Ultralytics ：五种工具，一个计算机视觉平台

今天，我们正式推出了Ultralytics 这是一款终极的端到端计算机视觉平台，旨在简化视觉人工智能系统的构建与部署流程。计算机视觉作为人工智能的一个分支，能够使机器解读图像和视频，虽然它已经为当今我们所依赖的许多系统提供了动力，但构建此类解决方案历来都十分复杂。

对于许多人工智能工程师和机器学习开发者而言，构建计算机视觉应用程序在整个开发过程中仍需在多种工具之间来回切换。一个团队可能在一个平台上管理数据集和标注，在另一个平台上进行模型训练，并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。

随着项目规模的扩大，更换工具可能会拖慢开发进度并增加运维负担。团队往往不得不花费大量时间管理工作流、在不同工具间传输数据以及配置基础设施，而无法专注于改进模型和开发新的计算机视觉应用。

Ultralytics 创建旨在简化并加速这一流程。通过将标注、训练、验证、部署和监控整合到一个环境中，该平台用单一的计算机视觉平台取代了人工智能视觉栈中的多种工具，从而帮助团队更高效地构建和部署可扩展的视觉人工智能系统。

在本文中，我们将探讨Ultralytics 如何通过一个统一的计算机视觉平台取代多种工具。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涉及多个阶段，从准备数据集到将系统部署到生产环境。在许多情况下，团队会针对工作流的每个环节使用不同的工具，其中包括：

• 数据集管理工具：团队使用这些工具来存储和整理图像及视频，这些素材日后将作为计算机视觉系统的训练数据。
  
• 标注工具：这些平台使开发人员和数据团队能够对图像中的对象、区域或关键点进行标注，从而让系统能够从视觉数据中学习模式。
  
• 模型训练工具与框架：开发人员借助这些工具，利用标注数据集和深度学习模型来训练计算机视觉系统，通常Python机器学习框架（如PyTorch TensorFlow）中进行开发。
• 测试和推理工具：在部署之前，团队会将模型应用于新的图像或视频，以验证预测结果并评估系统的性能表现。
  
• 部署和监控工具：当视觉人工智能解决方案准备就绪并投入使用后，会借助额外的基础设施在生产环境中运行该应用程序，并持续监控其性能。

如果单独管理这些工具，可能会使开发工作流更难协调。团队最终不得不花费时间在不同平台之间传输数据、维护集成以及配置基础设施，而无法专注于改进计算机视觉应用程序。

什么是端到端的视觉人工智能平台？

在深入探讨Ultralytics 的核心功能及其应用之前，让我们先来了解什么是端到端的计算机视觉平台。

简而言Ultralytics 提供了一个集开发与运行计算机视觉应用程序于一体的统一平台。个人和团队无需在开发流程的不同阶段依赖各自独立的服务，而可以在同一个环境中处理视觉数据、训练模型和算法、测试结果，并运行应用程序。

这种方法使开发人员能够更轻松地进行尝试、改进系统并推进项目，而无需在不同工具之间频繁切换。

Ultralytics 如何简化视觉 AI 工作流

Ultralytics 形成源于我们多年来与计算机视觉社区的紧密合作。在与开发人员及构建视觉人工智能系统的团队交流过程中，我们不断发现一些共同的挑战。

例如，数据标注是一个关键问题，当需要对大型数据集进行标注时，这往往会耗费大量时间。另一个挑战出现在团队尝试将系统投入生产环境时，因为在不同的环境和硬件配置中部署应用程序通常需要额外的工具支持。 

许多团队还面临工具切换的问题，因为标注工具、训练环境和部署系统往往分布在多个平台上。Ultralytics 凭借一系列内置功能，解决了所有这些难题。 

Ultralytics 主要功能概览

那么，让我们深入了解Ultralytics 的一些关键功能，这些功能有助于简化这些挑战，并优化整体的 AI 工作流：

• 智能数据标注：内置的标注工具可帮助团队更快地对数据集进行标注，其功能包括由 Segment Anything Model（SAM）驱动的智能标注，以及能够简化标注工作流的键盘快捷键。
• 集成模型训练：开发人员可以在平台内直接训练预训练模型，同时通过交互式仪表盘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，以评估系统在投入生产环境前的运行表现。
• 灵活的部署选项：模型可导出为 17 种不同格式，或通过覆盖 43 个全球区域的共享推理服务和专用端点进行部署。
• 内置监控：该平台提供仪表盘，帮助团队在一个地方track 结果、系统性能和部署状态。

从原始数据到部署——借助Ultralytics

随着您对Ultralytics 了解日益加深，您可能会好奇实际使用它是什么样的。为了让您更好地了解，让我们通过一个简单的示例来演示一下。

假设要为一条生产线构建一套视觉检测系统。其目标是在产品流经生产过程时，自动识别出受损或有缺陷的产品。

该流程通常从收集视觉数据开始。借助Ultralytics的新计算机视觉平台，您可以上传生产线上的产品图片或视频，并将它们整理成数据集，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驱动的标注工具，您可以在图像中直接对5种检测任务中的缺陷进行标注。由SAM驱动的智能标注等功能，以及内置的姿势估计 模板（支持一键放置关键点），这些创新技术极大地简化了原本可能耗时数小时的工作流程。

数据集准备就绪后，即可进入模型训练阶段。该平台支持您利用标注数据训练计算机视觉模型，例如Ultralytics YOLO 。在训练过程中，您可以通过单一仪表盘实时监控性能指标、track ，并随着时间的推移不断优化模型，从而提升系统性能。

训练完成后，下一步就是测试和验证。您可以在平台内直接对新图像进行预测，以检查系统检测缺陷的效果，并找出可能需要进一步改进的地方。

最后，当系统运行良好时，即可将其部署到生产环境中。Ultralytics 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，以便在实际环境中运行。

通过支持该流程的每个环节Ultralytics 使将原始视觉数据转化为可运行的计算机视觉应用程序变得更加容易，该应用程序能够自动detect 生产线上的detect 。

借助Ultralytics 构建的基于 Vision AI 的应用场景

在绝大多数能够将视觉数据转化为信息并用于流程自动化的应用场景中，计算机视觉都能发挥重要作用。这一特点在各行各业中均适用，从医疗保健到汽车制造业皆是如此，Ultralytics 正是为支持这种广泛适用性而打造的。

该平台原生支持Ultralytics 等尖端模型，并涵盖多种计算机视觉任务，包括目标检测、图像分类、实例分割、姿势估计 定向边界框（旋转框检测）检测。凭借这种灵活性，开发者能够构建适用于多种需要分析图像或视频的场景的应用程序。

例如，团队可以开发用于海洋环境中实时水下监测的系统、用于医学和生物学研究中的细胞计数系统、用于偏远生态系统中野生动物追踪的系统，以及为自动驾驶车辆提供感知能力、引导机器人在复杂环境中行动的系统。而这仅仅是计算机视觉所能实现的冰山一角。

Ultralytics 是视觉AI的未来

随着计算机视觉的应用日益广泛，让视觉人工智能开发变得更加触手可及正变得越来越重要。许多开发者和组织都希望尝试处理视觉数据并构建人工智能应用程序，但传统的开发环境往往让初学者难以入门。

Ultralytics 提供一个让开发者能够快速上手计算机视觉技术的环境，帮助降低这些门槛。开发团队无需花费时间搭建基础设施或集成各种工具，而是可以专注于探索创意并构建实用应用程序。

这种易用性为更多开发者、研究人员和组织探索视觉人工智能打开了大门。因此，更多团队能够将视觉数据转化为有价值的洞察，并开发出能够解决现实世界问题的应用程序。

随着视觉人工智能在各行业的持续普及，我们相信Ultralytics 将使开发工作更加触手可及，并在塑造计算机视觉的未来方面发挥关键作用。

Ultralytics 入门指南

立即开始使用Ultralytics 构建计算机视觉项目。您可以通过免费套餐体验该平台，该套餐包含用于云端训练的注册积分，并可访问用于管理数据集、标注图像、训练模型以及部署应用程序的核心工具。

随着项目规模的扩大，您可以通过选择提供更多计算资源、存储空间、协作功能和部署能力的其他套餐来扩展使用范围。该平台还针对云培训和托管端点等服务采用了基于积分的计费系统，使团队track 清晰track 的同时，顺利开展实验并部署应用程序。

主要要点

图像处理和计算机视觉技术正迅速从研究实验阶段转向驱动日常技术的实际应用系统。Ultralytics 为开发者提供更简便的方式来构建、测试和部署视觉人工智能应用，助力加速这一转变。随着从构想到部署的门槛降低，新一代计算机视觉解决方案的开发速度将比以往任何时候都更快。

加入我们的社区，浏览GitHub 代码库，深入了解计算机视觉模型。您可以在我们的解决方案页面上阅读关于农业人工智能和 机器人领域计算机视觉等应用的介绍。查看我们的授权方案，开始构建您自己的视觉人工智能模型。