Разбираемся, почему Ultralytics YOLO26 проще внедрять в производство!

Ultralytics YOLO26, наша новейшая модель компьютерного зрения, делает шаг вперед, упрощая развертывание решений компьютерного зрения в реальном времени. Другими словами, она разработана для более плавного перехода от экспериментов к системам, которые работают непрерывно на реальном оборудовании.

Компьютерное зрение сейчас используется во многих реальных приложениях, включая производство, робототехнику, ритейл и инфраструктуру. По мере того как эти системы переходят от тестирования к повседневному использованию, фокус смещается с производительности отдельной модели на то, насколько хорошо она вписывается в более крупную программную систему. Такие факторы, как надежность, эффективность и простота интеграции, столь же важны, как и точность.

Этот сдвиг имеет важное значение для того, как проектируются и оцениваются модели компьютерного зрения. Успех в производстве зависит не только от того, что модель может обнаружить, но и от того, насколько легко ее можно интегрировать, развернуть и поддерживать в течение долгого времени.

YOLO26 была создана с учетом этих практических потребностей. Сосредоточившись на сквозном (end-to-end) выводе, производительности для периферийных устройств 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!

Link to this sectionРазрыв 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.

Link to this sectionСквозной (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.

YOLO26 использует другой подход. Устранение дублирующихся предсказаний и получение финальных результатов внутри модели сокращает количество шагов, необходимых в конвейере вывода. Это делает развертывание проще, так как требуется управлять меньшим количеством внешней логики и возникает меньше возможностей для несоответствий между средами.

Для команд, развертывающих системы зрения, этот сквозной, NMS-free дизайн помогает оптимизировать интеграцию. Модель ведет себя более предсказуемо после развертывания, 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, более точно соответствует тому, что работает в производстве. Это делает Ultralytics YOLO26 легче интегрируемой в реальные программные системы и проще для масштабируемого внедрения.

Link to this sectionСоздана 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 для периферийных устройств (Edge-first): Ultralytics YOLO26 оптимизирована для эффективной работы на центральных процессорах (CPU) и периферийном оборудовании, а не только на графических процессорах (GPU). По сравнению с Ultralytics YOLO11, модель YOLO26 nano обеспечивает до 43% более быстрый вывод на CPU, что делает её лучше подходящей для производственных сред, где вычислительные ресурсы могут быть ограничены.
• Более стабильное обучение: YOLO26 использует метод обучения под названием Progressive Loss Balancing для управления тем, как модель обучается с течением времени. В начале обучения модели дается больше указаний, чтобы она могла выучить стабильные паттерны. По мере продолжения обучения эти указания постепенно уменьшаются, чтобы соответствовать тому, как модель будет вести себя при использовании в производстве. Этот подход помогает обучению проходить более плавно и дает более согласованные результаты, когда модели обучаются или переобучаются.
• 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 до 43% более быстрый вывод на CPU, 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.

Link to this sectionПакет 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 разработан для уменьшения этой сложности путем объединения этих шагов в единый, последовательный рабочий процесс. С одной библиотекой команды могут обучать модели, такие как YOLO26, запускать предсказания, проверять результаты и экспортировать модели для развертывания, не переключаясь между инструментами и не переписывая интеграционный код.

Он также поддерживает широкий спектр интеграций на протяжении всего жизненного цикла, от обучения и оценки до экспорта и развертывания на различных целевых устройствах. Этот унифицированный подход имеет значение в производственных средах.

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

Те же команды и интерфейсы, которые используются во время экспериментов, переносятся на этап развертывания, что снижает трения при передаче задач между командами исследований, разработки и эксплуатации. Экспорт моделей также становится более предсказуемым, поскольку модели YOLO26 могут быть преобразованы непосредственно в форматы, такие как ONNX, TensorRT, CoreML, OpenVINO и другие, которые обычно используются 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.

Link to this sectionРеальные приложения Ultralytics YOLO26#

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

Link to this sectionВнедрение 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.

Link to this sectionРазвертывание Ultralytics YOLO26 на производственных площадках#

На производственных площадках компьютерное зрение обычно используется для мониторинга оборудования, контроля продукции и обеспечения того, чтобы процессы оставались в безопасных рабочих пределах. YOLO26 может быть развернута на локальном промышленном оборудовании для обнаружения дефектов, проверки этапов сборки или отслеживания движения механических компонентов в режиме реального 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.

Link to this sectionЗапуск Ultralytics YOLO26 на дронах и удаленных системах#

Дроны и удаленные системы часто работают в условиях ограниченного питания и ненадежной связи. YOLO26 может обрабатывать визуальные данные непосредственно на устройстве, обеспечивая выполнение задач, таких как инспекция, съемка или мониторинг во время полета. Анализируя изображения локально, системы могут реагировать в реальном времени и сокращать необходимость передачи больших объемов данных обратно в центральный офис.

Link to this sectionМасштабирование 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 YOLO26.

Link to this sectionПочему 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.

Link to this sectionОсновные 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 исследуй наш репозиторий на GitHub, чтобы узнать больше об ИИ. Ознакомься с нашими страницами решений, чтобы почитать об ИИ в ритейле и компьютерном зрении в сельском хозяйстве. Открой для себя наши варианты лицензирования и начни создавать решения с использованием компьютерного зрения уже сегодня!