Ключевые моменты от Ultralytics на YOLO Vision 2025 Shenzhen!

26 октября YOLO Vision 2025 (YV25) впервые прошла в Китае в здании B10 в парке творческой культуры OCT в Шэньчжэне. Гибридное мероприятие Ultralytics по искусственному интеллекту в области компьютерного зрения собрало более 200 участников очно, и еще множество присоединились онлайн через YouTube и Bilibili.

Прямая трансляция YV25 Shenzhen уже набрала более 3500 просмотров на YouTube и продолжает привлекать внимание по мере того, как основные моменты мероприятия распространяются по всему сообществу. Это был день, наполненный идеями, беседами и практическим изучением того, куда движется компьютерное зрение.

День начался с теплого приветствия нашей ведущей, Хуан Сюэин, которая пригласила всех знакомиться, учиться и принимать участие в дискуссиях в течение всего мероприятия. Она рассказала, что это уже вторая конференция YOLO Vision в этом году, после лондонской в сентябре, и поделилась радостью от того, что мы снова собрали сообщество ИИ-специалистов здесь, в Шэньчжэне.

В этой статье мы вспомним самые яркие моменты дня, включая обновления моделей, выступления докладчиков, демонстрации в реальном времени и общение в сообществе, которое объединило всех присутствующих. Давай начнем!

Путь моделей Ultralytics YOLO на сегодняшний день#

Первое ключевое выступление дня провел основатель и генеральный директор Ultralytics Glenn Jocher, который рассказал о том, как модели Ultralytics YOLO превратились из исследовательского прорыва в одни из самых широко используемых моделей компьютерного зрения в мире. Гленн пояснил, что его ранние работы были сосредоточены на том, чтобы сделать YOLO проще в использовании.

Он перенес модели на PyTorch, улучшил документацию и поделился всем в открытом доступе, чтобы разработчики по всему миру могли строить свои решения на их основе. Как он вспоминает: «Я погрузился в это с головой в 2018 году. Я решил, что именно здесь мое будущее». То, что начиналось как личная инициатива, быстро превратилось в глобальное движение open-source.

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

Сегодня модели Ultralytics YOLO обеспечивают миллиарды операций логического вывода ежедневно, и Гленн подчеркнул, что такой масштаб был достигнут только благодаря людям, которые помогали их создавать. Исследователи, инженеры, студенты, энтузиасты и участники open-source движения со всего мира превратили YOLO в то, чем она является сегодня.

Как сказал Гленн: «Там почти тысяча из них [контрибьюторов], и мы невероятно им благодарны. Мы бы не были там, где мы сейчас, без этих людей».

Обновления в Ultralytics YOLO26#

Первый взгляд на Ultralytics YOLO26 был представлен ранее в этом году на мероприятии YOLO Vision 2025 London, где она была представлена как следующий важный шаг вперед в семействе моделей Ultralytics YOLO. На YV25 Shenzhen Гленн поделился информацией о прогрессе с момента этого анонса и дал ИИ-сообществу возможность подробнее узнать о том, как развивалась модель.

Ultralytics YOLO26 создана меньшей, более быстрой и точной, оставаясь при этом практичной для реального использования. Гленн пояснил, что за последний год команда потратила время на доработку архитектуры, бенчмаркинг производительности на различных устройствах и внедрение идей из исследований и отзывов сообщества. Цель состоит в том, чтобы обеспечить передовую производительность, не усложняя развертывание моделей.

Чего ожидать от Ultralytics YOLO26#

Одно из ключевых обновлений, выделенных Гленном, заключается в том, что Ultralytics YOLO26 сопровождается специальной кампанией по настройке гиперпараметров, переходя от обучения полностью с нуля к дообучению на более крупных наборах данных. Он уточнил, что такой подход гораздо больше соответствует реальным сценариям использования.

Вот некоторые другие ключевые улучшения, представленные на мероприятии:

• Упрощенная архитектура: слой Distribution Focal Loss (DFL) был удален. Это делает модели проще и быстрее в работе при сохранении прежнего уровня точности.
• Поддержка сквозного вывода (End-to-end): Ultralytics YOLO26 является изначально сквозной, что означает возможность её работы без отдельного слоя NMS. Это значительно упрощает экспорт в такие форматы, как ONNX и TensorRT, а также развертывание на периферийном оборудовании.
• Улучшенная работа с мелкими объектами: обновленные стратегии расчета потерь помогают модели надежнее обнаруживать крошечные объекты, что долгое время было серьезной проблемой в компьютерном зрении.
• Новый гибридный оптимизатор: YOLO26 включает в себя новый оптимизатор, вдохновленный недавними исследованиями обучения больших языковых моделей, который повышает точность модели и теперь встроен непосредственно в пакет Ultralytics Python.

Ultralytics YOLO26 — следующий шаг в практическом ИИ для компьютерного зрения#

В совокупности эти обновления приводят к тому, что модели работают на CPU до 43% быстрее и при этом точнее, чем Ultralytics YOLO11, что делает YOLO26 особенно эффективной для встраиваемых устройств, робототехники и периферийных систем.

Ultralytics YOLO26 будет поддерживать все те же задачи и размеры моделей, которые сейчас доступны в YOLO11, что в сумме дает 25 вариантов моделей в семействе. Сюда входят модели для детектирования, сегментации, оценки позы, ориентированных ограничивающих прямоугольников и классификации — от нано до экстра-больших.

Команда также работает над пятью вариантами с поддержкой текстовых промптов. Это модели, которые могут принимать текстовое описание и сразу возвращать ограничивающие рамки, без необходимости предварительного обучения.

Это ранний шаг к более гибким рабочим процессам компьютерного зрения на основе инструкций, которые легче адаптировать под различные сценарии использования. Модели Ultralytics YOLO26 все еще находятся в стадии активной разработки, но первые результаты производительности высоки, и команда работает над их скорейшим выпуском.

Взгляд на платформу Ultralytics#

После рассказа об обновлении YOLO26 Гленн пригласил Prateek Bhatnagar, нашего руководителя отдела продуктовой инженерии, провести живую демонстрацию платформы Ultralytics. Эта платформа создается для объединения ключевых частей рабочего процесса компьютерного зрения, включая исследование наборов данных, аннотирование изображений, обучение моделей и сравнение результатов.

Рис. 2. Пратик Бхатнагар демонстрирует платформу Ultralytics.

Пратик отметил, что платформа остается верной своим открытым корням Ultralytics, представляя два пространства сообщества — сообщество наборов данных и сообщество проектов, где разработчики могут вносить свой вклад, повторно использовать и улучшать работы друг друга. Во время демонстрации он показал аннотирование с помощью ИИ, простое облачное обучение и возможность тонкой настройки моделей прямо из сообщества без необходимости использования локальных ресурсов GPU.

Платформа сейчас находится в разработке. Пратик призвал аудиторию следить за анонсами и отметил, что команда в Китае расширяется для поддержки запуска.

Голоса за YOLO: панельная дискуссия авторов#

На волне растущего интереса мероприятие переросло в панельную дискуссию с участием нескольких исследователей, стоявших за созданием различных моделей YOLO. В состав панели вошли Гленн Джочер, а также Jing Qiu, наш старший инженер по машинному обучению; Chen Hui, инженер по машинному обучению в Meta и один из авторов YOLOv10; и Bo Zhang, стратег по алгоритмам в Meituan и один из авторов YOLOv6.

Рис. 3. Панельная дискуссия по разработке моделей YOLO с участием Хуан Сюэин, Чэнь Хуэя, Бо Чжана, Цзин Цю и Гленна Джокера.

Дискуссия была сосредоточена на том, как YOLO продолжает развиваться через практическое применение. Спикеры коснулись того, что прогресс часто движим практическими задачами развертывания, такими как эффективная работа на пограничных устройствах, улучшение обнаружения мелких объектов и упрощение экспорта моделей.

Вместо того чтобы гнаться только за точностью, участники дискуссии отметили важность баланса между скоростью, удобством использования и надежностью в производственных средах. Еще один важный вывод — ценность итераций и обратной связи от сообщества.

Вот еще несколько интересных мыслей из этого разговора:

• Обнаружение с открытым словарем (Open-vocabulary detection) набирает обороты в экосистеме YOLO: новые модели показывают, как согласование зрения и языка, а также рабочие процессы на основе промптов позволяют обнаруживать объекты вне жестко заданных категорий.
• Легковесное внимание набирает популярность: Участники дискуссии обсудили, как использование эффективных механизмов внимания вместо полного внимания везде может повысить точность, сохраняя при этом вывод достаточно легковесным для периферийных устройств.
• Итерируй рано и часто вместе с сообществом: участники дискуссии поддержали подход «создавай-тестируй-улучшай», где выпуск моделей раньше и обучение на реальном опыте пользователей дает лучшие результаты, чем долгие закрытые циклы разработки.

Лидеры мнений, определяющие будущее ИИ и компьютерного зрения#

Далее давай подробнее рассмотрим некоторые ключевые доклады на YV25 в Шэньчжэне, где лидеры ИИ-сообщества поделились своим видением развития компьютерного зрения: от цифровых людей и робототехники до мультимодальных рассуждений и эффективного развертывания на периферии.

Обучение ИИ пониманию человеческого опыта#

В ходе вдохновляющей сессии доктор Пэн Чжан из Alibaba Qwen Lab рассказал о том, как его команда разрабатывает большие видеомодели, способные генерировать выразительных цифровых людей с более естественными движениями и контролем. Он продемонстрировал Wan S2V и Wan Animate, использующие аудио или референсы движений для создания реалистичной речи, жестов и анимации, что решает ограничения чисто текстовой генерации.

Рис. 4. Пэн Чжан объясняет, как большие видеомодели могут оживлять цифровых людей.

Доктор Чжан также рассказал о достижениях на пути к интерактивным аватарам в реальном времени, включая zero-shot клонирование внешности и движений, а также легковесные модели, способные анимировать лицо прямо с живой камеры, приближая создание реалистичных цифровых людей к плавной работе на повседневных устройствах.

От восприятия к действию: эпоха воплощенного интеллекта#

Одной из ключевых тем YV25 в Шэньчжэне стал переход от моделей зрения, которые просто «видят» мир, к системам, которые могут действовать в нем. Иными словами, восприятие больше не является концом цепочки — оно становится началом действия.

Например, в своем выступлении Hu Chunxu из D-Robotics рассказал, как их комплекты для разработки и SoC-решения (система на кристалле) объединяют восприятие, управление движением в реальном времени и принятие решений на едином аппаратно-программном стеке. Рассматривая восприятие и действие как непрерывный контур обратной связи, а не как отдельные этапы, их подход поддерживает роботов, которые могут двигаться, адаптироваться и взаимодействовать более надежно в реальных условиях.

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

Alex Zhang из Baidu Paddle поддержал эту мысль в своем выступлении, объяснив, как YOLO и PaddleOCR работают вместе для обнаружения объектов с последующей интерпретацией текста и структуры вокруг них. Это позволяет системам преобразовывать изображения и документы в полезную структурированную информацию для таких задач, как логистика, инспекции и автоматизированная обработка.

Интеллект на периферии: эффективный ИИ для каждого устройства#

Еще одной интересной темой на YV25 Shenzhen стало то, как ИИ компьютерного зрения становится более эффективным и производительным на периферийных устройствах.

Пол Юнг из DEEPX рассказал о развертывании моделей YOLO непосредственно на встроенном оборудовании, снижая зависимость от облака. Сосредоточившись на низком энергопотреблении, оптимизированном логическом выводе и настройке моделей под конкретное оборудование, DEEPX обеспечивает восприятие в реальном времени для дронов, мобильных роботов и промышленных систем, работающих в динамичных условиях.

Аналогичным образом, Лю Линфэй из Moore Threads поделился тем, как платформа Moore Threads E300 объединяет вычисления на центральном процессоре (CPU), графическом процессоре (GPU) и нейронном процессоре (NPU) для обеспечения высокоскоростного логического вывода в системах зрения на компактных устройствах.

Платформа может запускать несколько потоков YOLO с высокой частотой кадров, а ее инструментарий упрощает такие этапы, как квантование, статическая компиляция и настройка производительности. Moore Threads также открыла исходный код для широкого набора моделей компьютерного зрения и примеров развертывания, чтобы снизить порог входа для разработчиков.

Объединение зрения и языка для более умных ИИ-систем#

До недавнего времени создание единой модели, способной одновременно понимать изображения и интерпретировать язык, требовало крупных трансформерных архитектур, дорогих в исполнении. На YV25 Shenzhen Юэ Цзинь из Yuanshi Intelligence представил общую информацию об архитектуре RWKV, которая сочетает в себе возможности рассуждения на основе длинного контекста трансформеров с эффективностью рекуррентных моделей.

Он объяснил, как Vision-RWKV применяет этот дизайн к компьютерному зрению, обрабатывая изображения таким образом, что сложность растет линейно с разрешением. Это делает решение подходящим для ввода высокого разрешения и для периферийных устройств с ограниченными вычислительными мощностями.

Юэ также показал, как RWKV используется в системах «зрение-язык», где характеристики изображения сочетаются с пониманием текста для перехода от простого обнаружения объектов к интерпретации сцен, документов и реального контекста.

Рис. 6. Юэ Цзыинь рассказывает о применении RWKV.

Стенды и живые демонстрации, которые оживили компьютерное зрение#

В то время как доклады на сцене были посвящены будущему компьютерного зрения, стенды в зале показывали, как оно используется уже сегодня. Участники могли увидеть работающие модели, сравнить варианты оборудования и напрямую пообщаться с командами, создающими эти системы.

Вот краткий обзор технологий, которые были представлены:

• Платформы для разработки и прототипирования: Seeed, M5Stack и Infermove представили компактные отладочные платы и стартовые наборы, которые облегчают эксперименты с приложениями на основе YOLO и позволяют быстро перейти от идей к рабочим демонстрациям.
• Высокопроизводительное периферийное оборудование: Hailo, DEEPX, Intel и Moore Threads продемонстрировали чипы и модули, созданные для быстрого и эффективного логического вывода.
• Рабочие процессы со зрением и языком: Baidu Paddle и RWKV представили программные стеки, которые могут не только обнаруживать объекты, но и читать, интерпретировать и рассуждать о том, что изображено на картинке или в документе.
• Инструменты с открытым исходным кодом и сообщество: Ultralytics и Datawhale увлекли разработчиков живыми демонстрациями моделей, советами по обучению и практическим руководством, еще раз доказав, как общие знания ускоряют инновации.

Рис. 7. Взгляд на стенд M5Stack на YV25 в Шэньчжэне.

Связь с сообществом компьютерного зрения#

Помимо всех захватывающих технологий, одной из лучших частей YV25 в Шэньчжэне стала возможность снова собрать сообщество компьютерного зрения и команду Ultralytics вместе лично. В течение дня люди собирались вокруг демонстраций, делились идеями во время перерывов на кофе и продолжали обсуждения еще долго после окончания докладов.

Исследователи, инженеры, студенты и разработчики обменивались мнениями, задавали вопросы и делились реальным опытом от развертывания до обучения моделей. А благодаря Cinco Jotas из Grupo Osborne мы даже привнесли нотку испанской культуры на мероприятие с помощью свежесрезанного хамона, создав теплую атмосферу общения. Прекрасная площадка, воодушевленная толпа и общее ощущение динамики сделали этот день поистине особенным.

Основные выводы#

От вдохновляющих докладов до практических демонстраций — YOLO Vision 2025 в Шэньчжэне передала дух инноваций, который определяет сообщество Ultralytics. Весь день спикеры и участники обменивались идеями, изучали новые технологии и общались, объединенные общим видением будущего ИИ. Вместе они ушли заряженными и готовыми к тому, что ждет нас дальше с Ultralytics YOLO.

Взгляните по-новому на возможности ИИ и компьютерного зрения. Присоединяйтесь к нашему сообществу и репозиторию GitHub, чтобы узнать больше. Узнайте больше о таких применениях, как компьютерное зрение в сельском хозяйстве и ИИ в ритейле. Ознакомьтесь с вариантами нашего лицензирования и начните работу с компьютерным зрением уже сегодня!