Khám phá lý do tại sao Ultralytics YOLO26 lại dễ đưa vào sản xuất 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, nó 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, robot, bán lẻ và cơ sở hạ tầng. Khi các hệ thống này chuyển từ giai đoạn thử nghiệm sang sử dụng hàng ngày, trọng tâm đang dịch chuyển từ hiệu suất của từng model riêng lẻ sang mức độ phù hợp của model trong một hệ thống phần mềm lớn hơn. Các yếu tố như độ tin cậy, hiệu quả và tính dễ tích hợp cũng quan trọng không kém độ chính xác.

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

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

Trong bài viết này, chúng tôi sẽ khám phá cách Ultralytics YOLO26 giúp thu hẹp khoảng cách giữa nghiên cứu và sản xuất, và lý do tại sao các tính năng của nó giúp việc vận chuyển các hệ thống thị giác máy tính thời gian thực vào các ứng dụng thực tế trở nên đơn giản hơn. Hãy bắt đầu ngay thôi!

Khoảng cách giữa nghiên cứu và sản xuất trong thị giác máy tính#

Khi thị giác máy tính trở nên phổ biến hơn, nhiều đội ngũ đang vượt ra khỏi phạm vi nghiên cứu và bắt đầu triển khai các model vào các ứng dụng thực tế. Bước tiếp theo hướng tới sản xuất này thường làm nổi bật những thách thức không thể nhìn thấy trong quá trình thử nghiệm.

Trong môi trường nghiên cứu, các model thường được kiểm thử trong các môi trường được kiểm soát bằng cách sử dụng các bộ dữ liệu cố định. Những bài kiểm tra này rất hữu ích để đo lường độ chính xác, nhưng chúng không phản ánh đầy đủ cách một model sẽ hoạt động sau khi được triển khai. Trong sản xuất, các hệ thống thị giác máy tính phải xử lý dữ liệu trực tiếp, chạy liên tục và vận hành trên phần cứng thực tế cùng với các phần mềm khác.

Khi một model đã trở thành một phần của hệ thống sản xuất, các yếu tố vượt ra ngoài độ chính xác sẽ trở nên quan trọng hơn. Các pipeline suy luận có thể bao gồm các bước bổ sung; hiệu suất có thể khác nhau trên các thiết bị, và các hệ thống cần phải hoạt động nhất quán theo thời gian. Những cân nhắc thực tế này ảnh hưởng đến việc model có thể được tích hợp và bảo trì dễ dàng như thế nào khi các ứng dụng mở rộng quy mô.

Do các yếu tố này, việc chuyển từ nghiên cứu sang sản xuất thường ít liên quan đến việc cải thiện kết quả của model mà thiên về việc đơn giản hóa quy trình triển khai và vận hành. Các model dễ tích hợp, chạy hiệu quả trên phần cứng mục tiêu và hoạt động dự đoán được thường có xu hướng đi vào sản xuất một cách mượt mà hơn.

Ultralytics YOLO26 được xây dựng với tư duy chuyển đổi này. Việc giảm thiểu sự phức tạp trong toàn bộ quy trình triển khai giúp các đội ngũ đưa các model thị giác máy tính từ thử nghiệm vào sản xuất thực tế một cách hiệu quả hơn.

Suy luận 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 suy luận end-to-end. Nói một cách đơn giản, điều này có nghĩa là model được thiết kế để đưa ra dự đoán cuối cùng trực tiếp mà không cần dựa vào các bước hậu xử lý bổ sung bên ngoài model.

Trong nhiều hệ thống thị giác máy tính truyền thống, suy luận không dừng lại khi model chạy xong. Thay vào đó, model xuất ra một số lượng lớn các dự đoán trung gian cần phải được lọc và tinh chỉnh trước khi có thể sử dụng.

Các bước bổ sung này thường được xử lý bởi một giai đoạn hậu xử lý riêng biệt được gọi là Non-Maximum Suppression (NMS), điều này làm tăng thêm sự phức tạp cho hệ thống tổng thể. Trong môi trường sản xuất, sự phức tạp này có thể trở thành một vấn đề.

Các bước hậu xử lý có thể làm tăng độ trễ, hoạt động khác nhau trên các nền tảng phần cứng và đòi hỏi công việc tích hợp bổ sung. Chúng cũng đưa vào nhiều thành phần hơn cần được kiểm thử, bảo trì và giữ tính nhất quán khi hệ thống mở rộng.

Ultralytics YOLO26 áp dụng một cách tiếp cận khác. Việc giải quyết các dự đoán trùng lặp và tạo ra kết quả đầu ra cuối cùng ngay bên trong model giúp giảm số bước cần thiết trong pipeline inference. Điều này giúp việc triển khai trở nên đơn giản hơn, vì có ít logic bên ngoài cần quản lý hơn và ít có khả năng xảy ra sự bất đồng nhất giữa các môi trường.

Đối với các team triển khai hệ thống thị giác máy tính, thiết kế đầu cuối không cần NMS này giúp đơn giản hóa quá trình tích hợp. Model hoạt động có thể dự đoán trước hơn sau khi được triển khai và các exported models, tức là các phiên bản được chuẩn bị để chạy bên ngoài môi trường huấn luyện trên phần cứng mục tiêu, sẽ có tính khép kín cao hơn.

Kết quả là, những gì được kiểm thử trong quá trình phát triển khớp chặt chẽ hơn với những gì chạy trong sản xuất. Điều này giúp Ultralytics YOLO26 dễ dàng tích hợp vào các hệ thống phần mềm thực tế và đơn giản hơn khi đưa vào sản xuất ở quy mô lớn.

Được xây dựng để vận chuyển: Hiệu suất và các lựa chọn đào tạo giúp giảm thiểu rủi ro#

Ngoài suy luận end-to-end, Ultralytics YOLO26 còn bao gồm một loạt các lựa chọn về hiệu suất và đào tạo được thiết kế để làm cho việc triển khai sản xuất trở nên dự đoán được hơn.

Dưới đây là một số tính năng chính giúp Ultralytics YOLO26 đơn giản hơn khi vận chuyển và vận hành trong sản xuất:

• Hiệu suất ưu tiên edge: Ultralytics YOLO26 được tối ưu hóa để chạy hiệu quả trên các central processing units (CPU) và phần cứng edge, chứ không chỉ trên các graphics processing units (GPU). So với Ultralytics YOLO11, model YOLO26 nano mang lại hiệu suất CPU inference nhanh hơn tới 43%, giúp nó phù hợp hơn cho các môi trường production nơi tài nguyên tính toán có thể bị giới hạn.
• Quá trình train ổn định hơn: YOLO26 sử dụng một kỹ thuật train gọi là Progressive Loss Balancing để định hướng cách model học hỏi theo thời gian. Ở giai đoạn đầu của quá trình train, model được cung cấp nhiều hướng dẫn hơn để có thể học các pattern ổn định. Khi quá trình train tiếp tục, các hướng dẫn này sẽ giảm dần để phù hợp với cách model sẽ hoạt động khi được sử dụng trong production. Phương pháp này giúp quá trình train diễn ra mượt mà hơn và mang lại kết quả nhất quán hơn khi các model được train hoặc train lại.
• Phát hiện đối tượng nhỏ tốt hơn: Phương pháp đào tạo có tên là Small-Target-Aware Label Assignment, hoặc STAL, cũng được sử dụng để model không bỏ sót các đối tượng rất nhỏ trong quá trình đào tạo. Điều này cải thiện độ tin cậy trong các kịch bản nơi đối tượng có thể nhỏ hoặc ở xa.
• Optimizer mới: Model mới cũng giới thiệu một optimizer đào tạo có tên là MuSGD, được thiết kế để cải thiện tính ổn định và nhất quán của quá trình đào tạo. MuSGD kết hợp optimizer Stochastic Gradient Descent (SGD) truyền thống với các ý tưởng được truyền cảm hứng từ những tiến bộ gần đây trong quá trình đào tạo các model ngôn ngữ lớn. Thay vì chỉ tập trung vào việc đào tạo nhanh hơn, nó giúp các model hội tụ mượt mà hơn và hoạt động dự đoán được hơn khi chúng được đào tạo lại, tinh chỉnh hoặc cập nhật cho mục đích sản xuất.

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

Nhìn chung, những đổi mới này giúp giảm thiểu rủi ro và sự phức tạp khi triển khai các hệ thống thị giác máy tính trong sản xuất. Bằng cách kết hợp hiệu suất ưu tiên edge với quá trình đào tạo ổn định hơn và hành vi model có thể dự đoán được, Ultralytics YOLO26 giúp các đội ngũ dễ dàng hơn trong việc tự tin chuyển từ phát triển sang triển khai thực tế.

Gói Ultralytics đơn giản hóa các pipeline tích hợp#

Việc triển khai một model thị giác máy tính hiếm khi chỉ là về chính model đó. Trong sản xuất, các đội ngũ cần đào tạo model, chạy suy luận, giám sát hiệu suất và export model sang các định dạng hoạt động trên các nền tảng và phần cứng khác nhau. Mỗi công cụ bổ sung hoặc script tùy chỉnh trong pipeline này đều làm tăng sự phức tạp và rủi ro thất bại.

Ultralytics package được thiết kế để giảm bớt độ phức tạp đó bằng cách đưa các bước này vào một workflow duy nhất, nhất quán. Chỉ với một thư viện, các team có thể train các model như YOLO26, chạy prediction, validate kết quả và export model để triển khai mà không cần đổi công cụ hay viết lại code tích hợp.

Nó cũng hỗ trợ nhiều loại integration xuyên suốt toàn bộ vòng đời, từ train và evaluation đến export và triển khai trên các target phần cứng khác nhau. Cách tiếp cận thống nhất này tạo ra sự khác biệt trong môi trường production.

Hình 2. Cái nhìn tổng quan về các loại integration được hỗ trợ bởi Ultralytics (Nguồn)

Các lệnh và interface giống nhau được sử dụng trong quá trình thử nghiệm sẽ tiếp tục được áp dụng khi triển khai, giúp giảm bớt độ ma sát trong việc chuyển giao giữa các đội ngũ nghiên cứu, kỹ thuật và vận hành. Việc export model cũng trở nên dễ đoán hơn, vì các model Ultralytics YOLO26 có thể được convert trực tiếp sang các định dạng như ONNX, TensorRT, CoreML, OpenVINO và các định dạng khác thường được sử dụng trong các hệ thống production.

Bằng cách giảm thiểu glue code và công việc tích hợp tùy chỉnh, gói Ultralytics giúp các đội ngũ tập trung vào việc xây dựng các 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 giữ cho hành vi nhất quán trên các môi trường phát triển và sản xuất trở nên dễ tiếp cận hơn.

Các ứng dụng thực tế của Ultralytics YOLO26#

Tiếp theo, hãy xem cách Ultralytics YOLO26 có thể được sử dụng trong các ứng dụng thực tế đòi hỏi các khả năng thị giác máy tính đáng tin cậy, sẵn sàng cho sản xuất.

Triển khai hệ thống thị giác robot với Ultralytics YOLO26#

Các hệ thống robot phụ thuộc vào nhận thức nhanh chóng và đáng tin cậy để vận hành an toàn và hiệu quả. Cho dù đó là một robot di động tự hành đang điều hướng trong nhà kho hay một cánh tay robot đang xử lý các đối tượng trên dây chuyền, các model thị giác phải mang lại kết quả nhất quán với độ trễ tối thiểu.

Ultralytics YOLO26 có thể phát hiện chướng ngại vật, nhận dạng đối tượng và giám sát sự hiện diện của con người trực tiếp trên phần cứng robot. Thiết kế suy luận end-to-end của nó đơn giản hóa việc tích hợp vào phần mềm điều khiển robot, giúp việc triển khai các khả năng thị giác chạy liên tục trong môi trường thực tế trở nên dễ dàng hơn.

Triển khai Ultralytics YOLO26 trên sàn nhà máy#

Trên các 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 deploy trên phần cứng công nghiệp cục bộ để phát hiện lỗi, xác minh các bước lắp ráp hoặc theo dõi chuyển động của các bộ phận cơ khí trong thời gian thực.

Khả năng chạy hiệu quả trên các thiết bị edge làm cho nó rất phù hợp cho các dây chuyền sản xuất nơi hệ thống phải hoạt động liên tục, với độ trễ thấp và chi phí hạ tầng tối thiểu.

Hình 3. Sử dụng YOLO để giám sát sự di chuyển của một bộ truyền động.

Chạy Ultralytics YOLO26 trên drone và các 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, cho phép thực hiện các tác vụ như kiểm tra, khảo sát hoặc giám sát ngay trong lúc bay. Bằng cách phân tích hình ảnh cục bộ, các hệ thống có thể phản hồi trong thời gian thực và giảm nhu cầu truyền tải lượng dữ liệu lớn về một vị trí trung tâm.

Mở rộng quy mô hệ thống thị giác thành phố thông minh với Ultralytics YOLO26#

Hãy xem xét một thành phố đang triển khai camera tại các ngã tư, công viên công cộng và các trung tâm giao thông. Mỗi vị trí có thể sử dụng phần cứng khác nhau và hoạt động trong các điều kiện khác nhau, nhưng hệ thống thị giác vẫn cần phải hoạt động nhất quán.

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

Hình 4. Phát hiện một người, một con chó và một chiếc ghế băng trong thành phố bằng cách sử dụng Ultralytics YOLO26.

Tại sao việc vận chuyển dễ dàng hơn thay đổi trường hợp kinh doanh cho AI thị giác#

Đối với nhiều tổ chức, thách thức lớn nhất với AI thị giác không phải là xây dựng một model hoạt động trong bản demo. Mà là biến công việc đó thành một hệ thống hoạt động đáng tin cậy trong sản xuất.

Triển khai thường đòi hỏi nỗ lực kỹ thuật đáng kể, bảo trì liên tục và sự phối hợp giữa các đội ngũ, điều này có thể làm chậm các dự án hoặc hạn chế tác động của chúng. Khi các model dễ dàng vận chuyển, điều này sẽ thay đổi phương trình kinh doanh.

Triển khai nhanh hơn giúp giảm thời gian đạt giá trị. Tích hợp đơn giản hơn giúp giảm chi phí kỹ thuật và vận hành. Hành vi dự đoán được hơn giữa các môi trường giúp giảm rủi ro và làm cho việc lập kế hoạch dài hạn trở nên thực tế.

Ultralytics YOLO26 được thiết kế với những yếu tố này trong tâm trí. Đơn giản hóa việc triển khai và hỗ trợ hành vi nhất quán trong sản xuất giúp các tổ chức đưa AI thị giác từ thử nghiệm vào sử dụng hàng ngày. Đối với các nhà lãnh đạo doanh nghiệp, điều này làm cho thị giác máy tính trở thành một khoản đầu tư thực tế và đáng tin cậy hơn, thay vì là một nỗ lực nghiên cứu rủi ro cao.

Các điểm chính cần lưu ý#

Ultralytics YOLO26 được xây dựng để thu hẹp khoảng cách giữa nghiên cứu và sản xuất bằng cách làm cho thị giác máy tính thời gian thực trở nên dễ triển khai và bảo trì hơn. Thiết kế end-to-end và hiệu suất ưu tiên edge của nó giúp giảm sự phức tạp thường làm chậm các dự án AI thị giác. Điều này cho phép các tổ chức di chuyển nhanh hơn và thấy được giá trị sớm hơn.

Tham gia cộng đồng của chúng tôi và khám phá repository GitHub 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 cấp phép của chúng tôi và bắt đầu xây dựng với computer vision ngay hôm nay!