Ultralytics Platform：五大工具，一个计算机视觉平台

如今，我们推出了Ultralytics Platform，这是一个终极的端到端计算机视觉平台，旨在简化视觉AI系统的构建和部署方式。尽管计算机视觉——一个使机器能够解释图像和视频的人工智能领域——已经为我们今天依赖的许多系统提供动力，但构建这些解决方案传统上一直很复杂。

对于许多AI工程师和机器学习开发者而言，构建计算机视觉应用在整个开发过程中仍然需要频繁切换多种工具。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，并依赖其他服务进行预测测试、实验track和系统生产部署。

随着项目规模的扩大，切换工具会减缓开发速度并增加运营开销。团队常常将时间花费在管理工作流、在不同工具间移动数据以及配置基础设施上，而非专注于改进模型和构建新的计算机视觉应用。

Ultralytics Platform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，它用一个单一的计算机视觉平台取代了AI视觉堆栈中的多种工具，帮助团队更高效地构建和部署可扩展的视觉AI系统。

在本文中，我们将探讨Ultralytics Platform如何用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，从数据集准备到系统生产部署。在许多情况下，团队会为工作流的每个部分依赖不同的工具，其中包括：

• 数据集管理工具: 团队使用这些工具来存储和组织图像和视频，这些图像和视频随后将用作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在图像中标记目标、segment或关键点，以便系统可以从视觉数据中学习模式。
  
• 模型训练工具和框架：开发者依赖这些工具，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性能。
  
• 部署和监控工具: 一旦视觉 AI 解决方案准备好发布，额外的基础设施将用于在生产环境中运行应用程序并随时间监控其性能。

分别管理这些工具会使开发工作流更难协调。团队最终会将时间花费在平台间移动数据、维护集成和配置基础设施上，而非专注于改进计算机视觉应用。

什么是端到端视觉AI平台？

在深入探讨Ultralytics Platform的关键功能及其作用之前，让我们先了解什么是端到端计算机视觉平台。

简而言之，Ultralytics 平台提供了一个开发人员可以构建和运行计算机视觉应用程序的统一平台。无需依赖于开发过程不同部分的独立服务，个人和团队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程序。

这种方法使开发人员更容易进行实验、改进系统并推动项目进展，而无需频繁切换工具。

Ultralytics Platform如何简化视觉AI工作流

Ultralytics Platform是多年来与计算机视觉社区紧密合作的成果。我们与构建视觉AI系统的开发人员和团队的对话不断提出一些共同的挑战。

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，因为在不同环境和硬件配置中部署应用程序通常需要额外的工具。 

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常常分散在多个平台中。Ultralytics Platform通过一系列内置功能解决了所有这些复杂问题。 

Ultralytics Platform 主要功能概述

那么，让我们深入了解 Ultralytics Platform 的一些关键功能，它们有助于简化这些挑战和整个视觉AI工作流程：

• 智能数据标注: 内置标注工具通过由 Segment Anything Model (SAM) 驱动的智能标注和简化标注工作流程的键盘快捷键等功能，帮助团队更快地标注数据集。
• 集成模型训练：开发者可以直接在平台内训练预训练模型，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种不同的格式，或通过共享推理服务和专用端点部署到全球43个区域。
• 内置监控：该平台提供仪表板，帮助团队在一个地方跟踪实验结果、系统性能和部署健康状况。

从原始数据到部署，尽在Ultralytics Platform

随着您对Ultralytics Platform的深入了解，您可能会好奇它的实际操作是怎样的。为了更好地理解，我们来看一个简单的示例。

设想为生产线构建一个视觉检测系统。目标是自动识别在生产过程中移动的损坏或有缺陷的产品。

该过程通常从收集视觉数据开始。使用 Ultralytics 新的计算机视觉平台，您可以上传生产线产品的图像或视频，并将它们组织成数据集，用于训练缺陷detect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5种detect任务中直接在图像上标记缺陷。智能标注（由SAM提供支持）以及内置的姿势估计骨架模板（允许一键放置关键点）等功能背后的创新，极大地简化了原本需要数小时的工作流程。

数据集准备就绪后，您可以进行模型训练。该平台允许您使用已标注数据训练计算机视觉模型，例如 Ultralytics YOLO models。在训练过程中，您可以从一个仪表板监控性能指标、跟踪实验并随着时间推移优化模型，以提高系统性能。

训练完成后，下一步是测试和验证。您可以在平台内直接对新图像运行预测，以检查系统detect缺陷的效果，并识别可能需要进一步改进的领域。

最后，当系统表现良好时，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，使其能够在真实世界环境中运行。

通过支持此流程的每个步骤，Ultralytics Platform使从原始视觉数据到能够在生产线上自动detect缺陷的计算机视觉应用程序的转换变得更加容易。

您可以使用Ultralytics平台构建的视觉AI驱动用例

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。这在从医疗保健到汽车行业的各个行业中都适用，而Ultralytics Platform正是为支持这种多功能性而构建的。

该平台原生支持 Ultralytics YOLO26 等最先进模型以及一系列 计算机视觉任务，包括目标检测、图像分类、实例分割、姿势估计和旋转框检测（OBB）。由于这种灵活性，开发者可以为许多需要分析图像或视频的不同场景构建应用程序。

例如，团队可以创建用于海洋环境中实时水下监测、医学和生物研究中的细胞计数、偏远生态系统中track野生动物、为自动驾驶车辆提供感知系统以及引导机器人在复杂环境中导航的系统。而这仅仅是计算机视觉潜力的冰山一角。

为何Ultralytics平台是视觉AI的未来

随着计算机视觉得到更广泛应用，使视觉AI开发更易于访问变得日益重要。许多开发人员和组织希望试验视觉数据并构建AI应用程序，但传统的开发设置可能使其难以入门。

Ultralytics Platform 通过提供一个让开发者能够快速开始使用计算机视觉技术的环境，帮助降低这些障碍。团队无需花费时间搭建基础设施或集成不同工具，而是可以专注于构思实验和构建实际应用。

这种可访问性为更广泛的开发者、研究人员和组织探索视觉AI打开了大门。因此，更多的团队能够将视觉数据转化为有意义的洞察，并创建解决实际问题的应用程序。

随着视觉AI在各行业持续扩展，我们相信Ultralytics Platform将使开发更易于上手，并在塑造计算机视觉的未来中发挥关键作用。

开始使用Ultralytics Platform

立即开始使用Ultralytics平台构建计算机视觉项目。您可以通过免费计划探索该平台，该计划包括用于云训练的注册积分，以及用于管理数据集、标注图像、训练模型和部署应用程序的核心工具。

随着您的项目增长，您可以通过提供更多计算资源、存储、协作功能和部署能力的额外计划来扩展您的使用。该平台还对云训练和托管端点等服务采用基于积分的定价系统，使团队能够在透明地跟踪使用情况的同时运行实验和部署应用程序。

主要要点

图像处理和计算机视觉技术正在迅速从研究实验走向驱动日常科技的实际系统。Ultralytics 平台通过为开发者提供更简便的方式来构建、测试和部署视觉 AI 应用，从而加速了这一转变。减少了从构思到部署的障碍，新一代计算机视觉解决方案的构建速度将前所未有地加快。

加入我们的社区并探索GitHub 仓库，了解更多计算机视觉模型。在我们的解决方案页面阅读有关农业 AI 和机器人计算机视觉等应用。查看我们的许可选项，开始构建您自己的视觉 AI 模型。