Ultralytics 在 YOLO Vision 2025 Shenzhen 的精彩时刻！

10 月 26 日，YOLO Vision 2025（YV25）在深圳华侨城创意文化园 B10 栋迎来中国首秀。Ultralytics 举办的这场线上线下融合视觉 AI 活动吸引了 200 多人现场参加，还有更多观众通过 YouTube 和 Bilibili 在线参与。

YV25 深圳站直播在 YouTube 上的观看量已超过 3,500 次。随着活动精彩内容在社区中分享，关注度仍在持续上升。这一天充满了新观点、交流和实践探索，大家共同探讨视觉 AI 的未来方向。

活动当天，主持人黄雪莹热情欢迎大家，邀请所有人交流、学习，并积极参与整个活动的讨论。她介绍说，这是今年第二场 YOLO Vision 活动，继 9 月伦敦站之后举办，并分享了再次在深圳汇聚视觉 AI 社区令人兴奋的心情。

在本文中，我们将回顾当天的精彩内容，包括模型更新、演讲环节、现场演示，以及让大家相聚一堂的社区活动。

Ultralytics YOLO 模型的发展历程#

当天的首场主题演讲由 Ultralytics 创始人兼 CEO Glenn Jocher主讲。他分享了Ultralytics YOLO 模型如何从一项研究突破发展为全球应用最广泛的视觉 AI 模型之一。Glenn 介绍说，他早期的工作重点是让 YOLO 更易于使用。

他将模型移植到 PyTorch，改进了文档，并公开分享所有内容，让世界各地的开发者都能在此基础上继续开发。正如他回忆的那样：“2018 年，我一头扎了进来。我认定这就是我的未来。”最初的个人努力很快发展成一场全球开源运动。

图 1. Glenn Jocher 在 YOLO Vision 2025 深圳站舞台上演讲。

如今，Ultralytics YOLO 模型每天支持数十亿次推理。Glenn 强调，只有依靠帮助打造这些模型的人们，才能达到这样的规模。来自世界各地的研究人员、工程师、学生、爱好者和开源贡献者共同塑造了 YOLO 的今天。

正如 Glenn 所说：“有将近一千位[贡献者]在参与这项工作，我们对此非常感激。如果没有这些人，我们就不会走到今天。”

Ultralytics YOLO26 更新#

今年早些时候，Ultralytics 首次在 YOLO Vision 2025 伦敦站活动上介绍了 Ultralytics YOLO26，并将其定位为 Ultralytics YOLO 模型系列迈向未来的重要一步。在 YV25 深圳站，Glenn 更新了发布以来的进展，并向 AI 社区深入介绍了模型的演进情况。

Ultralytics YOLO26 旨在变得更小、更快、更准确，同时保持在现实场景中的实用性。Glenn 介绍说，团队过去一年一直在完善架构、对比模型在不同设备上的性能，并吸收研究成果和社区反馈。目标是在不增加部署难度的前提下实现先进性能。

Ultralytics YOLO26 有哪些值得期待之处#

Glenn 强调的一项核心更新是，Ultralytics YOLO26 将配合专门的超参数调优计划，从完全从头开始训练转向在更大的数据集上微调。他进一步说明，这种方法更符合真实世界的实际应用场景。

以下是活动上介绍的其他几项主要改进：

• 简化架构：移除了 Distribution Focal Loss（DFL）层。这让模型更简单、运行更快，同时保持相同的准确率。
• 端到端推理支持：Ultralytics YOLO26 是原生端到端的，这意味着它无需单独的 NMS 层即可运行。这使得将模型导出为 ONNX 和 TensorRT 等格式，以及部署到边缘硬件上都容易得多。
• 提升小目标性能：更新后的损失策略有助于模型更可靠地检测微小物体，这一直是计算机视觉领域长期面临的挑战。
• 全新混合优化器：YOLO26 引入了新优化器，其设计灵感来自近期大型语言模型训练研究，可提高模型准确度，并已直接集成到 Ultralytics Python 软件包中。

Ultralytics YOLO26 是迈向实用视觉 AI 的下一步#

综合这些更新，模型在 CPU 上的速度最高可提升 43%，准确率也高于 Ultralytics YOLO11，因此 YOLO26 对嵌入式设备、机器人和边缘系统尤为重要。

Ultralytics YOLO26 将支持 YOLO11 当前提供的所有任务和模型尺寸，因此整个系列共有 25 种模型变体。其中包括用于检测、分割、分类、姿态估计和有向边界框的模型，尺寸范围从 nano 到 extra large。

团队还在开发五种可提示变体。这些模型可以接收文本提示并直接返回边界框，无需训练。

这是迈向更灵活、基于指令的视觉工作流的早期一步，这类工作流更容易适应不同用例。Ultralytics YOLO26 模型仍在积极开发中，但早期性能表现出色，团队正努力尽快发布。（更新：Ultralytics YOLO26现已发布。）

了解 Ultralytics Platform#

YOLO26 更新结束后，Glenn 邀请我们的产品工程主管 Prateek Bhatnagar进行现场演示，介绍 Ultralytics Platform。该平台旨在整合计算机视觉工作流中的关键环节，包括探索数据集、标注图像、训练模型和比较结果。

图 2. Prateek Bhatnagar 展示 Ultralytics Platform。

Prateek 指出，该平台延续了 Ultralytics 的开源传统，并推出两个社区空间：数据集社区和项目社区，让开发者能够贡献、复用和改进彼此的作品。在演示中，他展示了AI 辅助标注、便捷的云端训练，以及直接基于社区内容微调模型的能力，无需本地 GPU 资源。

该平台目前正在开发中（之后已上线）。Prateek 鼓励观众关注后续公告，并指出团队正在中国扩招，以支持平台发布。

YOLO 背后的声音：作者圆桌讨论#

随着活动气氛渐入高潮，现场转入一场圆桌讨论，几位参与不同 YOLO 模型研发的研究人员受邀参加。圆桌嘉宾包括 Glenn Jocher，以及我们的高级机器学习工程师 Jing Qiu；Meta 的机器学习工程师、YOLOv10 作者之一 Chen Hui；还有美团的算法策略师、YOLOv6 作者之一 Bo Zhang。

图 3. 一场关于 YOLO 模型开发的圆桌讨论，嘉宾包括 Huang Xueying、Chen Hui、Bo Zhang、Jing Qiu 和 Glenn Jocher。

讨论聚焦于 YOLO 如何在实际应用中持续演进。发言者谈到了推动进步的因素往往是实际部署中的挑战，例如在边缘设备上高效运行、改进小目标检测，以及简化模型导出。

圆桌嘉宾指出，在生产环境中，不能只追求准确率，还要兼顾速度、易用性和可靠性。大家还共同提到，持续迭代和社区反馈也很重要。

以下是对话中的其他一些有趣见解：

• 开放词汇检测在 YOLO 生态中日益受到关注： 新模型展现了视觉-语言对齐和基于提示的工作流如何检测固定类别之外的物体。
• 轻量级注意力机制日益普及： 圆桌嘉宾讨论了如何使用高效的注意力机制，而不是在所有地方都使用完整注意力，从而在提升准确率的同时，让推理保持足够轻量，以便在边缘设备上运行。
• 尽早并频繁地与社区协作迭代： 圆桌嘉宾强调了“构建—测试—改进”的思路：尽早发布模型并从用户那里汲取经验，比长时间闭门开发更能带来出色成果。

引领 AI 与视觉未来的思想领袖#

接下来，让我们深入了解 YV25 深圳的一些主题演讲。AI 社区的领军人物分享了视觉 AI 的演进方向，涵盖数字人、机器人、多模态推理和高效边缘部署等领域。

教 AI 理解人类体验#

在一场富有启发性的演讲中，阿里巴巴通义千问实验室的 Peng Zhang 博士分享了他的团队如何开发大型视频模型，生成动作和控制更加自然、表情丰富的数字人。他介绍了 Wan S2V 和 Wan Animate：这两个模型利用音频或动作参考，生成逼真的语音、手势和动画，解决了纯文本驱动生成的局限。

图 4. Peng Zhang 介绍大型视频模型如何赋能数字人。

Zhang 博士还谈到了实时交互式虚拟形象方面的进展，包括对外观和动作进行零样本克隆，以及能够直接根据实时摄像头画面驱动人脸动画的轻量级模型。这些进展让逼真的数字人更接近在日常设备上流畅运行。

从感知到行动：具身智能时代#

YV25 深圳的一项重要主题，是从只能观察世界的视觉模型转向能够在世界中采取行动的系统。换句话说，感知不再是处理流程的终点，而正成为行动的起点。

例如，在主题演讲中，来自 D-Robotics 的 Hu Chunxu 介绍了他们的开发套件和 SoC（片上系统）解决方案。这些方案将传感、实时运动控制和决策集成在统一的软硬件栈中。他们将感知和行动视为一个连续的反馈回路，而非相互独立的阶段，因此能够支持机器人在真实环境中更可靠地移动、适应和交互。

图 5. D-Robotics 在中国深圳举办的 YOLO Vision 2025 上进行演示。

来自百度飞桨的 Alex Zhang 在演讲中也表达了类似观点。他解释了 YOLO 和 PaddleOCR 如何协同工作，先检测物体，再解读周围的文本和结构。这使系统能够将图像和文档转换为可用的结构化信息，用于物流、巡检和自动化处理等任务。

边缘智能：让每台设备都能高效运行 AI#

YV25 深圳活动上的另一个有趣话题是，视觉 AI 如何在边缘设备上变得更加高效和强大。

DEEPX 的 Paul Jung 谈到了如何将 YOLO 模型直接部署到嵌入式硬件上，减少对云端的依赖。DEEPX 专注于低功耗、优化推理和面向硬件的模型调优，从而为动态环境中运行的无人机、移动机器人和工业系统提供实时感知能力。

同样，来自 Moore Threads 的 Liu Lingfei 介绍了 Moore Threads E300 平台如何集成中央处理器 (CPU)、图形处理器 (GPU) 和神经处理器 (NPU) 的计算能力，在紧凑型设备上实现高速视觉推理。

该平台可以以高帧率运行多个 YOLO 流，其工具链则简化了量化、静态编译和性能调优等步骤。Moore Threads 还开源了大量计算机视觉模型和部署示例，以降低开发者的入门门槛。

融合视觉与语言，构建更智能的 AI 系统#

直到最近，要构建一个既能理解图像又能理解语言的单一模型，仍需要成本高昂的大型 Transformer 架构。在 YV25 深圳，源识智能的 Yue Ziyin 介绍了 RWKV：这是一种将 Transformer 的长上下文推理能力与循环模型的高效性相结合的架构。

他介绍了 Vision-RWKV 如何将这种设计用于计算机视觉，以随分辨率线性增长的计算量处理图像。因此，它适用于高分辨率输入，也适用于算力有限的边缘设备。

Yue 还展示了 RWKV 如何应用于视觉-语言系统：系统将图像特征与文本理解相结合，从物体检测拓展到场景、文档和现实环境的解读。

图 6. Yue Ziyin 介绍 RWKV 的应用。

让视觉 AI 焕发生机的展位与现场演示#

舞台上的演讲展望了视觉 AI 的未来，而展区中的展位则展示了这项技术如今的实际应用。参会者可以现场观看模型运行、比较硬件选项，并直接与构建这些系统的团队交流。

以下是现场展示的一些技术：

• 开发与原型平台： Seeed、M5Stack 和 Infermove 展示了紧凑型开发板和入门套件，让你可以轻松试用基于 YOLO 的应用，并快速将想法转化为可运行的演示。
• 高性能边缘硬件： Hailo、DEEPX、Intel 和 Moore Threads 展示了专为快速、高效推理打造的芯片和模块。
• 视觉与语言工作流： 百度飞桨和 RWKV 展示了能够检测物体、读取和理解图像或文档内容，并对其进行推理的软件栈。
• 开源与社区工具： Ultralytics 和 Datawhale 通过现场模型演示、训练技巧和实践指导与开发者交流，进一步展现了知识共享如何加速创新。

图 7. M5Stack 在 YV25 深圳的展位一览。

与视觉 AI 社区交流#

除了令人兴奋的技术，YV25 深圳最精彩的部分之一，就是让计算机视觉社区和 Ultralytics 团队再次线下相聚。全天，人们围在演示区交流，在咖啡休息期间分享想法，演讲结束后也继续畅谈。

研究人员、工程师、学生和开发者交流经验、提出问题，分享从部署到模型训练的实际经历。多亏了 Grupo Osborne 带来的 Cinco Jotas，我们还在活动中融入了一丝西班牙文化，现场切制的伊比利亚火腿营造了温馨的交流氛围。优美的场地、热情的观众和共同的进取精神，让这一天格外难忘。

要点#

从启发人心的主题演讲到动手演示，YOLO Vision 2025 深圳充分展现了定义 Ultralytics 社区的创新精神。全天，演讲者和参会者交流想法、探索新技术，并因对 AI 未来的共同愿景而联系在一起。活动结束时，大家都满怀热情，准备好与 Ultralytics YOLO 一起迎接下一步。

重新想象 AI 和计算机视觉的可能性。加入我们的社区并访问我们的 GitHub 代码库，了解更多信息。进一步了解计算机视觉在农业中的应用和零售业中的 AI等应用。查看我们的许可选项，立即开始使用计算机视觉！