A impulsionar soluções de IA para o mundo real em vários setores

O Ultralytics YOLO é um componente fundamental do pipeline de visão computacional da SK Godelius, juntamente com a detecção multimodal, proporcionando-nos a precisão para identificar exatamente quais peças estão falhando, mantendo os trabalhadores seguros e as nossas inspeções consistentes.

Tudo ficou muito mais simples quando decidimos mudar para a Ultralytics. Podes treinar, fazer previsões e exportar qualquer coisa com uma única linha de código.

Os modelos Ultralytics YOLO são fáceis de usar, precisos e flexíveis. Isto ajudou-nos a reduzir o tempo de patrulha em cerca de 30%, em média.

Com o Ultralytics YOLOv8 nano, podemos voltar a treinar no edge e lançar um novo modelo em horas, em vez de semanas, transferindo apenas uma fração dos dados. Essa combinação de precisão e tamanho reduzido é exatamente o que os nossos ambientes precisam.

Queríamos melhorar a precisão com que o nosso modelo conseguia classificar classes de materiais heterogéneos, reduzindo simultaneamente o trabalho manual necessário por parte da nossa equipa. Mudar para o Ultralytics YOLO foi essencial para desbloquear estas melhorias de desempenho.

De todos os modelos que avaliámos, o YOLO foi, de longe, o mais rápido para os nossos casos de utilização.

Temos gostado muito da infraestrutura disponibilizada pela Ultralytics para o treino e apreciamos especialmente a facilidade de começar a utilizá-la. Foi simples, sobretudo ao criar o nosso conjunto de dados e executar a função “train”.

Os modelos Ultralytics YOLO ajudaram-nos a aumentar em 25,2% a velocidade de implementação do nosso serviço de IA. São fáceis de implementar e oferecem um excelente desempenho no mundo real, proporcionando maior velocidade, precisão e escalabilidade sem comprometer o desempenho operacional.

A capacidade de treinar e implementar modelos Ultralytics YOLO através do pacote Ultralytics Python é muito sólida. Combinada com uma inferência rápida, permite-nos processar imagens rapidamente e fornecer feedback em tempo real em estaleiros de construção.

Com a Ultralytics, conseguimos melhorar a velocidade e obter maior precisão em comparação com outros modelos. A compatibilidade com várias frameworks — CUDA, TensorRT, ONNX, OpenVINO — foi extremamente útil para ajustar os pesos na I&D e depois otimizá-los para qualquer hardware que tenhamos.

Estamos apenas a começar a explorar o potencial. Com o Ultralytics YOLO, temos a base para desenvolver soluções que não são apenas mais seguras, mas também mais inteligentes, permitindo obter informações em tempo real que podem salvar vidas e transformar a forma como a segurança industrial é gerida.

Criamos robôs com visão computacional para selecionar e posicionar ingredientes em linhas de produção alimentar. A manipulação robótica exige uma precisão inferior a um centímetro, e os modelos Ultralytics YOLO são excelentes a fornecer esse nível de precisão.

O desempenho dos modelos Ultralytics YOLO nos nossos microcontroladores STM32 abre novos horizontes para a visão computacional no edge. Com uma integração simplificada e suporte para várias variantes de modelos, os programadores têm exatamente o que precisam para criar soluções de visão incorporada escaláveis e responsivas.

O YOLO da Ultralytics tem sido um verdadeiro prazer de utilizar. A biblioteca Python é notavelmente fluida e consistente tanto no treino como na inferência… na prática, a integração no nosso pipeline foi extraordinariamente simples, algo raro.

O pacote Ultralytics Python permite-nos treinar modelos de forma muito fácil e rápida. Além disso, a sua padronização entre diferentes modelos e novas versões do YOLO garante um elevado grau de estabilidade ao longo dos anos.

Integrar o Ultralytics YOLO na nossa plataforma Instabase AI foi um processo fácil e sem complicações. Ajudou a acelerar o calendário de lançamentos e permitiu-nos disponibilizar capacidades de reconhecimento visual de objetos aos nossos clientes.

Transformam dados visuais em informações acionáveis com precisão e eficiência excecionais. Ao combinar o Ultralytics YOLOv8 com o sensor IMX500 da SSS (Sony Semiconductor Solutions Corporation), esta parceria disponibiliza poderosas capacidades de IA no dispositivo que melhoram a tomada de decisões em tempo real para empresas que dependem do processamento de dados visuais de alto desempenho.

Os modelos Ultralytics YOLO são uma excelente combinação para as nossas Unidades de Processamento de IA (AIPUs) Metis. São fáceis de integrar, funcionam de forma eficiente e ajudam os nossos clientes a colocar rapidamente em funcionamento, no edge, aplicações de IA para visão com impacto.

Na ALYCE, tirar partido da Ultralytics mudou completamente o treino dos nossos modelos, permitindo-nos melhorar a precisão dos dados e oferecer uma qualidade incomparável aos nossos clientes, além de os ajudar nos seus projetos de mobilidade sustentável.

Os modelos Ultralytics YOLO funcionaram muito bem para nós em vários ambientes subaquáticos, desde locais de turbinas de maré até portos e recifes de coral. A precisão e a fiabilidade fazem deles uma ferramenta essencial no nosso trabalho de monitorização ambiental em projetos de energia marinha e investigação.

A Ultralytics é uma solução muito poderosa e fácil de utilizar, tanto para desenvolver protótipos como para criar soluções finais.

Normalmente, treinar um modelo de machine learning demora imenso tempo e, muitas vezes, é preciso esperar dois ou três dias pela inferência para depois decidir se a precisão é suficientemente boa. Mas, com o Ultralytics YOLO, podemos treinar o modelo num único dia, tomar decisões rapidamente e aprender depressa com os resultados. Depois de treinado, também podemos melhorar o conjunto de dados para otimizar ainda mais o desempenho.

Os modelos YOLO da Ultralytics são revolucionários no setor da IA. Os modelos YOLOv5 e YOLOv8 são preferidos pelos programadores pela sua facilidade de utilização, desempenho de vanguarda e precisão. Combinados com OpenVINO, estes modelos oferecem o potencial para obter o melhor desempenho imediato em CPUs modernas.