Главные моменты Ultralytics на YOLO Vision 2025 Shenzhen!

26 октября YOLO Vision 2025 (YV25) впервые прошла в Китае — в здании B10 в парке креативной культуры OCT в Шэньчжэне. Гибридное мероприятие Ultralytics, посвящённое ИИ на основе компьютерного зрения, собрало более 200 участников лично, а многие другие присоединились онлайн через YouTube и Bilibili.

Прямая трансляция YV25 из Шэньчжэня уже набрала более 3 500 просмотров на YouTube и продолжает привлекать внимание благодаря публикациям с основными моментами мероприятия в сообществе. Это был день, наполненный идеями, обсуждениями и практическим знакомством с будущим ИИ на основе компьютерного зрения.

День начался с тёплого приветствия ведущей Хуан Сюэин, которая пригласила всех общаться, узнавать новое и участвовать в обсуждениях на протяжении всего мероприятия. Она рассказала, что это была вторая за год конференция YOLO Vision после сентябрьского мероприятия в Лондоне, и поделилась радостью по поводу новой встречи сообщества специалистов по ИИ на основе компьютерного зрения в Шэньчжэне.

В этой статье мы вспомним главные события дня: обновления моделей, выступления спикеров, живые демонстрации и встречи сообщества, которые объединили всех участников.

История развития моделей Ultralytics YOLO#

Первый основной доклад дня представил основатель и генеральный директор Ultralytics Гленн Джохер. Он рассказал, как модели Ultralytics YOLO прошли путь от исследовательского прорыва до одних из самых широко используемых моделей компьютерного зрения в мире. Гленн объяснил, что в начале своей работы он стремился сделать YOLO проще в использовании.

Он перенёс модели на PyTorch, улучшил документацию и опубликовал всё в открытом доступе, чтобы разработчики по всему миру могли развивать проект. Вспоминая об этом, он сказал: «В 2018 году я с головой погрузился в эту работу. Я решил, что именно с ней связано моё будущее». То, что начиналось как личная инициатива, быстро превратилось в глобальное движение открытого исходного кода.

Рис. 1. Гленн Джохер выступает на сцене YOLO Vision 2025 в Шэньчжэне.

Сегодня модели Ultralytics YOLO ежедневно выполняют миллиарды инференсов, и Гленн подчеркнул, что такой масштаб стал возможен только благодаря людям, которые помогали развивать проект. Исследователи, инженеры, студенты, энтузиасты и участники проектов с открытым исходным кодом со всего мира сформировали YOLO таким, каким мы знаем его сегодня.

Как сказал Гленн: «Их почти тысяча [контрибьюторов], и мы им невероятно благодарны. Без этих людей мы не достигли бы того, чего достигли сегодня».

Обновления Ultralytics YOLO26#

Впервые Ultralytics YOLO26 представили в начале этого года на мероприятии YOLO Vision 2025 в Лондоне, где модель объявили следующим крупным этапом развития семейства моделей Ultralytics YOLO. На YV25 в Шэньчжэне Гленн рассказал о прогрессе с момента анонса и подробнее показал сообществу специалистов по ИИ, как развивается модель.

Ultralytics YOLO26 создаётся как более компактная, быстрая и точная модель, оставаясь при этом практичной для применения в реальных условиях. Гленн объяснил, что в течение последнего года команда совершенствовала архитектуру, сравнивала производительность на разных устройствах и учитывала результаты исследований и отзывы сообщества. Цель — обеспечить передовую производительность, не усложняя развёртывание моделей.

Чего ждать от Ultralytics YOLO26#

Одно из ключевых обновлений, на котором акцентировал внимание Гленн, заключается в том, что Ultralytics YOLO26 сопровождается специальной кампанией по настройке гиперпараметров с переходом от обучения модели полностью с нуля к её дообучению на более крупных наборах данных. Он пояснил, что такой подход гораздо лучше соответствует реальным сценариям использования.

Вот ещё несколько ключевых улучшений, представленных на мероприятии:

• Упрощённая архитектура: Удалён слой Distribution Focal Loss (DFL). Благодаря этому модели стали проще и быстрее в работе, сохранив прежний уровень точности.
• Поддержка сквозного инференса: Ultralytics YOLO26 изначально работает в сквозном режиме, то есть ей не нужен отдельный слой NMS. Благодаря этому гораздо проще экспортировать модель в такие форматы, как ONNX и TensorRT, и развертывать ее на периферийном оборудовании.
• Более эффективное обнаружение мелких объектов: Обновлённые стратегии расчёта функции потерь помогают модели надёжнее обнаруживать крошечные объекты, что долгое время оставалось серьёзной проблемой компьютерного зрения.
• Новый гибридный оптимизатор: YOLO26 включает новый оптимизатор, созданный на основе недавних исследований обучения больших языковых моделей. Он повышает точность модели и уже встроен непосредственно в пакет Ultralytics Python.

Ultralytics YOLO26 — следующий шаг к практичному ИИ на основе компьютерного зрения#

В совокупности эти обновления обеспечивают до 43% более высокую скорость работы на CPU и при этом повышают точность по сравнению с Ultralytics YOLO11. Поэтому YOLO26 особенно важна для встраиваемых устройств, робототехники и периферийных систем.

Ultralytics YOLO26 будет поддерживать все те же задачи и размеры моделей, что сейчас доступны в YOLO11, — всего 25 вариантов в семействе. В него войдут модели для обнаружения объектов, сегментации, классификации, оценки позы и обнаружения ориентированных ограничивающих рамок — от nano до extra large.

Команда также работает над пятью вариантами моделей с поддержкой запросов. Такие модели могут получать текстовый запрос и сразу возвращать ограничивающие рамки без дополнительного обучения.

Это первый шаг к более гибким сценариям работы с компьютерным зрением на основе инструкций, которые проще адаптировать к разным задачам. Модели Ultralytics YOLO26 все еще активно разрабатываются, но первые результаты производительности впечатляют, и команда готовится выпустить их в ближайшее время. (Обновление: Ultralytics YOLO26 уже выпущена.)

Знакомство с платформой Ultralytics#

После рассказа об обновлении YOLO26 Гленн пригласил Пратик Бхатнагара, руководителя инженерного направления продукта, провести живую демонстрацию платформы Ultralytics. Платформа объединяет ключевые этапы рабочего процесса компьютерного зрения: изучение наборов данных, разметку изображений, обучение моделей и сравнение результатов.

Рис. 2. Пратик Бхатнагар представляет платформу Ultralytics.

Пратик отметил, что платформа сохраняет верность принципам открытого исходного кода Ultralytics и объединяет два сообщества — сообщество наборов данных и сообщество проектов, где разработчики могут вносить вклад в работу друг друга, повторно использовать ее и улучшать. Во время демонстрации он показал разметку с помощью AI, простое облачное обучение и возможность дообучать модели непосредственно на материалах сообщества без локальных GPU-ресурсов.

Платформа все еще разрабатывается (с тех пор она уже запущена). Пратик призвал следить за объявлениями и отметил, что для поддержки запуска команда расширяется в Китае.

Голоса, стоящие за YOLO: дискуссия с авторами#

По мере нарастания интереса мероприятие перешло к дискуссии с участием нескольких исследователей, стоявших за созданием разных моделей YOLO. В дискуссии участвовали Гленн Джочер, а также Цзин Цю, наш старший инженер по машинному обучению; Чэнь Хуэй, инженер по машинному обучению в Meta и один из авторов YOLOv10; и Бо Чжан, стратег по алгоритмам в Meituan и один из авторов YOLOv6.

Рис. 3. Дискуссия о разработке моделей YOLO с участием Хуан Сюэин, Чэнь Хуэя, Бо Чжана, Цзин Цю и Гленна Джочера.

Обсуждение было посвящено тому, как YOLO продолжает развиваться благодаря применению в реальных условиях. Участники рассказали о том, что прогресс часто обусловлен практическими трудностями развертывания: например, необходимостью эффективно запускать модели на периферийных устройствах, улучшать обнаружение мелких объектов и упрощать экспорт моделей.

Участники дискуссии отметили, что в производственной среде важно не просто гнаться за точностью, а находить баланс между скоростью, удобством использования и надежностью. Еще один общий вывод — важность итеративной разработки и обратной связи от сообщества.

Вот еще несколько интересных выводов из беседы:

• Обнаружение объектов с открытым словарем набирает популярность в экосистеме YOLO: новые модели показывают, как согласование визуальных и языковых представлений, а также сценарии работы на основе промптов позволяют обнаруживать объекты за пределами фиксированных категорий.
• Эффективные механизмы внимания становятся все популярнее: участники дискуссии обсудили, как использование эффективных механизмов внимания вместо полного внимания повсюду может повысить точность, сохранив при этом достаточно легковесный инференс для периферийных устройств.
• Начинай итерации как можно раньше и чаще привлекай сообщество: участники дискуссии подтвердили эффективность подхода «создать — протестировать — улучшить»: более ранний выпуск моделей и учет отзывов пользователей дают лучшие результаты, чем длительные циклы закрытой разработки.

Лидеры мнений, определяющие будущее ИИ и компьютерного зрения#

Теперь давай подробнее рассмотрим некоторые основные доклады на YV25 Shenzhen, где лидеры сообщества ИИ рассказали о развитии компьютерного зрения — от цифровых людей и робототехники до мультимодальных рассуждений и эффективного развертывания на периферии.

Обучаем ИИ понимать человеческий опыт#

В содержательном докладе доктор Пэн Чжан из Alibaba Qwen Lab рассказал, как его команда разрабатывает большие видеомодели, способные создавать выразительных цифровых людей с более естественными движениями и возможностью управления ими. Он представил Wan S2V и Wan Animate, которые используют аудио или образцы движений, чтобы создавать реалистичную речь, жесты и анимацию, преодолевая ограничения генерации, основанной исключительно на тексте.

Рис. 4. Пэн Чжан рассказывает, как большие видеомодели помогают создавать цифровых людей.

Доктор Чжан также рассказал о прогрессе в создании интерактивных аватаров, работающих в реальном времени, включая клонирование без примеров внешности и движений, а также легковесные модели, способные анимировать лицо непосредственно по видеопотоку с камеры. Благодаря этому реалистичные цифровые люди становятся ближе к плавной работе на обычных устройствах.

От восприятия к действию: эпоха воплощенного интеллекта#

Одной из ключевых тем YV25 Shenzhen стал переход от моделей компьютерного зрения, которые просто видят мир, к системам, способным действовать в нем. Иными словами, восприятие больше не является конечным этапом конвейера — оно становится отправной точкой для действия.

Например, в своем основном докладе Ху Чуньсю из D-Robotics рассказал, как их комплекты для разработки и решения на основе SoC (системы на кристалле) объединяют обработку данных сенсоров, управление движением в реальном времени и принятие решений в едином аппаратно-программном комплексе. Рассматривая восприятие и действие как непрерывный цикл обратной связи, а не как отдельные этапы, их подход помогает создавать роботов, которые надежнее перемещаются, адаптируются и взаимодействуют в реальных условиях.

Рис. 5. Демонстрация D-Robotics на YOLO Vision 2025 в Шэньчжэне, Китай.

Алекс Чжан из Baidu Paddle развил эту идею в своем докладе, объяснив, как YOLO и PaddleOCR вместе обнаруживают объекты, а затем анализируют текст и структуру вокруг них. Благодаря этому системы могут преобразовывать изображения и документы в полезную структурированную информацию для таких задач, как логистика, инспекции и автоматизированная обработка.

Интеллект на периферии: эффективный ИИ для любых устройств#

Еще одной интересной темой YV25 Shenzhen стала растущая эффективность и функциональность vision AI на периферийных устройствах.

Пол Джанг из DEEPX рассказал о развертывании моделей YOLO непосредственно на встраиваемом оборудовании, что снижает зависимость от облака. Благодаря низкому энергопотреблению, оптимизированному инференсу и настройке моделей с учетом аппаратных особенностей DEEPX обеспечивает восприятие в реальном времени для дронов, мобильных роботов и промышленных систем, работающих в динамичных условиях.

Лю Линфэй из Moore Threads рассказал о платформе Moore Threads E300, объединяющей вычислительные ресурсы центрального процессора (CPU), графического процессора (GPU) и нейронного процессора (NPU) для высокоскоростного инференса компьютерного зрения на компактных устройствах.

Платформа может обрабатывать несколько видеопотоков YOLO с высокой частотой кадров, а ее набор инструментов упрощает такие этапы, как квантование, статическая компиляция и настройка производительности. Moore Threads также открыла исходный код широкого набора моделей компьютерного зрения и примеров развертывания, чтобы сделать эти технологии доступнее для разработчиков.

Объединение зрения и языка для создания более интеллектуальных систем ИИ#

До недавнего времени создание единой модели, способной и понимать изображения, и интерпретировать язык, требовало больших и дорогих в эксплуатации архитектур трансформеров. На YV25 Shenzhen Юэ Цзыинь из Yuanshi Intelligence представил обзор RWKV — архитектуры, которая сочетает возможности трансформеров рассуждать с учетом длинного контекста с эффективностью рекуррентных моделей.

Он объяснил, как Vision-RWKV применяет эту архитектуру в компьютерном зрении, обрабатывая изображения так, что вычислительные затраты линейно растут с разрешением. Поэтому она подходит для изображений высокого разрешения и периферийных устройств с ограниченными вычислительными ресурсами.

Юэ также показал, как RWKV применяется в системах, объединяющих зрение и язык: визуальные признаки сочетаются с пониманием текста, что позволяет выйти за рамки обнаружения объектов и интерпретировать сцены, документы и контекст реального мира.

Рис. 6. Юэ Цзыинь рассказывает о применении RWKV.

Стенды и демонстрации, оживившие компьютерное зрение#

Пока выступления на сцене рассказывали о будущем компьютерного зрения, стенды в выставочном зале показывали, как эту технологию уже используют. Участники могли увидеть работающие модели, сравнить аппаратные решения и напрямую пообщаться с командами, которые создают эти системы.

Вот некоторые технологии, представленные на мероприятии:

• Платформы для разработки и прототипирования: Seeed, M5Stack и Infermove представили компактные платы для разработки и стартовые наборы, с которыми легко экспериментировать с приложениями на базе YOLO и быстро превращать идеи в работающие демонстрации.
• Высокопроизводительное периферийное оборудование: Hailo, DEEPX, Intel и Moore Threads продемонстрировали чипы и модули для быстрого и эффективного инференса.
• Сценарии работы с изображениями и языком: Baidu Paddle и RWKV представили программные стеки, способные обнаруживать объекты, а также читать, интерпретировать и анализировать содержимое изображений и документов.
• Инструменты с открытым исходным кодом и для сообщества: Ultralytics и Datawhale общались с разработчиками, показывали работающие модели, делились советами по обучению и проводили практические консультации, подчеркивая, как обмен знаниями ускоряет инновации.

Рис. 7. Стенд M5Stack на YV25 Shenzhen.

Общение с сообществом компьютерного зрения#

Помимо всех впечатляющих технологий, одним из лучших моментов YV25 Shenzhen стала новая личная встреча сообщества компьютерного зрения с командой Ultralytics. В течение дня участники собирались у демонстрационных стендов, обменивались идеями во время кофейных пауз и продолжали беседы даже после завершения выступлений.

Исследователи, инженеры, студенты и разработчики обменивались опытом, задавали вопросы и делились практическими наблюдениями — от развертывания до обучения моделей. А благодаря Cinco Jotas из Grupo Osborne мы добавили в мероприятие нотку испанской культуры: свеженарезанный хамон создал теплую атмосферу общения. Прекрасное место, воодушевленная публика и общее ощущение движения вперед сделали этот день по-настоящему особенным.

Главные выводы#

От вдохновляющих основных докладов до практических демонстраций — YOLO Vision 2025 Shenzhen воплотил дух инноваций, который отличает сообщество Ultralytics. В течение дня выступающие и участники обменивались идеями, изучали новые технологии и объединялись вокруг общего представления о будущем ИИ. Они ушли с мероприятия воодушевленными и готовыми к новым задачам вместе с Ultralytics YOLO.

Переосмысли возможности ИИ и компьютерного зрения. Присоединяйся к нашему сообществу и изучай наш репозиторий на GitHub. Узнай больше о таких приложениях, как компьютерное зрение в сельском хозяйстве и ИИ в розничной торговле. Изучи варианты лицензирования и начни работать с компьютерным зрением уже сегодня!