Khám phá lý do Ultralytics YOLO26 dễ đưa vào production hơn!

Ultralytics YOLO26, model computer vision mới nhất của chúng tôi, đánh dấu một bước tiến trong việc giúp các giải pháp computer vision thời gian thực dễ triển khai hơn. Nói cách khác, model này được thiết kế để chuyển đổi mượt mà hơn từ giai đoạn thử nghiệm sang các hệ thống chạy liên tục trên phần cứng thực tế.

Computer vision hiện được sử dụng trong nhiều ứng dụng thực tế, bao gồm sản xuất, robotics, bán lẻ và cơ sở hạ tầng. Khi các hệ thống này chuyển từ thử nghiệm sang sử dụng hằng ngày, trọng tâm đang chuyển từ hiệu năng của từng model sang mức độ phù hợp của model với một hệ thống phần mềm lớn hơn. Các yếu tố như độ tin cậy, hiệu quả và khả năng tích hợp dễ dàng cũng quan trọng không kém độ chính xác.

Sự chuyển dịch này có những tác động quan trọng đến cách computer vision models được thiết kế và đánh giá. Thành công trong production không chỉ phụ thuộc vào những gì model có thể phát hiện, mà còn vào mức độ dễ dàng tích hợp, triển khai và bảo trì model theo thời gian.

YOLO26 được xây dựng với những nhu cầu thực tế này. Bằng cách tập trung vào inference end-to-end, hiệu năng ưu tiên edge và khả năng tích hợp đơn giản hơn, model giúp giảm độ phức tạp trong toàn bộ quy trình triển khai.

Trong bài viết này, chúng ta sẽ khám phá cách Ultralytics YOLO26 giúp thu hẹp khoảng cách giữa nghiên cứu và production, cũng như lý do các tính năng của model giúp đưa các hệ thống computer vision thời gian thực vào ứng dụng thực tế dễ dàng hơn. Hãy bắt đầu!

Khoảng cách từ nghiên cứu đến production trong computer vision#

Khi computer vision được sử dụng rộng rãi hơn, nhiều team đang vượt ra ngoài phạm vi nghiên cứu và bắt đầu triển khai model trong các ứng dụng thực tế. Bước tiến tiếp theo hướng đến production này thường làm nổi bật những thách thức chưa thể hiện trong quá trình thử nghiệm.

Trong môi trường nghiên cứu, model thường được kiểm thử trong các môi trường được kiểm soát bằng những dataset cố định. Các bài kiểm thử này hữu ích để đo lường độ chính xác, nhưng không phản ánh đầy đủ cách model sẽ hoạt động sau khi được triển khai. Trong production, các hệ thống computer vision phải xử lý dữ liệu trực tiếp, chạy liên tục và hoạt động trên phần cứng thực tế cùng với các phần mềm khác.

Khi trở thành một phần của hệ thống production, các yếu tố ngoài độ chính xác trở nên quan trọng hơn. Các inference pipeline có thể bao gồm những bước bổ sung; hiệu năng có thể thay đổi giữa các thiết bị, và hệ thống cần hoạt động nhất quán theo thời gian. Những cân nhắc thực tế này ảnh hưởng đến mức độ dễ dàng tích hợp và bảo trì model khi ứng dụng được mở rộng.

Do các yếu tố này, chuyển từ nghiên cứu sang production thường không tập trung nhiều vào việc cải thiện kết quả của model mà vào việc đơn giản hóa triển khai và vận hành. Những model dễ tích hợp hơn, chạy hiệu quả trên phần cứng mục tiêu và hoạt động có thể dự đoán thường được đưa vào production thuận lợi hơn.

Ultralytics YOLO26 được xây dựng với mục tiêu hỗ trợ quá trình chuyển đổi này. Việc giảm độ phức tạp trong toàn bộ quy trình triển khai giúp các team chuyển model computer vision từ thử nghiệm vào production thực tế hiệu quả hơn.

Inference end-to-end giúp Ultralytics YOLO26 dễ triển khai hơn#

Một trong những lý do chính khiến Ultralytics YOLO26 thực tế hơn khi triển khai là thiết kế inference end-to-end. Nói đơn giản, điều này có nghĩa là model được thiết kế để trực tiếp tạo ra các dự đoán cuối cùng mà không phụ thuộc vào các bước post-processing bổ sung bên ngoài model.

Trong nhiều hệ thống computer vision truyền thống, inference không dừng lại khi model chạy xong. Thay vào đó, model xuất ra một số lượng lớn dự đoán trung gian cần được lọc và tinh chỉnh trước khi có thể sử dụng.

Các bước bổ sung này thường được xử lý bởi một giai đoạn post-processing riêng biệt gọi là Non-Maximum Suppression (NMS), làm tăng độ phức tạp của toàn bộ hệ thống. Trong môi trường production, sự phức tạp này có thể trở thành một vấn đề.

Các bước post-processing có thể làm tăng latency, hoạt động khác nhau trên các nền tảng phần cứng và đòi hỏi thêm công việc tích hợp. Chúng cũng bổ sung nhiều component hơn cần được kiểm thử, bảo trì và duy trì tính nhất quán khi hệ thống mở rộng.

Ultralytics YOLO26 sử dụng một cách tiếp cận khác. Việc xử lý các dự đoán trùng lặp và tạo output cuối cùng bên trong model giúp giảm số bước cần thiết trong inference pipeline. Điều này đơn giản hóa việc triển khai vì có ít logic bên ngoài hơn cần quản lý và ít khả năng xảy ra sự không nhất quán giữa các môi trường hơn.

Đối với các team triển khai hệ thống vision, thiết kế không có NMS và end-to-end này giúp tinh gọn quá trình tích hợp. Model hoạt động dễ dự đoán hơn sau khi triển khai, đồng thời các model đã export, tức các phiên bản được chuẩn bị để chạy bên ngoài môi trường training trên phần cứng mục tiêu, có tính độc lập cao hơn.

Nhờ đó, những gì được kiểm thử trong quá trình phát triển gần với những gì chạy trong production hơn. Điều này giúp Ultralytics YOLO26 dễ tích hợp hơn vào các hệ thống phần mềm thực tế và đơn giản hơn khi triển khai ở quy mô lớn.

Được xây dựng để triển khai: Các lựa chọn về hiệu năng và training giúp giảm rủi ro#

Bên cạnh inference end-to-end, Ultralytics YOLO26 bao gồm một loạt lựa chọn về hiệu năng và training được thiết kế để giúp việc triển khai trong production dễ dự đoán hơn.

Dưới đây là một số tính năng chính giúp Ultralytics YOLO26 đơn giản hơn khi triển khai và vận hành trong production:

• Hiệu năng ưu tiên edge: Ultralytics YOLO26 được tối ưu để chạy hiệu quả trên bộ xử lý trung tâm (CPUs) và phần cứng edge, không chỉ trên bộ xử lý đồ họa (GPUs). So với Ultralytics YOLO11, model nano YOLO26 cho inference trên CPU nhanh hơn tới 43%, phù hợp hơn với các môi trường production có thể bị giới hạn tài nguyên tính toán.
• Training ổn định hơn: YOLO26 sử dụng một kỹ thuật training có tên Progressive Loss Balancing để định hướng cách model học theo thời gian. Ở giai đoạn đầu của training, model nhận được nhiều hướng dẫn hơn để có thể học các pattern ổn định. Khi training tiếp tục, mức hướng dẫn này được giảm dần để phù hợp với cách model sẽ hoạt động khi được sử dụng trong production. Phương pháp này giúp quá trình training diễn ra mượt mà hơn và tạo ra kết quả nhất quán hơn khi model được training hoặc retrain.
• Phát hiện object nhỏ tốt hơn: Một phương pháp training có tên Small-Target-Aware Label Assignment, hay STAL, cũng được sử dụng để model không bỏ sót các object rất nhỏ trong quá trình training. Điều này cải thiện độ tin cậy trong những tình huống object có thể nhỏ hoặc ở xa.
• Optimizer mới: Model mới cũng giới thiệu một optimizer training có tên MuSGD, được thiết kế để cải thiện độ ổn định và tính nhất quán của quá trình training. MuSGD kết hợp optimizer Stochastic Gradient Descent (SGD) truyền thống với các ý tưởng lấy cảm hứng từ những tiến bộ gần đây trong training large language model. Thay vì chỉ tập trung vào training nhanh hơn, optimizer này giúp model hội tụ mượt mà hơn và hoạt động dễ dự đoán hơn khi được retrain, fine-tune hoặc cập nhật để sử dụng trong production.

Hình 1. YOLO26n cho inference trên CPU nhanh hơn tới 43% so với YOLO11n (Nguồn)

Nhìn chung, những đổi mới này giúp giảm rủi ro và độ phức tạp khi triển khai các hệ thống computer vision trong production. Bằng cách kết hợp hiệu năng ưu tiên edge với training ổn định hơn và hành vi model dễ dự đoán, Ultralytics YOLO26 giúp các team tự tin hơn khi chuyển từ phát triển sang triển khai thực tế.

Package Ultralytics đơn giản hóa các integration pipeline#

Triển khai một model computer vision hiếm khi chỉ liên quan đến bản thân model. Trong production, các team cần training model, chạy inference, giám sát hiệu năng và export model sang các format hoạt động trên nhiều nền tảng và phần cứng khác nhau. Mỗi tool hoặc script tùy chỉnh bổ sung trong pipeline này đều làm tăng độ phức tạp và rủi ro xảy ra lỗi.

Package Ultralytics được thiết kế để giảm độ phức tạp đó bằng cách đưa các bước này vào một workflow nhất quán duy nhất. Với một library, các team có thể training các model như YOLO26, chạy dự đoán, validate kết quả và export model để triển khai mà không cần chuyển đổi tool hoặc viết lại code tích hợp.

Package này cũng hỗ trợ nhiều integration trong toàn bộ vòng đời, từ training và đánh giá đến export và triển khai trên các phần cứng mục tiêu khác nhau. Cách tiếp cận thống nhất này tạo ra khác biệt trong môi trường production.

Hình 2. Tổng quan về các loại integration được Ultralytics hỗ trợ (Nguồn)

Các command và interface được sử dụng trong quá trình thử nghiệm tiếp tục được dùng khi triển khai, giúp giảm ma sát trong quá trình bàn giao giữa các team nghiên cứu, engineering và vận hành. Việc export model cũng dễ dự đoán hơn, vì các model Ultralytics YOLO26 có thể được chuyển đổi trực tiếp sang những format như ONNX, TensorRT, CoreML, OpenVINO và các format khác thường được sử dụng trong hệ thống production.

Bằng cách giảm glue code và công việc tích hợp tùy chỉnh, package Ultralytics giúp các team tập trung xây dựng ứng dụng đáng tin cậy thay vì duy trì các pipeline phức tạp. Điều này giúp việc mở rộng triển khai, cập nhật model theo thời gian và duy trì hành vi nhất quán giữa môi trường phát triển và production trở nên dễ dàng hơn.

Các ứng dụng thực tế của Ultralytics YOLO26#

Tiếp theo, hãy cùng xem Ultralytics YOLO26 có thể được sử dụng như thế nào trong các ứng dụng thực tế đòi hỏi năng lực computer vision đáng tin cậy và sẵn sàng cho production.

Triển khai hệ thống vision cho robotics với Ultralytics YOLO26#

Các hệ thống robotic phụ thuộc vào khả năng nhận biết nhanh và đáng tin cậy để hoạt động an toàn, hiệu quả. Dù là một robot di động tự hành điều hướng trong kho hàng hay một cánh tay robot xử lý object trên dây chuyền, các vision model phải tạo ra kết quả nhất quán với latency tối thiểu.

Ultralytics YOLO26 có thể phát hiện vật cản, nhận diện object và giám sát sự hiện diện của con người trực tiếp trên phần cứng robotic. Thiết kế inference end-to-end của model giúp đơn giản hóa việc tích hợp vào phần mềm điều khiển robot, từ đó dễ triển khai các tính năng vision chạy liên tục trong môi trường thực tế hơn.

Triển khai Ultralytics YOLO26 trên sàn nhà máy#

Trên sàn nhà máy, computer vision thường được sử dụng để giám sát thiết bị, kiểm tra sản phẩm và đảm bảo các quy trình nằm trong giới hạn vận hành an toàn. Ultralytics YOLO26 có thể được triển khai trên phần cứng công nghiệp tại chỗ để phát hiện lỗi, xác minh các bước lắp ráp hoặc theo dõi chuyển động của các component cơ khí theo thời gian thực.

Khả năng chạy hiệu quả trên các thiết bị edge giúp model đặc biệt phù hợp với các dây chuyền production, nơi hệ thống phải hoạt động liên tục với latency thấp và yêu cầu hạ tầng tối thiểu.

Hình 3. Sử dụng YOLO để giám sát chuyển động của actuator.

Chạy Ultralytics YOLO26 trên drone và hệ thống từ xa#

Drone và các hệ thống từ xa thường hoạt động với nguồn điện hạn chế và kết nối không ổn định. Ultralytics YOLO26 có thể xử lý dữ liệu hình ảnh trực tiếp trên thiết bị, hỗ trợ các tác vụ như kiểm tra, khảo sát hoặc giám sát trong khi bay. Bằng cách phân tích hình ảnh cục bộ, hệ thống có thể phản hồi theo thời gian thực và giảm nhu cầu truyền lượng lớn dữ liệu về một vị trí trung tâm.

Mở rộng hệ thống vision cho thành phố thông minh với Ultralytics YOLO26#

Hãy hình dung một thành phố triển khai camera tại các giao lộ, công viên công cộng và đầu mối giao thông. Mỗi địa điểm có thể sử dụng phần cứng khác nhau và hoạt động trong các điều kiện khác nhau, nhưng hệ thống vision vẫn cần hoạt động nhất quán.

Ultralytics YOLO26 có thể giúp phân tích các luồng video này cho những tác vụ như giám sát giao thông, phát hiện người đi bộ hoặc phân tích không gian công cộng. Hành vi triển khai dễ dự đoán và khả năng hỗ trợ nhiều nền tảng phần cứng giúp việc triển khai, cập nhật và bảo trì các hệ thống vision trên những môi trường đô thị lớn, phân tán trở nên dễ dàng hơn.

Hình 4. Phát hiện một người, một chú chó và một băng ghế trong thành phố bằng Ultralytics YOLO26.

Vì sao việc triển khai dễ dàng hơn làm thay đổi bài toán kinh doanh của vision AI#

Đối với nhiều tổ chức, thách thức lớn nhất của vision AI không phải là xây dựng một model hoạt động tốt trong bản demo. Thách thức là biến công việc đó thành một hệ thống chạy đáng tin cậy trong production.

Việc triển khai thường đòi hỏi nhiều nỗ lực engineering, bảo trì liên tục và phối hợp giữa các team, điều có thể làm chậm dự án hoặc hạn chế tác động của dự án. Khi model dễ triển khai, bài toán kinh doanh này sẽ thay đổi.

Triển khai nhanh hơn giúp rút ngắn thời gian tạo ra giá trị. Tích hợp đơn giản hơn làm giảm chi phí engineering và vận hành. Hành vi dễ dự đoán hơn giữa các môi trường giúp giảm rủi ro và khiến việc lập kế hoạch dài hạn trở nên khả thi.

Ultralytics YOLO26 được thiết kế với những yếu tố này. Việc đơn giản hóa triển khai và hỗ trợ hành vi nhất quán trong production giúp các tổ chức đưa vision AI từ thử nghiệm vào sử dụng hằng ngày. Đối với các lãnh đạo doanh nghiệp, điều này biến computer vision thành một khoản đầu tư thực tế và đáng tin cậy hơn, thay vì một nỗ lực nghiên cứu rủi ro cao.

Những điểm chính#

Ultralytics YOLO26 được xây dựng để thu hẹp khoảng cách giữa nghiên cứu và production bằng cách giúp computer vision thời gian thực dễ triển khai và bảo trì hơn. Thiết kế end-to-end và hiệu năng ưu tiên edge của model giúp giảm độ phức tạp thường làm chậm các dự án vision AI. Nhờ đó, các tổ chức có thể tiến nhanh hơn và sớm nhận được giá trị hơn.

Tham gia community của chúng tôi và khám phá GitHub repository để tìm hiểu thêm về AI. Hãy xem các trang giải pháp của chúng tôi để đọc về AI trong bán lẻ và computer vision trong nông nghiệp. Khám phá các tùy chọn licensing của chúng tôi và bắt đầu xây dựng với computer vision ngay hôm nay!