Разбираемся, почему Ultralytics YOLO26 проще внедрять в производство!

Ultralytics YOLO26, наша новейшая модель компьютерного зрения, делает шаг вперед в упрощении развертывания решений компьютерного зрения в реальном времени. Другими словами, она создана для более плавного перехода от экспериментов к системам, работающим непрерывно на реальном железе.

Компьютерное зрение сегодня используется во многих реальных приложениях, включая производство, робототехнику, ритейл и инфраструктуру. По мере перехода этих систем от тестирования к повседневной эксплуатации фокус смещается с производительности отдельной модели на то, насколько хорошо модель вписывается в более крупную программную систему. Такие факторы, как надежность, эффективность и простота интеграции, важны не меньше, чем точность.

Этот сдвиг имеет важные последствия для того, как проектируются и оцениваются модели компьютерного зрения. Успех в продакшене зависит не только от того, что модель может обнаружить, но и от того, насколько легко ее интегрировать, развертывать и поддерживать с течением времени.

YOLO26 создавалась с учетом этих практических потребностей. За счет фокуса на сквозном инференсе, производительности с упором на edge-устройства и более простой интеграции она снижает сложность всего процесса развертывания.

В этой статье мы рассмотрим, как Ultralytics YOLO26 помогает преодолеть разрыв между исследованиями и производством, и почему ее функции делают внедрение систем компьютерного зрения в реальном времени в реальные приложения более простым. Давай начнем!

Разрыв между исследованиями и производством в компьютерном зрении#

По мере того как компьютерное зрение становится все более распространенным, многие команды выходят за рамки исследований и начинают развертывать модели в реальных приложениях. Этот следующий шаг к производству часто выявляет проблемы, которые не были видны во время экспериментов.

В исследовательских условиях модели обычно тестируются в контролируемых средах с использованием фиксированных наборов данных. Эти тесты полезны для измерения точности, но они не полностью отражают поведение модели после развертывания. В производстве системы компьютерного зрения должны обрабатывать «живые» данные, работать непрерывно и функционировать на реальном оборудовании вместе с другим программным обеспечением.

Как только модель становится частью производственной системы, факторы, выходящие за рамки точности, становятся более важными. Конвейеры вывода (inference pipelines) могут включать дополнительные шаги; производительность может варьироваться на разных устройствах, а системы должны вести себя согласованно с течением времени. Эти практические соображения влияют на то, насколько легко модель может быть интегрирована и поддерживаема по мере масштабирования приложений.

Из-за этих факторов переход от исследований к производству часто связан не столько с улучшением результатов модели, сколько с упрощением развертывания и эксплуатации. Модели, которые легче интегрировать, которые эффективно работают на целевом оборудовании и ведут себя предсказуемо, как правило, переходят в производство более гладко.

Ultralytics YOLO26 была создана с учетом этого перехода. Снижение сложности всего процесса развертывания помогает командам более эффективно переносить модели компьютерного зрения из стадии экспериментов в реальное производство.

Сквозной (end-to-end) вывод упрощает развертывание Ultralytics YOLO26#

Одна из ключевых причин, по которой Ultralytics YOLO26 более практична для развертывания, — это её дизайн со сквозным выводом. Проще говоря, это означает, что модель разработана для получения финальных предсказаний напрямую, без необходимости в дополнительных шагах постобработки вне самой модели.

Во многих традиционных системах компьютерного зрения вывод не заканчивается, когда модель завершает работу. Вместо этого модель выдает большое количество промежуточных предсказаний, которые необходимо отфильтровать и уточнить, прежде чем их можно будет использовать.

Эти дополнительные шаги часто обрабатываются отдельным этапом постобработки, называемым подавлением немаксимумов (NMS), что усложняет всю систему. В производственных средах эта сложность может стать проблемой.

Шаги постобработки могут увеличить задержку (latency), вести себя по-разному на разных аппаратных платформах и требовать дополнительных усилий по интеграции. Они также добавляют больше компонентов, которые нужно тестировать, поддерживать и сохранять согласованными по мере масштабирования систем.

Ultralytics YOLO26 использует другой подход. Устранение дубликатов предсказаний и получение финальных результатов внутри модели сокращает количество шагов, необходимых в конвейере инференса. Это упрощает развертывание, поскольку требуется управлять меньшим объемом внешней логики и снижается вероятность несоответствий между средами.

Для команд, развертывающих системы видеонаблюдения, этот сквозной дизайн без NMS помогает оптимизировать интеграцию. Модель ведет себя более предсказуемо после развертывания, а экспортированные модели, то есть версии, подготовленные для работы за пределами среды обучения на целевом железе, являются более автономными.

В результате то, что тестируется во время разработки, более точно соответствует тому, что работает в производстве. Это делает Ultralytics YOLO26 легче интегрируемой в реальные программные системы и проще для масштабируемого внедрения.

Создана для работы: выбор производительности и обучения, снижающий риски#

Помимо сквозного вывода, Ultralytics YOLO26 включает набор решений по производительности и обучению, предназначенных для того, чтобы сделать производственное развертывание более предсказуемым.

Вот некоторые из ключевых функций, которые делают Ultralytics YOLO26 проще для внедрения и эксплуатации в производстве:

• Производительность с упором на edge-устройства: Ultralytics YOLO26 оптимизирована для эффективной работы на центральных процессорах (CPU) и краевых устройствах, а не только на графических процессорах (GPU). По сравнению с Ultralytics YOLO11, нано-модель YOLO26 обеспечивает до 43% более быстрый инференс на CPU, что делает ее лучше подходящей для продакшен-окружений, где вычислительные ресурсы могут быть ограничены.
• Более стабильное обучение: YOLO26 использует метод обучения под названием Progressive Loss Balancing, чтобы направлять процесс обучения модели с течением времени. На ранних этапах обучения модели уделяется больше внимания, чтобы она могла выучить стабильные паттерны. По мере продолжения обучения это руководство постепенно уменьшается в соответствии с тем, как модель будет вести себя при использовании в продакшене. Такой подход помогает сделать процесс обучения более гладким и дает более стабильные результаты при обучении или переобучении моделей.
• Лучшее обнаружение мелких объектов: Также используется метод обучения под названием Small-Target-Aware Label Assignment (STAL), чтобы модель не упускала из виду очень мелкие объекты во время обучения. Это повышает надежность в сценариях, где объекты могут быть маленькими или находиться далеко.
• Новый оптимизатор: Новая модель также представляет оптимизатор обучения под названием MuSGD, разработанный для улучшения стабильности и согласованности обучения. MuSGD объединяет традиционный оптимизатор стохастического градиентного спуска (SGD) с идеями, вдохновленными недавними достижениями в обучении больших языковых моделей. Вместо того чтобы фокусироваться только на ускорении обучения, он помогает моделям сходиться более плавно и вести себя более предсказуемо при переобучении, дообучении или обновлении для производственного использования.

Рис. 1. YOLO26n обеспечивает инференс на CPU на 43% быстрее, чем YOLO11n (Источник)

В целом эти инновации помогают снизить риски и сложность развертывания систем компьютерного зрения в производстве. Объединяя производительность для периферийных устройств с более стабильным обучением и предсказуемым поведением модели, Ultralytics YOLO26 позволяет командам с уверенностью переходить от разработки к реальному развертыванию.

Пакет Ultralytics упрощает интеграционные конвейеры#

Развертывание модели компьютерного зрения редко касается только самой модели. В производстве командам необходимо обучать модели, запускать вывод, контролировать производительность и экспортировать модели в форматы, которые работают на разных платформах и аппаратных средствах. Каждый дополнительный инструмент или пользовательский скрипт в этом конвейере увеличивает сложность и риск сбоя.

Пакет Ultralytics package создан для того, чтобы снизить эту сложность, объединив эти шаги в единый, последовательный 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 кода интеграции.

Он также поддерживает широкий спектр интеграций на протяжении всего жизненного цикла: от обучения и оценки до экспорта и развертывания на различных целевых аппаратных платформах. Такой подход имеет значение в продакшен-окружениях.

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

Те же команды и интерфейсы, которые используются на этапе экспериментов, переносятся и на этап развертывания, что снижает трение при передаче задач между командами исследований, разработки и эксплуатации. Экспорт моделей также становится более предсказуемым, поскольку модели Ultralytics YOLO26 можно напрямую конвертировать в такие форматы, как ONNX, TensorRT, CoreML, OpenVINO и другие, широко используемые в производственных системах.

Минимизируя «склеивающий» код и необходимость в пользовательской интеграции, пакет Ultralytics помогает командам сосредоточиться на создании надежных приложений, а не на поддержке сложных конвейеров. Это делает более доступным масштабирование развертываний, обновление моделей с течением времени и сохранение согласованного поведения между средами разработки и производства.

Реальные приложения Ultralytics YOLO26#

Далее давай рассмотрим, как Ultralytics YOLO26 может использоваться в реальных приложениях, требующих надежных возможностей компьютерного зрения, готовых к производству.

Внедрение робототехнических систем зрения с помощью Ultralytics YOLO26#

Робототехнические системы зависят от быстрого и надежного восприятия для безопасной и эффективной работы. Будь то автономный мобильный робот, перемещающийся по складу, или робот-манипулятор, работающий с объектами на линии, модели зрения должны обеспечивать стабильные результаты с минимальной задержкой.

Ultralytics YOLO26 может обнаруживать препятствия, распознавать объекты и контролировать присутствие человека непосредственно на роботизированном оборудовании. Её дизайн со сквозным выводом упрощает интеграцию в программное обеспечение для управления роботами, облегчая развертывание возможностей зрения, которые работают непрерывно в реальных условиях.

Развертывание Ultralytics YOLO26 на производственных площадках#

В производственных цехах компьютерное зрение обычно используется для мониторинга оборудования, инспекции продукции и контроля соблюдения безопасных рабочих параметров. Ultralytics YOLO26 можно развертывать на локальном промышленном оборудовании для обнаружения дефектов, проверки этапов сборки или отслеживания движения механических компонентов в реальном времени.

Её способность эффективно работать на периферийных устройствах делает её хорошо подходящей для производственных линий, где системы должны функционировать непрерывно, с низкой задержкой и минимальными накладными расходами на инфраструктуру.

Рис 3. Использование YOLO для мониторинга движения актуатора.

Запуск Ultralytics YOLO26 на дронах и удаленных системах#

Дроны и удаленные системы часто работают в условиях ограниченного питания и ненадежной связи. Ultralytics YOLO26 может обрабатывать визуальные данные прямо на устройстве, обеспечивая такие задачи, как инспекция, съемка местности или мониторинг во время полета. Анализируя изображения локально, системы могут реагировать в реальном времени и снижать потребность в передаче больших объемов данных обратно в центральное расположение.

Масштабирование систем «умного города» с помощью Ultralytics YOLO26#

Представь город, внедряющий камеры на перекрестках, в общественных парках и транспортных узлах. Каждое место может использовать разное оборудование и работать в разных условиях, но система зрения все равно должна вести себя согласованно.

Ultralytics YOLO26 может помочь анализировать эти видеопотоки для таких задач, как мониторинг дорожного движения, обнаружение пешеходов или анализ общественных пространств. Её предсказуемое поведение при развертывании и поддержка множества аппаратных платформ облегчают развертывание, обновление и обслуживание систем зрения в больших распределенных городских средах.

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

Почему более простое развертывание меняет бизнес-кейс для ИИ в компьютерном зрении#

Для многих организаций самая большая проблема с ИИ в компьютерном зрении — это не создание модели, которая работает в демо-версии. Это превращение этой работы в систему, которая надежно работает в производстве.

Развертывание часто требует значительных инженерных усилий, текущего обслуживания и координации между командами, что может замедлить проекты или ограничить их влияние. Когда модели легко внедрять, это меняет бизнес-уравнение.

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

Ultralytics YOLO26 создана с учетом этих факторов. Упрощение развертывания и поддержка согласованного поведения в производстве помогают организациям перевести ИИ в компьютерном зрении от экспериментов к повседневному использованию. Для бизнес-лидеров это делает компьютерное зрение более практичной и надежной инвестицией, а не высокорискованным исследовательским проектом.

Основные выводы#

Ultralytics YOLO26 создана, чтобы преодолеть разрыв между исследованиями и производством, делая компьютерное зрение в реальном времени более легким в развертывании и обслуживании. Её сквозной дизайн и производительность для периферийных устройств снижают сложность, которая часто замедляет проекты в области ИИ для зрения. Это позволяет организациям двигаться быстрее и видеть ценность раньше.

Присоединяйся к нашему сообществу и изучай наш репозиторий на GitHub, чтобы узнать больше об искусственном интеллекте. Загляни на страницы наших решений, чтобы почитать про ИИ в ритейле и компьютерное зрение в сельском хозяйстве. Ознакомься с нашими вариантами лицензирования и начни создавать проекты с компьютерным зрением уже сегодня!