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

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

Computer vision viene ora utilizzato in molte applicazioni del mondo reale, tra cui produzione, robotica, vendita al dettaglio e infrastrutture. Man mano che questi sistemi passano dai test all'uso quotidiano, l'attenzione si sta spostando dalle prestazioni del singolo modello a quanto bene il modello si inserisca in un sistema software più ampio. Fattori come affidabilità, efficienza e facilità di integrazione sono importanti quanto l'accuratezza.

Questo cambiamento ha implicazioni importanti su come i computer vision models vengono progettati e valutati. Il successo in produzione dipende non solo da ciò che un modello è in grado di rilevare, ma anche da quanto facilmente può essere integrato, distribuito e mantenuto nel tempo.

YOLO26 è stato realizzato tenendo a mente queste esigenze pratiche. Concentrandosi sull'inferenza end-to-end, sulle edge-first performance e su un'integrazione più semplice, riduce la complessità durante tutto il 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 in applicazioni del mondo reale. Cominciamo!

Il divario tra ricerca e produzione nella computer vision#

Poiché la computer vision viene utilizzata sempre più ampiamente, molti team stanno andando oltre la ricerca e iniziando a distribuire modelli in applicazioni reali. Questo ulteriore passo verso la produzione spesso mette in evidenza sfide che non erano visibili durante la sperimentazione.

In ambito di ricerca, i modelli vengono solitamente testati in ambienti controllati utilizzando dataset fissi. Questi test sono utili per misurare l'accuratezza, ma non riflettono appieno come si comporterà un modello una volta distribuito. In produzione, i sistemi di computer vision devono elaborare dati live, funzionare continuamente e operare su hardware reale insieme ad altri software.

Una volta che un modello fa parte di un sistema di produzione, fattori diversi dall'accuratezza diventano più importanti. Le pipeline di inferenza possono includere passaggi aggiuntivi; le prestazioni possono variare a seconda dei dispositivi e i sistemi devono comportarsi in modo coerente nel tempo. Queste considerazioni pratiche influenzano la facilità con cui un modello può essere integrato e mantenuto man mano che le applicazioni scalano.

A causa di questi fattori, 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 che sono più facili da integrare, che girano in modo efficiente sull'hardware di destinazione e che si comportano in modo prevedibile tendono ad arrivare in produzione più facilmente.

Ultralytics YOLO26 è stato costruito pensando a questa transizione. Ridurre la complessità durante il processo di distribuzione aiuta i team a spostare i modelli di computer vision dalla sperimentazione alla produzione reale in modo più efficiente.

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

Uno dei motivi chiave per cui Ultralytics YOLO26 è più pratico da distribuire è il suo design di inferenza end-to-end. In parole povere, ciò significa che il modello è progettato per produrre previsioni finali direttamente, senza fare affidamento su passaggi di post-elaborazione aggiuntivi al di fuori del modello stesso.

In molti sistemi di computer vision tradizionali, l'inferenza non si interrompe quando il modello termina il funzionamento. Invece, il modello restituisce un gran numero di previsioni intermedie che devono essere filtrate e rifinite prima di poter essere utilizzate.

Questi passaggi extra vengono spesso gestiti da una fase di post-elaborazione separata chiamata Non-Maximum Suppression (NMS), che aggiunge complessità al sistema generale. Negli ambienti di produzione, questa complessità può rappresentare un problema.

I passaggi di post-elaborazione possono aumentare la latenza, comportarsi diversamente su piattaforme hardware diverse e richiedere ulteriore lavoro di integrazione. Introducono anche più componenti che devono essere testati, mantenuti e mantenuti coerenti man mano che i sistemi scalano.

Ultralytics YOLO26 adotta un approccio diverso. La risoluzione delle previsioni duplicate e la produzione degli output finali all'interno del modello riducono il numero di passaggi necessari nella pipeline di inferenza. Questo rende il deployment più semplice, poiché c'amo meno logica esterna da gestire e minori opportunità di incongruenze tra gli ambienti.

Per i team che distribuiscono sistemi di visione, questo design end-to-end NMS-free design aiuta a semplificare l'integrazione. Il modello si comporta in modo più prevedibile una volta distribuito e gli exported models, ovvero le versioni preparate per essere eseguite al di fuori dell'ambiente di addestramento sull'hardware di destinazione, sono più autonomi.

Di conseguenza, ciò che viene testato durante lo sviluppo corrisponde più fedelmente 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.

Costruito per essere distribuito: prestazioni e scelte di addestramento che riducono il rischio#

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

Ecco alcune delle caratteristiche chiave che rendono Ultralytics YOLO26 più semplice da distribuire e utilizzare in produzione:

• Edge-first performance: Ultralytics YOLO26 è ottimizzato per funzionare in modo efficiente su unità di elaborazione centrale (CPU) e hardware edge, non solo su unità di elaborazione grafica (GPU). 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 potrebbero essere limitate.
• More stable training: YOLO26 utilizza una tecnica di addestramento chiamata Progressive Loss Balancing per guidare l'apprendimento del modello nel corso del tempo. All'inizio dell'addestramento, il modello riceve maggiore guida in modo da poter apprendere pattern stabili. Man mano che l'addestramento continua, questa guida viene gradualmente ridotta per riflettere il comportamento che il modello avrà quando verrà utilizzato in produzione. Questo approccio aiuta l'addestramento a procedere in modo più fluido e produce risultati più consistenti quando i modelli vengono addestrati o riaddestrati.
• Miglior rilevamento di oggetti piccoli: Viene utilizzato anche un metodo di addestramento chiamato Small-Target-Aware Label Assignment, o STAL, in modo che il modello non trascuri oggetti molto piccoli durante l'addestramento. Ciò migliora l'affidabilità in scenari in cui gli oggetti possono essere piccoli o lontani.
• Nuovo ottimizzatore: Il nuovo modello introduce anche un ottimizzatore di 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 di modelli linguistici di grandi dimensioni. Invece di concentrarsi solo su un addestramento più rapido, aiuta i modelli a convergere in modo più fluido e a comportarsi in modo più prevedibile quando vengono riaddestrati, messi a punto o aggiornati per l'uso in produzione.

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

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

Il pacchetto Ultralytics semplifica le pipeline di integrazione#

Distribuire un modello di computer vision raramente riguarda solo il modello in sé. In produzione, i team devono addestrare modelli, eseguire inferenza, monitorare le prestazioni ed esportare i modelli in formati che funzionino su piattaforme e hardware diversi. Ogni strumento aggiuntivo o script personalizzato in questa pipeline aumenta la complessità e il rischio di fallimento.

Il Ultralytics package è progettato per ridurre tale complessità riunendo questi passaggi in un flusso di lavoro unico e coerente. Con un'unica libreria, i team possono addestrare modelli come YOLO26, eseguire predizioni, validare i risultati ed esportare i modelli per la distribuzione senza dover cambiare strumenti o riscrivere il codice di integrazione.

Inoltre, supporta un'ampia gamma di integrations lungo l'intero ciclo di vita, dall'addestramento e dalla valutazione fino all'esportazione e alla distribuzione su diversi target hardware. Questo approccio unificato fa la differenza negli ambienti di produzione.

Fig 2. Una panoramica dei tipi di integrazioni supportate da Ultralytics (Source)

Gli stessi comandi e le stesse interfacce utilizzati durante la sperimentazione vengono mantenuti anche nel deployment, riducendo l'attrito di 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 collegamento 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 accessibile la scalabilità delle distribuzioni, l'aggiornamento dei modelli nel tempo e il mantenimento della coerenza del comportamento tra gli ambienti di sviluppo e produzione.

Applicazioni del mondo reale di Ultralytics YOLO26#

Successivamente, diamo un'occhiata a come Ultralytics YOLO26 può essere utilizzato in applicazioni del mondo reale che richiedono funzionalità di computer vision affidabili e pronte per la produzione.

Distribuire 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 gestisce 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 umana direttamente sull'hardware robotico. Il suo design di inferenza end-to-end semplifica l'integrazione nel software di controllo robotico, facilitando la distribuzione di funzionalità di visione che funzionano continuamente in ambienti del mondo reale.

Distribuire Ultralytics YOLO26 in fabbrica#

Negli stabilimenti industriali, la visione artificiale 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 tracciare il movimento dei componenti meccanici in tempo reale.

La sua capacità di funzionare in modo efficiente su dispositivi edge lo rende adatto alle linee di produzione in cui i sistemi devono operare continuamente, con bassa latenza e un sovraccarico 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 alimentazione limitata e connettività inaffidabile. Ultralytics YOLO26 può elaborare i dati visivi direttamente sul dispositivo, abilitando attività come l'ispezione, il rilievo o il 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 smart city con Ultralytics YOLO26#

Considera una città che installa telecamere in incroci, parchi pubblici e snodi di trasporto. Ogni posizione può utilizzare hardware diverso e operare in condizioni diverse, 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 di distribuzione prevedibile e il supporto per molteplici piattaforme hardware lo rendono più facile da implementare, aggiornare e mantenere in ambienti urbani ampi 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 per la vision AI#

Per molte organizzazioni, la sfida più grande con la vision AI non è costruire un modello che funzioni in una demo. È trasformare quel lavoro in un sistema che funzioni in modo affidabile in produzione.

La distribuzione richiede spesso un notevole sforzo ingegneristico, manutenzione continua e coordinamento tra i team, il che può rallentare i progetti o limitarne l'impatto. Quando i modelli sono facili da distribuire, questo cambia l'equazione aziendale.

Una distribuzione più rapida riduce il time-to-value. Un'integrazione più semplice riduce i costi ingegneristici e operativi. Un comportamento più prevedibile negli ambienti riduce il rischio e rende pratica la pianificazione a lungo termine.

Ultralytics YOLO26 è progettato tenendo a mente questi fattori. Semplificare la distribuzione e supportare un comportamento coerente in produzione aiuta le organizzazioni a portare la vision AI dalla sperimentazione all'uso quotidiano. Per i leader aziendali, questo rende la computer vision un investimento più pratico e affidabile, piuttosto che uno sforzo di ricerca ad alto rischio.

Punti chiave#

Ultralytics YOLO26 è costruito per colmare il divario tra ricerca e produzione rendendo la computer vision in tempo reale più facile da distribuire e mantenere. Il suo design end-to-end e le prestazioni edge-first riducono la complessità che spesso rallenta i progetti di vision AI. Ciò consente alle organizzazioni di muoversi più velocemente e vedere il valore prima.

Unisciti alla nostra community ed esplora il nostro GitHub repository per saperne di più sull'IA. Dai un'occhiata alle nostre pagine delle soluzioni per leggere su AI in retail e computer vision in agriculture. Scopri our licensing opzioni e inizia a costruire con la computer vision oggi stesso!