通过在边缘设备上微调 Ultralytics YOLO 模型，Scaleout 让数据留在原地、支持离线运行，并在数小时而非数周内交付新的检测模型。
机器学习模型的训练通常假设你可以将所有数据汇集到一个地方，发送到云端，然后部署一个训练完成的模型。但在许多现实场景中，这一假设并不成立。在国防、工业和受监管环境中，数据可能因隐私法规、安全分级或高昂的带宽成本而必须留在原地，而连接这些位置的网络也并不总是可信。
Scaleout 正是为这些场景构建基础设施的。其平台 Scaleout Edge 使用联邦学习，将模型训练带到数据所在的位置，而不是将数据移动到模型所在的位置。对于计算机视觉项目，Scaleout 在 Vision Ground Node 上定制训练和微调 Ultralytics YOLO models。Vision Ground Node 是部署在每个站点、由 GPU 加速的边缘工作站，因此检测能力可以在现场持续提升，同时敏感图像始终不会离开设备。
将机器学习带到数据所在的位置#
Scaleout 于 2018 年由乌普萨拉大学从事大规模分布式系统研究的学者创立，旨在让机器学习能够应用于无法集中数据的场景。其重点是那些难以或无法将数据汇集到一个地方的环境，而联邦学习正是实现这一目标的核心机制。
联邦学习 将训练分布到众多设备上，然后把各设备的模型更新汇总到中央控制平面，由其聚合生成新的全局模型。每台设备都能受益于对自身本地环境的理解，而整个设备集群则能受益于集体智能。数据留在应在的位置，只有模型学到的内容会被传输。
Scaleout 的业务覆盖国防、工业、交通运输及其他受监管行业，包括 NATO DIANA 加速器计划以及与 BAE Systems 的合作项目。在所有这些场景中，模式都是相同的：数据无法移动，但模型仍需要持续改进。
边缘机器学习的复杂性#
下面详细介绍 Scaleout 在现场训练模型时面临的限制：
-
硬件受限： 现场部署没有数据中心服务器，只有小型低功耗设备，例如无人机上的计算机。在这些设备上运行训练完成的模型是可行的，但重新训练模型需要多得多的计算资源。
-
数据锁定在设备上： 重新训练所需的录像通常属于专有数据，无法发送到中央服务器，因此模型必须从始终不离开边缘的数据中学习。
-
现场没有专业人员： 在现场采集数据的操作人员很少是机器学习工程师，因此重新训练不能依赖现场具备数据科学专业知识。
-
条件持续变化： 现场环境变化迅速，因此模型必须持续更新，而不能依赖缓慢、定期进行的重新训练周期。
在边缘设备上微调 Ultralytics YOLO 模型#
为应对这些限制，Scaleout 构建了一套完全在现场运行的训练流程，并以 Ultralytics YOLO 模型为核心。
在每个站点，一台 Vision Ground Node 与无人机集群并列部署。Vision Ground Node 是一台具备独立计算和存储能力、由 GPU 加速的边缘工作站。无人机采集录像后，该节点会选择最有价值的帧，由操作人员为其添加标签，然后在本地硬件上微调 YOLO 模型。
经过几个训练周期后，只有更新后的模型会被发送回控制平面，原始录像始终不会被发送。这套流程通过 Scaleout 的视觉模块交付，该模块是 Scaleout Edge 平台的扩展，将计算机视觉项目所需的工具整合为一个软件包。
它整合了帧选择、标注、训练和部署，并由 Ultralytics YOLO 负责检测，让团队可以基于可运行的基础快速构建，而无需自行组装这些部分。
Scaleout 首先在 NATO DIANA 加速器计划中应用了这一方法，使用 YOLOv8 在现场采集的数据上微调检测模型。由于专有数据无法通过现场网络传输或集中处理，团队将微调过程去中心化，让模型在本地从新样本中学习。
这套流程也是为操作人员而非数据科学家设计的。系统会引导非专业人员检查并标注重要帧，让现场人员能够自行持续改进模型。
配套工具也体现了这一点，包括用于标注的开源版本 Label Studio、用于接入无人机视频流的流媒体服务器，以及用于微调的 Ultralytics Python package。所有工具都运行在相应硬件上，硬件范围从 NVIDIA Jetson 模块到坚固耐用的现场设备或笔记本电脑，具体取决于部署场景。
为什么选择 Ultralytics YOLO 模型？#
对 Scaleout 而言，Ultralytics YOLO 最大的优势在于模型足够轻量，这使得在连接质量较差的网络上进行联邦训练成为可能。Scaleout 不传输原始数据，而只传输模型更新。其最常用的模型 Ultralytics YOLOv8 nano 大小约为 10.7 MB，因此即使带宽有限，完整更新也只是一个很小的数据包。
Ultralytics Python package 还为 Scaleout 的工程师提供了在不同硬件上训练和部署的灵活性。紧凑的 YOLOv8 nano 模型可以在资源受限的边缘设备上稳定运行，而软件包的导出选项支持在 Scaleout 所使用的不同环境中进行部署。由于模型易于微调，团队可以随着现场条件变化快速迭代。
Ultralytics YOLO 帮助 Scaleout 更快更新模型#
借助 Ultralytics YOLO，最繁重的工作都留在设备上完成。训练使用数百 GB 的现场录像，但实际传输的只是一个约 10 MB 的模型。这使需要移动的数据量大约减少了十倍，也正是这一点让联邦训练能够在这些部署所依赖的有限网络上运行。
这种方法还改变了改进后的模型返回现场的速度。原本可能需要数周或数月的流程——收集数据、将数据发送到中央位置、重新训练并重新部署——在边缘运行后可以缩短到数天甚至数小时。
这一点在 Scaleout 的无人机业务中体现得最为明显。在国防侦察场景中，无人机按照搜索路线飞行，并使用机载 Ultralytics YOLO 模型实时检测、识别和定位感兴趣的目标，所有处理都在无人机自身的计算机上完成，而无需将数据发送出去分析。
无人机采集新录像后，数据会被送入 Vision Ground Node，由 YOLO 使用新帧进行微调，然后将更新后的模型推送回现场，整个过程都不会让录像离开站点。检测模型必须跟上快速变化的条件以及无法移动的数据，而在本地重新训练的模型能够持续在现场发挥作用，不会像静态的集中式训练模型那样逐渐落后。
图 1。Scaleout 和 Ultralytics YOLO 为 AI 无人机提供动力的示例（来源）
同样的模式也适用于远超无人机的场景。在能源站点和远程设施等工业环境中，每个位置的数据都很敏感，而该平台能够在多个站点之间改进检测模型，同时不让任何原始数据跨越设施边界。无论数据位于无人机上还是固定设施中，Scaleout 都让录像留在原地，只传输模型学到的内容。
为数据无法移动的环境构建自适应 AI#
随着 Scaleout 不断发展，它继续将基于联邦学习和边缘计算的计算机视觉扩展到更多场景和硬件。其预构建模块旨在将数月的集成工作压缩到数天内，让客户可以使用自己的硬件，并采用自适应学习流程，而无需重新构建底层机器学习代码。
以 Ultralytics YOLO 为检测流程的核心，Scaleout 让 AI 能够在传统方法难以奏效的环境中进行训练和改进：让数据留在原地，在网络故障时仍能保持运行，并将边缘设备集群转变为一个能够整体持续学习的系统。
准备好探索视觉 AI 能为你带来什么了吗？前往我们的 GitHub repository，了解 YOLO 模型如何改变制造业中的 AI和机器人中的计算机视觉等领域。查看我们的许可选项，开启更智能自动化之旅。
