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

Ultralytics YOLO26, model thị giác máy tính mới nhất của chúng tôi, đánh dấu bước tiến giúp triển khai các giải pháp thị giác máy tính thời gian thực dễ dàng hơn. Nói cách khác, model được thiết kế để chuyển từ giai đoạn thử nghiệm sang các hệ thống chạy liên tục trên phần cứng thực tế một cách trơn tru hơn.

Thị giác máy tính hiện được sử dụng trong nhiều ứng dụng thực tế, bao gồm sản xuất, robot, bán lẻ và hạ tầng. Khi các hệ thống này chuyển từ thử nghiệm sang sử dụng hằng ngày, trọng tâm đang dịch chuyển từ hiệu năng riêng lẻ của 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 như độ chính xác.

Sự chuyển dịch này có ý nghĩa quan trọng đối với cách thiết kế và đánh giá các model thị giác máy tính. Thành công trong production không chỉ phụ thuộc vào khả năng phát hiện của model mà còn vào mức độ dễ dàng tích hợp, triển khai và bảo trì model theo thời gian.

YOLO26 được xây dựng dựa trên những nhu cầu thực tiễn 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 tìm hiểu cách Ultralytics YOLO26 giúp thu hẹp khoảng cách giữa nghiên cứu và production, cũng như lý do các tính năng của model giúp đưa hệ thống thị giác máy tính thời gian thực vào ứng dụng thực tế dễ dàng hơn.

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

Khi thị giác máy tính ngày càng được sử dụng rộng rãi, nhiều nhóm 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 lộ ra những thách thức chưa thấy trong quá trình thử nghiệm.

Trong môi trường nghiên cứu, model thường được kiểm thử trong môi trường được kiểm soát bằng các dataset cố định. Những bài kiểm thử này hữu ích để đo độ chính xác, nhưng không phản ánh đầy đủ cách model hoạt động sau khi được triển khai. Trong production, các hệ thống thị giác máy tính phải xử lý dữ liệu trực tiếp, chạy liên tục và hoạt động trên phần cứng thực 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. Pipeline inference có thể bao gồm các 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 tiễn này ảnh hưởng đến mức độ dễ dàng tích hợp và bảo trì model khi ứng dụng mở rộng quy mô.

Do những yếu tố này, quá trình chuyển từ nghiên cứu sang production thường không tập trung nhiều vào việc cải thiện kết quả của model mà tập trung hơn vào việc đơn giản hóa triển khai và vận hành. Các model dễ tích hợp hơn, chạy hiệu quả trên phần cứng đích và hoạt động ổn định, có thể đi vào production thuận lợi hơn.

Ultralytics YOLO26 được xây dựng để hỗ trợ quá trình chuyển đổi này. Giảm độ phức tạp trong toàn bộ quy trình triển khai giúp các nhóm đưa model thị giác máy tính từ giai đoạn thử nghiệm vào production thực tế hiệu quả hơn.

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

Một trong những lý do chính khiến Ultralytics YOLO26 thiết thực hơn khi triển khai là thiết kế suy luận end-to-end. Nói đơn giản, model được thiết kế để trực tiếp tạo ra dự đoán cuối cùng 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, inference không kết thúc khi model chạy xong. Thay vào đó, model xuất ra số lượng lớn dự đoán trung gian cần được lọc và tinh chỉnh trước khi sử dụng.

Các bước bổ sung này thường được xử lý ở một giai đoạn hậu xử lý riêng biệt gọi là Non-Maximum Suppression (NMS), làm tăng độ phức tạp của toàn hệ thống. Trong môi trường production, độ phức tạp này có thể gây ra 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 thêm công sức tích hợp. Chúng cũng bổ sung các thành phần cần được kiểm thử, bảo trì và duy trì tính nhất quán khi hệ thống mở rộng.

Ultralytics YOLO26 chọn một hướng tiếp cận khác. Việc xử lý các dự đoán trùng lặp và tạo đầu ra cuối cùng bên trong model giúp giảm số bước cần thiết trong pipeline inference. Nhờ đó, việc triển khai đơn giản hơn vì cần quản lý ít logic bên ngoài hơn và có ít nguy cơ xảy ra sự không nhất quán giữa các môi trường hơn.

Đối với các nhóm triển khai hệ thống thị giác, thiết kế không cần NMS end-to-end này giúp tinh giản quá trình tích hợp. Model hoạt động ổn định hơn sau khi triển khai và các model đã export, tức các phiên bản được chuẩn bị để chạy trên phần cứng đích bên ngoài môi trường huấn luyện, 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 tích hợp Ultralytics YOLO26 vào các hệ thống phần mềm thực tế dễ dàng hơn và đơn giản hóa việc đưa sản phẩm ra thị trường ở quy mô lớn.

Sẵn sàng triển khai: Các lựa chọn về hiệu năng và huấn luyện giúp giảm rủi ro#

Ngoài inference end-to-end, Ultralytics YOLO26 còn có một loạt lựa chọn về hiệu năng và huấn luyện, được thiết kế để giúp việc triển khai production dễ dự đoán hơn.

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

• 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 của YOLO26 có inference CPU nhanh hơn tới 43%, phù hợp hơn với môi trường production có thể bị giới hạn tài nguyên tính toán.
• Huấn luyện ổn định hơn: YOLO26 sử dụng kỹ thuật huấn luyện có tên Cân bằng loss lũy tiến để định hướng quá trình học của model theo thời gian. Ở giai đoạn đầu huấn luyện, model được cung cấp nhiều hướng dẫn hơn để có thể học các mẫu ổn định. Khi quá trình huấn luyện tiếp tục, mức độ hướng dẫn này giảm dần để phù hợp với cách model hoạt động khi được sử dụng trong production. Cách tiếp cận này giúp quá trình huấn luyện diễn ra trơn tru hơn và tạo ra kết quả nhất quán hơn khi huấn luyện hoặc huấn luyện lại model.
• Phát hiện đối tượng nhỏ tốt hơn: Phương pháp huấn luyện có tên Gán nhãn nhận biết mục tiêu nhỏ, hay STAL, cũng được sử dụng để model không bỏ sót các đối tượng rất nhỏ trong quá trình huấn luyện. Phương pháp này cải thiện độ tin cậy trong các tình huống đối tượng có thể nhỏ hoặc ở xa.
• Optimizer mới: Model mới cũng giới thiệu optimizer huấn luyện có tên MuSGD, được thiết kế để cải thiện độ ổn định và tính nhất quán của quá trình huấn luyện. MuSGD kết hợp optimizer Stochastic Gradient Descent (SGD) truyền thống với các ý tưởng lấy cảm hứng từ những tiến bộ gần đây trong huấn luyện model ngôn ngữ lớn. Thay vì chỉ tập trung vào việc huấn luyện nhanh hơn, optimizer này giúp model hội tụ trơn tru hơn và hoạt động ổn định hơn khi được huấn luyện lại, tinh chỉnh hoặc cập nhật để sử dụng trong production.

Hình 1. YOLO26n có inference CPU nhanh hơn YOLO11n tới 43% (Nguồn)

Nhìn chung, những cải tiến này giúp giảm rủi ro và độ phức tạp khi triển khai hệ thống thị giác máy tính trong production. Bằng cách kết hợp hiệu năng ưu tiên edge với quá trình huấn luyện ổn định hơn và hành vi model dễ dự đoán hơn, Ultralytics YOLO26 giúp các nhóm tự tin chuyển từ phát triển sang triển khai thực tế.

Gói Ultralytics đơn giản hóa pipeline tích hợp#

Triển khai model thị giác máy tính hiếm khi chỉ liên quan đến bản thân model. Trong production, các nhóm cần huấn luyện model, chạy inference, giám sát hiệu năng và export model sang các định dạng hoạt động trên nhiều nền tảng và phần cứng khác nhau. Mỗi công cụ hoặc script tùy chỉnh bổ sung trong pipeline đều làm tăng độ phức tạp và nguy cơ lỗi.

Gói Ultralytics được thiết kế để giảm độ phức tạp đó bằng cách đưa các bước này vào một quy trình nhất quán duy nhất. Với một thư viện, các nhóm có thể huấn luyện model như YOLO26, chạy dự đoán, xác thực kết quả và export model để triển khai mà không cần chuyển đổi công cụ hoặc viết lại mã tích hợp.

Gói này cũng hỗ trợ nhiều tích hợp trong toàn bộ vòng đời, từ huấn luyện và đánh giá đến export và triển khai trên các phần cứng đích khác nhau. Cách tiếp cận thống nhất này tạo nên khác biệt trong môi trường production.

Hình 2. Tổng quan các loại tích hợp được Ultralytics hỗ trợ (Nguồn)

Các lệnh và giao diện giống nhau được sử dụng trong quá trình thử nghiệm cũng được dùng khi triển khai, giúp giảm trở ngại khi bàn giao giữa các nhóm nghiên cứu, kỹ thuật và vận hành. Việc export model cũng trở nên dễ dự đoán hơn, vì model Ultralytics YOLO26 có thể được chuyển đổi trực tiếp sang các định dạng như ONNX, TensorRT, CoreML, OpenVINO và các định dạng khác thường được dùng trong hệ thống production.

Bằng cách giảm thiểu code kết nối và công việc tích hợp tùy chỉnh, gói Ultralytics giúp các nhóm tập trung xây dựng ứng dụng đáng tin cậy thay vì bảo trì các pipeline phức tạp. Nhờ đó, 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 ứng dụng như thế nào trong thực tế, nơi cần năng lực thị giác máy tính đáng tin cậy, sẵn sàng đưa vào production.

Triển khai hệ thống thị giác cho robot với Ultralytics YOLO26#

Các hệ thống robot phụ thuộc vào khả năng nhận thức nhanh và đáng tin cậy để vận hành an toàn, hiệu quả. Dù là robot di động tự hành điều hướng trong nhà kho hay cánh tay robot xử lý vật thể trên dây chuyền, các model thị giác đều phải cho kết quả nhất quán với độ trễ tối thiểu.

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

Triển khai Ultralytics YOLO26 trên sàn nhà máy#

Trong các nhà máy, thị giác máy tính thường được dùng để giám sát thiết bị, kiểm tra sản phẩm và đảm bảo 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 bộ phận cơ khí theo thời gian thực.

Khả năng vận hành hiệu quả trên các thiết bị biên khiến model này rất phù hợp với dây chuyền sản xuất, nơi các 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 chuyển động của bộ truyền động.

Vận hành Ultralytics YOLO26 trên drone và hệ thống điều khiển từ xa#

Drone và các hệ thống điều khiển 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 trong khi bay. Bằng cách phân tích hình ảnh tại chỗ, các hệ thống có thể phản hồi theo thời gian thực và giảm nhu cầu truyền lượng lớn dữ liệu về một địa điểm trung tâm.

Mở rộng quy mô hệ thống thị giác 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 những điều kiện khác nhau, nhưng hệ thống thị giác vẫn cần vận hành 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. Khả năng triển khai ổn định và hỗ trợ nhiều nền tảng phần cứng giúp việc triển khai, cập nhật và bảo trì các hệ thống thị giác trên những môi trường đô thị phân tán quy mô lớn trở nên dễ dàng hơn.

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

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

Với nhiều tổ chức, thách thức lớn nhất của AI thị giác không phải là xây dựng một model hoạt động tốt trong bản demo. Thách thức là biến thành quả đó thành một hệ thống vận hành đáng tin cậy trong môi trường production.

Việc triển khai thường đòi hỏi nhiều công sức kỹ thuật, bảo trì liên tục và sự phối hợp giữa các nhóm, điều này có thể làm chậm dự án hoặc hạn chế tác động của dự án. Khi việc triển khai model trở nên đơn giản, bài toán kinh doanh sẽ thay đổi.

Triển khai nhanh hơn giúp rút ngắn thời gian tạo ra giá trị. Tích hợp đơn giản hơn giúp giảm chi phí kỹ thuật và vận hành. Khả năng vận hành ổn định hơn giữa các môi trường giúp giảm rủi ro và hỗ trợ lập kế hoạch dài hạn một cách thực tế.

Ultralytics YOLO26 được thiết kế có cân nhắc đến những yếu tố này. Việc đơn giản hóa triển khai và hỗ trợ vận hành nhất quán trong production giúp các tổ chức đưa AI thị giác từ giai đoạn thử nghiệm vào sử dụng hằng ngày. Đối với các nhà lãnh đạo doanh nghiệp, điều này khiến thị giác máy tính trở thành một khoản đầu tư thiết thực và đáng tin cậy hơn, thay vì một nỗ lực nghiên cứu có rủi ro cao.

Điểm chính cần ghi nhớ#

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

Tham gia cộng đồng và khám phá repository GitHub của chúng tôi để tìm hiểu thêm về AI. Xem các trang giải pháp để đọc về AI trong bán lẻ và thị giác máy tính trong nông nghiệp. Khám phá các tùy chọn cấp phép của chúng tôi và bắt đầu xây dựng ứng dụng thị giác máy tính ngay hôm nay!