Ultralytics Platform：五种工具，一个计算机视觉平台

今天，我们推出了 Ultralytics Platform，这是一个端到端的 计算机视觉 平台，旨在简化视觉 AI 系统的构建和部署方式。虽然计算机视觉这一能够让机器解读图像和视频的人工智能领域，已经为我们如今所依赖的许多系统提供支持，但构建这些解决方案一直以来都很复杂。

对于许多 AI 工程师和机器学习开发者来说，构建计算机视觉应用仍然需要在开发过程中切换多个工具。团队可能会在一个平台上管理数据集和标注，在另一个平台上运行模型训练，还要依赖其他服务来测试预测结果、跟踪实验以及将系统部署到生产环境。

随着项目不断发展，切换工具会拖慢开发速度并增加运营开销。团队往往需要花时间管理工作流、在工具之间转移数据以及配置基础设施，而不是专注于改进模型和构建新的计算机视觉应用。

Ultralytics Platform 的创建旨在简化并加速这一过程。通过将标注、训练、验证、部署和监控整合到一个环境中，它用一个计算机视觉平台替代了视觉 AI 技术栈中的多个工具，帮助团队更高效地构建和部署可扩展的视觉 AI 系统。

图 1. 使用 Ultralytics Platform 准备数据集一览（来源）

本文将探讨 Ultralytics Platform 如何用一个统一的计算机视觉平台替代多个工具。让我们开始吧！

计算机视觉开发中的多工具问题#

构建计算机视觉解决方案包含多个阶段，从准备数据集到将系统部署到生产环境。在许多情况下，团队会为这一工作流的每个环节使用不同工具，包括：

• 数据集管理工具： 团队使用这些工具存储和整理图像与视频，之后将其用作计算机视觉系统的训练数据。
• 标注工具： 这些平台支持开发者和数据团队在图像中标注对象、分割区域或关键点，让系统能够从视觉数据中学习模式。
• 模型训练工具和框架： 开发者依靠这些工具，使用经过标注的数据集和深度学习模型训练计算机视觉系统，通常在基于 Python 的机器学习框架（如 PyTorch 和 TensorFlow）中进行。
• 测试和推理工具： 在部署之前，团队会在新的图像或视频上运行模型，以检查预测结果并评估系统的表现。
• 部署和监控工具： 当视觉 AI 解决方案准备交付时，团队会使用额外的基础设施在生产环境中运行应用，并持续监控其性能。

分别管理这些工具会让开发工作流更难协调。团队最终需要花时间在平台之间转移数据、维护集成以及配置基础设施，而不是专注于改进计算机视觉应用。

什么是端到端视觉 AI 平台？#

在深入了解 Ultralytics Platform 的主要功能及其能力之前，我们先来了解一下端到端计算机视觉平台的含义。

简单来说，Ultralytics Platform 为开发者提供了一个构建和运行计算机视觉应用的统一场所。个人和团队无需依赖不同服务来完成开发过程中的各个环节，而是可以在同一环境中处理视觉数据、训练模型和算法、测试结果并运行应用。

图 2. 在 Ultralytics Platform 上测试模型（来源）

这种方式让开发者更容易进行实验、改进系统并推进项目，而无需不断在工具之间切换。

Ultralytics Platform 如何简化视觉 AI 工作流#

Ultralytics Platform 源于我们多年与计算机视觉社区密切合作的经验。在与构建视觉 AI 系统的开发者和团队交流时，我们不断听到一些普遍存在的挑战。

例如，一个主要问题是数据标注：当需要标注大型数据集时，这项工作可能耗费大量时间。另一个挑战出现在团队尝试将系统投入生产时，因为跨不同环境和硬件配置部署应用通常需要额外的工具。

许多团队还要应对工具切换问题，因为标注工具、训练环境和部署系统经常分散在多个平台上。Ultralytics Platform 通过一系列内置功能解决了所有这些复杂问题。

Ultralytics Platform 主要功能概览#

下面让我们深入了解 Ultralytics Platform 的一些主要功能，它们有助于简化这些挑战和整体视觉 AI 工作流：

• 智能数据标注：内置标注工具提供由分割一切模型 (SAM) 驱动的智能标注、键盘快捷键等功能，帮助团队更快地标注数据集并简化标注工作流。
• 集成模型训练： 开发者可以直接在平台中训练预训练模型，同时通过交互式仪表板跟踪实验并监控性能。
• 基于浏览器的推理测试： 团队可以在浏览器中快速测试预测结果，以评估系统在部署到生产环境前的表现。
• 灵活的部署选项：模型可以导出为 17 种不同格式，也可以通过共享推理服务和覆盖全球 43 个区域的专用端点进行部署。
• 内置监控： 平台提供仪表板，帮助团队在一个地方跟踪实验结果、系统性能和部署运行状况。

使用 Ultralytics Platform 从原始数据到部署#

随着你进一步了解 Ultralytics Platform，你可能会想知道实际使用它是什么样的。下面我们通过一个简单示例来具体了解。

设想为一条生产线构建视觉检测系统。目标是在产品经过生产流程时，自动识别受损或有缺陷的产品。

这一过程通常从收集视觉数据开始。使用 Ultralytics 的新计算机视觉平台，你可以上传生产线上的产品图像或视频，并将其整理成数据集，用于训练缺陷检测模型。

接下来是数据标注。借助平台内置的手动或 AI 驱动标注工具，你可以直接在图像中标注 5 种检测任务的缺陷。由 SAM 驱动的智能标注、内置姿态骨架模板等功能可以让你单击一次就放置关键点，从而简化原本可能需要数小时的工作流。

数据集准备就绪后，你可以继续进行模型训练。平台支持你使用标注数据训练计算机视觉模型，例如 Ultralytics YOLO 模型。训练期间，你可以在一个仪表板中监控性能指标、跟踪实验并持续优化模型，从而提升系统性能。

训练完成后，下一步是测试和验证。你可以直接在平台中对新的图像运行预测，检查系统检测缺陷的效果，并找出可能需要进一步改进的方面。

最后，当系统表现良好时，就可以将其部署到生产环境。Ultralytics Platform 支持将模型导出为多种格式，或通过推理服务和端点进行部署，使其能够在真实环境中运行。

图 3. 使用 Ultralytics Platform 导出模型示例（来源）

通过支持这一流程中的每个步骤，Ultralytics Platform 让你可以更轻松地从原始视觉数据构建出可运行的计算机视觉应用，并在生产线上自动检测缺陷。

使用 Ultralytics Platform 构建的视觉 AI 应用场景#

在大多数可以将视觉数据转化为信息并用于自动化流程的应用中，计算机视觉都能发挥作用。从医疗保健到汽车行业，各个行业都是如此，而 Ultralytics Platform 的构建正是为了支持这种多样性。

该平台原生支持 Ultralytics YOLO26 等先进模型，以及各种计算机视觉任务，包括目标检测、图像分类、实例分割、姿态估计和定向边界框 (OBB) 检测。得益于这种灵活性，开发者可以针对许多需要分析图像或视频的不同场景构建应用。

例如，团队可以构建用于海洋环境实时水下监控、医学和生物学研究中的细胞计数、偏远生态系统中的野生动物跟踪、自动驾驶车辆感知系统以及复杂环境中机器人导航的系统。而这些还只是计算机视觉能力的冰山一角。

图 4. 在 Ultralytics Platform 上标注用于野生动物检测的图像（来源）

为什么 Ultralytics Platform 是视觉 AI 的未来#

随着计算机视觉得到越来越广泛的应用，让视觉 AI 开发更加易于上手变得愈发重要。许多开发者和组织希望尝试视觉数据并构建 AI 应用，但传统的开发环境可能让入门变得困难。

Ultralytics Platform 通过提供一个让开发者可以快速开始使用计算机视觉技术的环境，帮助降低这些门槛。团队无需花时间搭建基础设施或集成不同工具，而可以专注于探索想法和构建实用应用。

这种易用性为更多开发者、研究人员和组织探索视觉 AI 打开了大门。因此，更多团队可以将视觉数据转化为有意义的洞察，并创建解决现实问题的应用。

随着视觉 AI 持续拓展到各个行业，我们相信 Ultralytics Platform 将让开发更加易于上手，并在塑造计算机视觉未来方面发挥关键作用。

开始使用 Ultralytics Platform#

立即使用 Ultralytics Platform 开始构建计算机视觉项目。你可以通过免费方案探索该平台，该方案包含用于云端训练的注册赠送额度，以及用于管理数据集、标注图像、训练模型和部署应用的核心工具。

随着项目不断发展，你可以通过其他方案扩展使用规模，获得更多计算资源、存储空间、协作功能和部署容量。该平台还针对云端训练和托管端点等服务采用基于额度的定价系统，让团队能够运行实验和部署应用，同时透明地跟踪使用量。

要点总结#

图像处理和计算机视觉技术正在快速从研究实验走向驱动日常技术的现实系统。Ultralytics Platform 通过为开发者提供更简单的方式来构建、测试和部署视觉 AI 应用，帮助加速这一转变。减少想法与部署之间的障碍后，下一代计算机视觉解决方案将能够以前所未有的速度构建完成。

加入我们的社区，并探索 GitHub 仓库，进一步了解计算机视觉模型。前往我们的解决方案页面，阅读农业中的 AI和机器人技术中的计算机视觉等应用案例。查看我们的许可选项，开始构建你自己的视觉 AI 模型。