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 系统的构建与部署。如今，我们赖以运作的许多系统都已由计算机视觉提供支持。计算机视觉是人工智能的一个领域，可让机器理解图像和视频，但构建此类解决方案一向十分复杂。

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意味着在开发过程中切换多种工具。团队可能会在一个平台上管理数据集和标注，在另一个平台上训练模型，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。

随着项目规模扩大，切换工具会拖慢开发进度并增加运维开销。团队往往把时间花在管理工作流、在工具之间迁移数据和配置基础设施上，而不是专注于改进模型和构建新的计算机视觉应用。

Ultralytics Platform 旨在简化并加快这一流程。它将标注、训练、验证、部署和监控整合到同一个环境中，用一个计算机视觉平台取代 AI 视觉技术栈中的多种工具，帮助团队更高效地构建和部署可扩展的视觉 AI 系统。

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

本文将介绍 Ultralytics Platform 如何用一个统一的计算机视觉平台取代多种工具。现在就开始吧！

计算机视觉开发中的多工具难题#

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，团队会在工作流的各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，之后这些素材将作为计算机视觉系统的训练数据。
• 标注工具：这些平台让开发者和数据团队能够标注图像中的目标、区域或关键点，以便系统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，使用已标注的数据集和深度学习模型训练计算机视觉系统，通常会使用基于 Python 的机器学习框架，例如 PyTorch 和 TensorFlow。
• 测试和推理工具：部署前，团队会在新图像或视频上运行模型，检查预测结果并评估系统的表现。
• 部署和监控工具：视觉 AI 解决方案准备好发布后，团队会借助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。团队最终会把时间花在不同平台之间迁移数据、维护集成和配置基础设施上，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？#

在深入介绍 Ultralytics Platform 的主要功能及其用途之前，我们先来了解一下端到端计算机视觉平台的含义。

简而言之，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平台。个人和团队无需依赖不同服务来完成开发流程的各个环节，而是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。

图 2. 在 Ultralytics Platform 上测试模型（来源）

这种方式让开发者更容易开展实验、改进系统并推进项目，而不必不断切换工具。

Ultralytics Platform 如何简化视觉 AI 工作流#

Ultralytics Platform 源于我们多年来与计算机视觉社区的密切合作。我们与构建视觉 AI 系统的开发者和团队交流时，反复听到一些常见挑战。

例如，数据标注是一个主要难题：大型数据集需要标注时，这项工作会耗费大量时间。另一个挑战出现在团队尝试将系统投入生产时，因为要在不同环境和硬件配置中部署应用，往往需要额外的工具。

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通常分散在多个平台上。Ultralytics Platform 通过一系列内置功能解决了这些难题。

Ultralytics Platform 主要功能概览#

下面我们来看看 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：内置标注工具可帮助团队更快地标注数据集，提供由分割一切模型 (SAM) 驱动的智能标注等功能，并支持使用键盘快捷键简化标注工作流。
• 集成式模型训练：开发者可以直接在平台上训练预训练模型，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，从而在将系统部署到生产环境前评估其表现。
• 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专用端点部署到全球 43 个区域。
• 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、系统性能和部署状态。

借助 Ultralytics Platform，从原始数据到部署#

随着你逐步了解 Ultralytics Platform，你可能会想知道实际使用体验如何。为了让你有更直观的认识，我们来看看一个简单示例。

假设你要为一条制造生产线构建视觉检测系统。目标是在生产过程中自动识别损坏或有缺陷的产品。

流程通常从收集视觉数据开始。借助 Ultralytics 全新的计算机视觉平台，你可以上传生产线产品的图像或视频，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。使用平台内置的手动或 AI 驱动标注工具，你可以直接在图像中标注缺陷，支持 5 种检测任务。由 SAM 驱动的智能标注等创新功能，以及内置的姿态骨架模板（可通过单击放置关键点），让原本需要数小时的工作流变得更加高效。

数据集准备就绪后，你可以开始训练模型。平台支持你使用已标注的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。你可以直接在平台上对新图像运行预测，检查系统检测缺陷的效果，并找出可能需要进一步改进的地方。

最后，系统表现良好后，就可以部署到生产环境。Ultralytics Platform 支持将模型导出为多种格式，也支持通过推理服务和端点部署，让模型能够在真实环境中运行。

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

Ultralytics Platform 支持这一流程中的每个步骤，让你更轻松地将原始视觉数据转化为可运行的计算机视觉应用，在生产线上自动检测缺陷。

使用 Ultralytics Platform 构建视觉 AI 应用场景#

在大多数能够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，各行各业皆是如此。Ultralytics Platform 的设计充分考虑了这种多样性。

平台原生支持 Ultralytics YOLO26 等先进模型，以及多种计算机视觉任务，包括目标检测、图像分类、实例分割、姿态估计和有向边界框 (OBB) 检测。得益于这种灵活性，开发者可以构建应用，分析各种场景中的图像或视频。

例如，团队可以构建系统，在海洋环境中开展实时水下监测、在医学和生物学研究中进行细胞计数、在偏远生态系统中追踪野生动物、为自动驾驶车辆提供感知系统，或引导机器人穿越复杂环境。这些只是计算机视觉众多可能性中的一小部分。

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 代表视觉 AI 的未来#

随着计算机视觉得到越来越广泛的应用，让更多人能够参与视觉 AI 开发变得愈发重要。许多开发者和组织希望利用视觉数据开展实验并构建 AI 应用，但传统开发环境可能会让入门变得困难。

Ultralytics Platform 提供了一个环境，让开发者能够快速开始使用计算机视觉技术，从而降低这些门槛。团队无需花时间搭建基础设施或集成不同工具，可以专注于探索创意并构建实用应用。

这种易用性让更多开发者、研究人员和组织有机会探索视觉 AI。因此，更多团队可以从视觉数据中提取有意义的洞见，并创建能够解决现实问题的应用。

随着视觉 AI 持续拓展到各行各业，我们相信 Ultralytics Platform 将让开发变得更加容易上手，并在塑造计算机视觉的未来方面发挥关键作用。

开始使用 Ultralytics Platform#

立即通过 Ultralytics Platform 开始构建计算机视觉项目。你可以通过免费套餐体验平台，其中包含用于云端训练的注册赠送额度，以及管理数据集、标注图像、训练模型和部署应用的核心工具。

随着项目规模扩大，你可以升级到其他套餐，获得更多计算资源、存储空间、协作功能和部署能力。平台还采用基于额度的定价模式，为云端训练和托管端点等服务计费，让团队能够运行实验并部署应用，同时透明地跟踪用量。

要点#

图像处理和计算机视觉技术正迅速从研究实验走向现实系统，为日常技术提供支持。Ultralytics Platform 为开发者提供了更简单的方式来构建、测试和部署视觉 AI 应用，帮助加快这一转变。随着创意落地和应用部署之间的障碍减少，新一代计算机视觉解决方案将能以前所未有的速度构建出来。

加入我们的社区，并浏览 GitHub 代码仓库，进一步了解计算机视觉模型。阅读我们的解决方案页面，了解农业中的 AI和机器人领域的计算机视觉等应用。查看我们的许可选项，开始构建你自己的视觉 AI 模型。