Почему Ultralytics YOLO26 проще внедрять в промышленную эксплуатацию!

Ultralytics YOLO26, наша новейшая модель компьютерного зрения, делает реальным шагом вперёд упрощение развертывания решений компьютерного зрения в реальном времени. Иными словами, она разработана так, чтобы плавнее переходить от экспериментов к системам, непрерывно работающим на реальном оборудовании.

Компьютерное зрение сейчас используется во множестве реальных приложений, включая производство, робототехнику, розничную торговлю и инфраструктуру. По мере перехода таких систем от тестирования к повседневному использованию внимание смещается с производительности отдельной модели на то, насколько хорошо модель вписывается в более крупную программную систему. Надёжность, эффективность и простота интеграции не менее важны, чем точность.

Этот сдвиг имеет важные последствия для разработки и оценки моделей компьютерного зрения. Успех в продакшене зависит не только от того, что модель может обнаруживать, но и от того, насколько легко её интегрировать, развернуть и поддерживать в течение долгого времени.

YOLO26 создавалась с учётом этих практических потребностей. Благодаря ориентации на сквозной инференс, производительность прежде всего на периферии и более простую интеграцию она снижает сложность на всём пути развертывания.

В этой статье мы рассмотрим, как Ultralytics YOLO26 помогает сократить разрыв между исследованиями и продакшеном и почему её функции упрощают вывод систем компьютерного зрения в реальном времени в реальные приложения. Давай начнём!

Разрыв между исследованиями и продакшеном в компьютерном зрении#

По мере того как компьютерное зрение получает всё более широкое применение, многие команды выходят за рамки исследований и начинают развертывать модели в реальных приложениях. Этот следующий шаг к продакшену часто выявляет проблемы, которые не были заметны во время экспериментов.

В исследовательских условиях модели обычно тестируют в контролируемой среде на фиксированных наборах данных. Такие тесты полезны для измерения точности, но не полностью отражают поведение модели после развертывания. В продакшене системы компьютерного зрения должны обрабатывать потоковые данные, работать непрерывно и функционировать на реальном оборудовании вместе с другим ПО.

После включения модели в продакшен-систему факторы, помимо точности, становятся более важными. Инференсные конвейеры могут включать дополнительные этапы; производительность может различаться на разных устройствах, а системы должны стабильно работать с течением времени. Эти практические аспекты влияют на то, насколько легко интегрировать и поддерживать модель по мере масштабирования приложений.

Поэтому переход от исследований к продакшену часто связан не столько с улучшением результатов модели, сколько с упрощением развертывания и эксплуатации. Модели, которые проще интегрировать, которые эффективно работают на целевом оборудовании и ведут себя предсказуемо, обычно легче переводить в продакшен.

Ultralytics YOLO26 создавалась с учётом этого перехода. Снижение сложности на всём пути развертывания помогает командам эффективнее переводить модели компьютерного зрения от экспериментов к реальному использованию в продакшене.

Сквозной инференс упрощает развертывание Ultralytics YOLO26#

Одна из ключевых причин, по которой Ultralytics YOLO26 практичнее развертывать, — её архитектура со сквозным инференсом. Проще говоря, это означает, что модель разработана для непосредственного формирования итоговых предсказаний без дополнительных этапов постобработки за пределами самой модели.

Во многих традиционных системах компьютерного зрения инференс не заканчивается после завершения работы модели. Вместо этого модель выдаёт большое количество промежуточных предсказаний, которые нужно отфильтровать и уточнить, прежде чем их можно будет использовать.

Эти дополнительные этапы часто обрабатываются отдельной стадией постобработки, называемой подавлением немаксимумов (NMS), что усложняет систему в целом. В продакшен-средах такая сложность может стать проблемой.

Этапы постобработки могут увеличивать задержку, по-разному работать на разных аппаратных платформах и требовать дополнительных интеграционных усилий. Они также добавляют компоненты, которые нужно тестировать, поддерживать и сохранять согласованными по мере масштабирования систем.

Ultralytics YOLO26 использует другой подход. Устранение дублирующихся предсказаний и формирование итоговых результатов внутри модели сокращают количество этапов в инференсном конвейере. Это упрощает развертывание, поскольку требуется управлять меньшим объёмом внешней логики и снижается вероятность несогласованности между средами.

Для команд, развертывающих системы компьютерного зрения, эта сквозная архитектура без NMS упрощает интеграцию. После развертывания модель ведёт себя более предсказуемо, а экспортированные модели, то есть версии, подготовленные для работы вне среды обучения на целевом оборудовании, становятся более автономными.

В результате то, что тестируется во время разработки, больше соответствует тому, что работает в продакшене. Поэтому Ultralytics YOLO26 проще интегрировать в реальные программные системы и легче выводить в масштабное использование.

Готова к выводу в продакшен: решения в области производительности и обучения, снижающие риски#

Помимо сквозного инференса, Ultralytics YOLO26 включает ряд решений в области производительности и обучения, призванных сделать развертывание в продакшене более предсказуемым.

Вот несколько ключевых функций, которые упрощают вывод Ultralytics YOLO26 в продакшен и её эксплуатацию:

• Производительность прежде всего на периферии: Ultralytics YOLO26 оптимизирована для эффективной работы на центральных процессорах (CPUs) и периферийном оборудовании, а не только на графических процессорах (GPUs). По сравнению с Ultralytics YOLO11 nano-модель YOLO26 обеспечивает до 43% более быстрый инференс на CPU, что делает её более подходящей для продакшен-сред, где вычислительные ресурсы могут быть ограничены.
• Более стабильное обучение: YOLO26 использует метод обучения под названием Progressive Loss Balancing, который управляет процессом обучения модели с течением времени. На ранних этапах обучения модель получает больше указаний, чтобы усвоить стабильные закономерности. По мере продолжения обучения эти указания постепенно ослабляются, чтобы соответствовать поведению модели при использовании в продакшене. Такой подход помогает сделать обучение более плавным и получать более согласованные результаты при обучении или дообучении моделей.
• Улучшенное обнаружение небольших объектов: Также используется метод обучения Small-Target-Aware Label Assignment, или STAL, чтобы модель не пропускала очень маленькие объекты во время обучения. Это повышает надёжность в сценариях, где объекты могут быть маленькими или находиться далеко.
• Новый оптимизатор: Новая модель также представляет оптимизатор обучения MuSGD, разработанный для повышения стабильности и согласованности обучения. MuSGD объединяет традиционный оптимизатор стохастического градиентного спуска (SGD) с идеями, вдохновлёнными последними достижениями в обучении больших языковых моделей. Он ориентирован не только на ускорение обучения, но и помогает моделям плавнее сходиться и вести себя более предсказуемо при повторном обучении, тонкой настройке или обновлении для использования в продакшене.

Рис. 1. YOLO26n обеспечивает до 43% более быстрый инференс на CPU по сравнению с YOLO11n (источник)

В целом эти инновации помогают снизить риски и сложность развертывания систем компьютерного зрения в продакшене. Сочетая производительность прежде всего на периферии с более стабильным обучением и предсказуемым поведением модели, Ultralytics YOLO26 упрощает переход команд от разработки к реальному развертыванию.

Пакет Ultralytics упрощает интеграционные конвейеры#

Развертывание модели компьютерного зрения редко ограничивается самой моделью. В продакшене командам нужно обучать модели, запускать инференс, отслеживать производительность и экспортировать модели в форматы, работающие на разных платформах и типах оборудования. Каждый дополнительный инструмент или пользовательский скрипт в этом конвейере повышает сложность и риск сбоя.

Пакет Ultralytics разработан для снижения этой сложности за счёт объединения всех этапов в единый согласованный рабочий процесс. Используя одну библиотеку, команды могут обучать такие модели, как YOLO26, запускать предсказания, проверять результаты и экспортировать модели для развертывания без смены инструментов или переписывания интеграционного кода.

Он также поддерживает широкий спектр интеграций на всём жизненном цикле — от обучения и оценки до экспорта и развертывания на различных целевых устройствах. Такой унифицированный подход особенно важен в продакшен-средах.

Рис. 2. Обзор типов интеграций, поддерживаемых Ultralytics (источник)

Те же команды и интерфейсы, которые используются во время экспериментов, применяются и при развертывании, что снижает трения при передаче работы между исследовательскими, инженерными и операционными командами. Экспорт моделей также становится более предсказуемым, поскольку модели Ultralytics YOLO26 можно напрямую преобразовывать в такие форматы, как ONNX, TensorRT, CoreML, OpenVINO и другие, которые широко используются в продакшен-системах.

Минимизируя связующий код и пользовательскую интеграционную работу, пакет Ultralytics помогает командам сосредоточиться на создании надёжных приложений, а не на поддержке сложных конвейеров. Это упрощает масштабирование развертываний, обновление моделей со временем и сохранение согласованного поведения в средах разработки и продакшена.

Реальные применения Ultralytics YOLO26#

Далее рассмотрим, как Ultralytics YOLO26 можно использовать в реальных приложениях, которым нужны надёжные возможности компьютерного зрения, готовые к продакшену.

Вывод систем роботизированного зрения в продакшен с Ultralytics YOLO26#

Для безопасной и эффективной работы роботизированным системам нужно быстрое и надёжное восприятие окружающей среды. Будь то автономный мобильный робот, перемещающийся по складу, или роботизированная рука, работающая с объектами на конвейере, модели зрения должны выдавать стабильные результаты с минимальной задержкой.

Ultralytics YOLO26 может обнаруживать препятствия, распознавать объекты и отслеживать присутствие людей непосредственно на роботизированном оборудовании. Её архитектура со сквозным инференсом упрощает интеграцию в ПО управления роботами и облегчает развертывание функций зрения, непрерывно работающих в реальных условиях.

Развертывание Ultralytics YOLO26 на производственных площадках#

На производственных площадках компьютерное зрение обычно используется для мониторинга оборудования, проверки продукции и контроля соблюдения безопасных рабочих параметров процессов. Ultralytics YOLO26 можно развернуть на локальном промышленном оборудовании для обнаружения дефектов, проверки этапов сборки или отслеживания перемещения механических компонентов в реальном времени.

Благодаря эффективной работе на периферийных устройствах модель хорошо подходит для производственных линий, где системы должны функционировать непрерывно, с низкой задержкой и минимальными затратами на инфраструктуру.

Рис. 3. Использование YOLO для отслеживания движения исполнительного механизма.

Запуск Ultralytics YOLO26 на дронах и удалённых системах#

Дроны и удалённые системы часто работают при ограниченном энергопотреблении и нестабильном подключении. Ultralytics YOLO26 может обрабатывать визуальные данные непосредственно на устройстве, обеспечивая выполнение таких задач, как инспекция, обследование территории или мониторинг во время полёта. Локальный анализ изображений позволяет системам реагировать в реальном времени и уменьшает необходимость передавать большие объёмы данных в центральное расположение.

Масштабирование систем компьютерного зрения для умных городов с Ultralytics YOLO26#

Представь, что город устанавливает камеры на перекрёстках, в общественных парках и транспортных узлах. В каждом месте может использоваться разное оборудование и действовать разные условия, но система зрения всё равно должна работать согласованно.

Ultralytics YOLO26 помогает анализировать эти видеопотоки для таких задач, как мониторинг трафика, обнаружение пешеходов или анализ общественных пространств. Предсказуемое поведение при развертывании и поддержка нескольких аппаратных платформ упрощают запуск, обновление и обслуживание систем зрения в крупных распределённых городских средах.

Рис. 4. Обнаружение человека, собаки и скамейки в городе с помощью Ultralytics YOLO26.

Почему более простой вывод в продакшен меняет бизнес-обоснование AI для компьютерного зрения#

Для многих организаций главная проблема AI для компьютерного зрения заключается не в создании модели, работающей в демонстрации. Она заключается в превращении этой разработки в систему, которая надёжно работает в продакшене.

Развертывание часто требует значительных инженерных усилий, постоянного обслуживания и координации между командами, что может замедлять проекты или ограничивать их влияние. Когда модели проще выводить в продакшен, это меняет экономику проекта.

Более быстрое развертывание сокращает время до получения ценности. Более простая интеграция снижает инженерные и операционные затраты. Более предсказуемое поведение в разных средах уменьшает риски и делает долгосрочное планирование практичным.

Ultralytics YOLO26 разработана с учётом этих факторов. Упрощение развертывания и поддержка согласованного поведения в продакшене помогают организациям переводить AI для компьютерного зрения от экспериментов к повседневному использованию. Для руководителей бизнеса это делает компьютерное зрение более практичной и надёжной инвестицией, а не высокорисковым исследовательским проектом.

Основные выводы#

Ultralytics YOLO26 создана для сокращения разрыва между исследованиями и продакшеном за счёт упрощения развертывания и обслуживания компьютерного зрения в реальном времени. Её сквозная архитектура и производительность прежде всего на периферии снижают сложность, которая часто замедляет проекты в области AI для компьютерного зрения. Это позволяет организациям двигаться быстрее и раньше получать ценность.

Присоединяйся к нашему сообществу и изучи наш репозиторий на GitHub, чтобы узнать больше об AI. Посети страницы наших решений и прочитай о AI в розничной торговле и компьютерном зрении в сельском хозяйстве. Узнай больше о наших вариантах лицензирования и начни создавать решения с компьютерным зрением уже сегодня!