più piattaforme hardware rendono più facile implementare, aggiornare e gestire i sistemi di visione in ambienti urbani estesi e distribuiti.

Fig. 4. Rilevamento di una persona, un cane e una panchina in una città utilizzando Ultralytics YOLO26.

Perché una distribuzione più semplice cambia il business case dell'AI per la visione#

Per molte organizzazioni, la sfida principale dell'AI per la visione non consiste nel creare un modello che funziona in una demo. Consiste nel trasformare quel lavoro in un sistema che funzioni in modo affidabile in produzione.

La distribuzione richiede spesso un notevole impegno ingegneristico, manutenzione continua e coordinamento tra i team, elementi che possono rallentare i progetti o limitarne l'impatto. Quando i modelli sono semplici da distribuire, l'equazione aziendale cambia.

Una distribuzione più rapida riduce il time-to-value. Un'integrazione più semplice diminuisce i costi ingegneristici e operativi. Un comportamento più prevedibile tra gli ambienti riduce i rischi e rende praticabile la pianificazione a lungo termine.

Ultralytics YOLO26 è progettato tenendo presenti questi fattori. Semplificare la distribuzione e favorire un comportamento coerente in produzione aiuta le organizzazioni a portare l'AI per la visione dalla sperimentazione all'uso quotidiano. Per i leader aziendali, questo rende la computer vision un investimento più pratico e affidabile, anziché un progetto di ricerca ad alto rischio.

Punti chiave#

Ultralytics YOLO26 è progettato per colmare il divario tra ricerca e produzione, rendendo più facile distribuire e gestire la computer vision in tempo reale. Il suo design end-to-end e le prestazioni edge-first riducono la complessità che spesso rallenta i progetti di AI per la visione. Questo consente alle organizzazioni di muoversi più rapidamente e ottenere valore prima.

Unisciti alla nostra community ed esplora il nostro repository GitHub per saperne di più sull'AI. Dai un'occhiata alle nostre pagine dedicate alle soluzioni per leggere informazioni sull'AI nella vendita al dettaglio e sulla computer vision nell'agricoltura. Scopri le nostre opzioni di licenza e inizia oggi a sviluppare con la computer vision!