← Blog
AI11 min czytania

Ultralytics YOLO — detekcja, segmentacja i pose estimation

Trzy linijki kodu i masz działającą detekcję obiektów — dlatego YOLO jest domyślną odpowiedzią w tej dziedzinie. Licencja AGPL-3.0 zmienia jednak to, co wolno na tym zbudować, i tę część trzeba przemyśleć przed pierwszym wierszem kodu, nie po.

Są w oprogramowaniu narzędzia, które wygrały tak dawno, że przestaliśmy je porównywać. Gdy w projekcie pojawia się potrzeba „rozpoznaj obiekty na zdjęciu albo na obrazie z kamery", odpowiedź brzmi YOLO i dyskusja się kończy. Trzy linijki w Pythonie, gotowy model, działa.

Ta łatwość ma jednak drugą stronę, którą łatwo przeoczyć w euforii pierwszego uruchomienia. Ultralytics YOLO jest wydane na licencji AGPL-3.0, a to licencja, która zmienia nie sposób użycia biblioteki, ale zakres tego, co wolno na niej zbudować i sprzedać. Dla firmy jest to pytanie pierwsze, nie ostatnie — i dlatego poświęcę mu tu najwięcej miejsca.

Zacznę jednak od tego, co ten projekt naprawdę potrafi, bo jest to imponujące.

Stan projektu

ultralytics/ultralytics ma 61 475 gwiazdek i 11 746 forków. Ale liczba, która robi na mnie największe wrażenie, jest inna: 74 otwarte zgłoszenia. Siedemdziesiąt cztery, przy jedenastu tysiącach forków i statusie domyślnego narzędzia w całej dziedzinie. Ktoś tę kolejkę realnie prowadzi.

Tempo wydań jest ekstremalne — praktycznie jedno dziennie. Wersja 8.4.146 trafiła do repozytorium pakietów 9 września 2026, a przed nią 8.4.145 tego samego dnia, 8.4.144 dzień wcześniej i tak dalej. To nie są wydania większe, ale ciągły strumień poprawek. Wrócę do tego w pułapkach, bo ma to konsekwencję praktyczną.

Wymagany Python to 3.8 lub nowszy — próg zaskakująco niski, co dla firm ze starszym środowiskiem jest dobrą wiadomością.

Siedem zadań, nie jedno

Nazwa kojarzy się z detekcją obiektów i tak zaczynała, ale dzisiejszy zakres jest znacznie szerszy. Modele obsługują:

  • Detekcję obiektów — klasyczne ramki wokół rozpoznanych rzeczy.
  • Segmentację instancji — dokładne obrysy każdego obiektu osobno.
  • Segmentację semantyczną — przypisanie klasy każdemu pikselowi.
  • Szacowanie głębi — odległość od kamery, ze zwykłego obrazu.
  • Klasyfikację obrazów.
  • Szacowanie pozy — punkty charakterystyczne ciała albo obiektu.
  • Detekcję zorientowaną — ramki obrócone, nieosiowe. Kluczowe wszędzie, gdzie obiekty leżą pod kątem: zdjęcia lotnicze, kontrola jakości na taśmie, dokumenty.

Do tego dochodzi śledzenie obiektów między klatkami nagrania, czyli warstwa, która z detekcji na pojedynczym obrazie robi narzędzie do analizy wideo.

Szacowanie głębi i segmentacja semantyczna to zadania, których w tej rodzinie modeli długo nie było, a które otwierają zupełnie inne zastosowania niż liczenie obiektów. Warto o nich wiedzieć, zanim zacznie się szukać osobnej biblioteki.

YOLO26 i tryb bez dogrywki

Bieżąca generacja modeli to YOLO26, obok wciąż wspieranych YOLO11 i YOLOv8. Rozpiętość rozmiarów jest szeroka i pozwala dobrać model do sprzętu, a nie odwrotnie.

Najmniejszy wariant ma 2,4 miliona parametrów i osiąga 40,9 punktu miary dokładności na zbiorze odniesienia, przy 1,7 milisekundy na karcie klasy serwerowej i około 39 milisekund na procesorze. Największy dochodzi do 57,5 punktu, ale kosztuje 55,7 miliona parametrów i prawie dwanaście milisekund na tej samej karcie. Między nimi są trzy stopnie pośrednie.

Praktyczny wniosek z tych liczb: najmniejszy model działa na procesorze w tempie zbliżonym do rzeczywistego. Dla wielu zastosowań firmowych — liczenie osób, kontrola obecności elementu na taśmie, odczyt stanu urządzenia z obrazu kamery — oznacza to, że nie potrzebujesz karty graficznej ani chmury. Wystarczy zwykły serwer albo mały komputer przy linii.

Najciekawsza techniczna zmiana jest jednak ukryta w tabeli wyników jako dodatkowa kolumna: obok zwykłej dokładności podana jest dokładność w trybie „od końca do końca". Chodzi o wnioskowanie bez osobnego kroku wygaszania niemaksymalnych wyników — tej klasycznej dogrywki, która po sieci neuronowej usuwa nadmiarowe, nachodzące na siebie ramki.

Dlaczego to ważne przy wdrożeniu? Bo ten krok tradycyjnie żyje poza modelem, w kodzie w Pythonie. Trzeba go przenieść na docelową platformę, zaimplementować w innym języku albo dołożyć do grafu ręcznie, a jego czas wykonania zależy od liczby wykrytych obiektów — czyli opóźnienie skacze wtedy, gdy scena jest zatłoczona. Tryb bez dogrywki daje jeden graf do wyeksportowania i przewidywalny czas odpowiedzi. Kosztuje przy tym mniej niż punkt dokładności: 40,1 wobec 40,9 w najmniejszym wariancie. Przy wdrożeniu na urządzeniu brzegowym to zamiana bardzo opłacalna.

AGPL-3.0, czyli sedno sprawy

Teraz część, którą trzeba przeczytać przed napisaniem pierwszej linijki, a nie po pokazaniu prototypu zarządowi.

Projekt oferuje wprost dwie licencje. Pierwsza to AGPL-3.0 — licencja zatwierdzona przez Open Source Initiative, opisana w pliku README jako odpowiednia dla studentów, badaczy i pasjonatów. Druga to komercyjna licencja korporacyjna, której opis mówi, że umożliwia integrację oprogramowania i modeli z produktami i usługami firmy, w tym z narzędziami wewnętrznymi, zautomatyzowanymi procesami i wdrożeniami produkcyjnymi, obchodząc wymagania licencji otwartej.

Co AGPL wymaga w praktyce? W skrócie: jest to licencja typu copyleft, więc dzieła oparte na tym kodzie muszą być udostępniane na tej samej licencji. Jej cechą wyróżniającą — i powodem, dla którego istnieje — jest klauzula sieciowa: jeśli użytkownicy korzystają z twojej zmodyfikowanej wersji przez sieć, masz obowiązek udostępnić im odpowiadający kod źródłowy. Zwykła licencja GPL wymaga tego przy rozprowadzaniu programu; AGPL zamyka lukę polegającą na tym, że usługi sieciowej się nie rozprowadza.

Dla firmy budującej usługę oznacza to sytuację prostą do zrozumienia i niewygodną: API rozpoznające obrazy, wystawione klientom, jest dokładnie tym przypadkiem, na który klauzula sieciowa została napisana. Nie chodzi tu o interpretacyjną szarą strefę, ale o zastosowanie wzorcowe.

Do tego dochodzi pytanie o wagi modeli i o dostrojenie na własnych danych, które w praktyce jest pytaniem najczęstszym. Wytrenowanie modelu na swoim zbiorze zdjęć przy użyciu tego kodu i tych wag wyjściowych rodzi pytanie o status wyniku — i jest to pytanie, na które nie odpowiem w tekście na blogu, bo odpowiedź zależy od szczegółów konkretnego wdrożenia.

Zwracam natomiast uwagę na jedną rzecz, którą wychwyciłem w opisie licencji korporacyjnej i którą uważam za istotną: wymienia ona wśród swoich zastosowań narzędzia wewnętrzne. To szersze ujęcie niż to, co wynika z samego tekstu AGPL, gdzie obowiązki wiążą się z rozprowadzaniem oprogramowania i z udostępnianiem go użytkownikom przez sieć — a narzędzie używane wyłącznie przez pracowników wewnątrz firmy nie musi żadnego z tych warunków spełniać. Mamy więc do czynienia z sytuacją, w której ujęcie wydawcy jest szersze niż litera licencji.

Nie zarzucam nikomu złej woli — wydawca ma prawo opisywać własną ofertę tak, jak uważa, a AGPL bywa przedmiotem sporów interpretacyjnych od lat. Mówię natomiast wprost, co z tego wynika dla decyzji: przy wdrożeniu komercyjnym trzeba przeczytać oba dokumenty i skonsultować to z prawnikiem, a nie zakładać, że „to open source, więc można". Trzy typowe scenariusze wyglądają tak:

  • Badania, nauka, prototyp bez udostępniania — AGPL nie stwarza tu problemu i po to została wybrana.
  • Usługa sieciowa dla klientów — zastosowanie wzorcowe klauzuli sieciowej. Albo otwierasz kod, albo kupujesz licencję.
  • Narzędzie wyłącznie wewnętrzne — tu litera licencji i opis oferty wydawcy się rozchodzą. Właśnie ten przypadek warto rozstrzygnąć na piśmie, zanim projekt wejdzie do produkcji.

Telemetria włączona domyślnie

Osobny temat, o którym mało kto wie, a który przy narzędziu przetwarzającym obrazy w firmie wypada sprawdzić. Projekt ma na to osobny dokument i opisuje sprawę uczciwie, więc przytaczam konkrety.

Pakiet domyślnie wysyła anonimowe statystyki użycia do usługi analitycznej. Zbierane są: informacje o tym, jak często i w jaki sposób pakiet jest używany, jakie argumenty wiersza poleceń są podawane, ogólne dane o środowisku obliczeniowym oraz dane o wydajności podczas trenowania i wnioskowania.

Co równie ważne, dokumentacja stwierdza wprost dwie rzeczy uspokajające. Pierwsza: obrazy nie są zbierane, przetwarzane ani oglądane — ani treningowe, ani te podawane do wnioskowania. Druga: raportowanie awarii do zewnętrznej usługi uruchamia się tylko wtedy, gdy odpowiednia biblioteka jest już w systemie zainstalowana; nie jest ona zależnością pakietu i nie zostanie dociągnięta sama.

Wyłączenie jest proste: wystarczy ustawić sync=False w ustawieniach biblioteki i żadne dane nie opuszczają maszyny. Zalecam wpisać to do listy kontrolnej wdrożenia — nie dlatego, że dzieje się coś niepokojącego, ale dlatego, że przy audycie łatwiej wykazać świadomą decyzję niż tłumaczyć domyślne zachowanie, o którym się nie wiedziało.

Jedna rzecz w zależnościach

Przy okazji przeglądania konfiguracji pakietu odnotowałem coś, co warto wiedzieć. Lista zależności obowiązkowych jest krótka i rozsądna — biblioteka do obliczeń numerycznych, PyTorch, OpenCV, kilka narzędzi pomocniczych — ale zawiera także klienta komercyjnej platformy wydawcy, dociągany obowiązkowo na Pythonie 3.11 i nowszym.

Nie jest to zależność opcjonalna i nie wynika z niej samo z siebie żadne wysyłanie danych — to biblioteka, nie usługa. Ale w środowisku, w którym każda zależność przechodzi przegląd, jej obecność będzie pytaniem, i lepiej odpowiedzieć na nie z góry niż tłumaczyć się przy audycie łańcucha dostaw.

Doceniam natomiast szczegół, który mówi dobrze o utrzymaniu: w tej samej liście widać wykluczenia konkretnych, wadliwych wersji zależności — z komentarzem i odnośnikiem do zgłoszenia przy każdym. Zamiast czekać, aż użytkownicy sami trafią na awarię, autorzy wypisali problematyczne wydania po numerze. To poziom staranności, którego się przy dużych projektach nie spodziewam.

Pułapki w jednym miejscu

  • AGPL-3.0 z klauzulą sieciową. Usługa wystawiona klientom przez sieć to wzorcowe zastosowanie tej klauzuli — albo otwierasz kod, albo kupujesz licencję.
  • Opis licencji korporacyjnej obejmuje narzędzia wewnętrzne, co jest ujęciem szerszym niż litera AGPL. Ten przypadek rozstrzygnij z prawnikiem i na piśmie.
  • Status modelu dostrojonego na własnych danych to pytanie osobne od statusu kodu. Zadaj je wcześnie.
  • Telemetria jest włączona domyślnie. Wyłącza ją jedno ustawienie; obrazy nie są wysyłane, ale argumenty wiersza poleceń tak.
  • Prawie codzienne wydania oznaczają, że instalacja bez przypięcia wersji da za tydzień inny kod. Przypnij dokładną wersję i aktualizuj świadomie.
  • Klient platformy komercyjnej jest zależnością obowiązkową na nowszych wersjach Pythona.
  • Tryb bez dogrywki kosztuje trochę dokładności — mniej niż punkt, ale przy wymagającym zastosowaniu warto zmierzyć oba warianty na własnych danych.
  • Zakres zadań jest szerszy, niż sugeruje nazwa. Zanim dołożysz osobną bibliotekę do segmentacji semantycznej albo szacowania głębi, sprawdź, czy nie masz tego już w pakiecie.

Podsumowanie

Ultralytics YOLO jest narzędziem, które trudno pominąć, i technicznie zasługuje na swoją pozycję. Rzecz, którą warto wynieść z tego wpisu, jest inna: to nie decyzja techniczna, ale licencyjna — i podejmowana raz, na początku, bo później kosztuje przepisanie projektu.

  • Siedem rodzajów zadań w jednym pakiecie, w tym szacowanie głębi i detekcja zorientowana.
  • Najmniejszy model działa na procesorze w tempie zbliżonym do rzeczywistego — bez karty graficznej i bez chmury.
  • Tryb bez dogrywki daje jeden graf do eksportu i przewidywalne opóźnienie, za mniej niż punkt dokładności.
  • 74 otwarte zgłoszenia przy jedenastu tysiącach forków.
  • Telemetria opisana konkretnie i wyłączana jednym ustawieniem, z jawnym zapewnieniem, że obrazy nie wychodzą.
  • Wykluczenia wadliwych wersji zależności wypisane po numerze, z uzasadnieniem.

O licencji na koniec, bo zasługuje na osobne zdanie. AGPL-3.0 jest licencją w pełni otwartą, zatwierdzoną przez Open Source Initiative, i nie ma w jej wyborze nic podstępnego — to świadoma decyzja, by udostępnić pełną funkcjonalność bezpłatnie każdemu, kto gotów jest odwzajemnić się otwartością, a od pozostałych pobierać opłatę. Model uczciwy i coraz częstszy.

Ale trzeba wiedzieć, co się bierze. AGPL to najsilniejszy copyleft w powszechnym użyciu i część firm ma politykę wykluczającą go z produktów całkowicie. Jeśli twoja firma taką politykę ma, dowiedz się o tym w tygodniu pierwszym, nie w miesiącu szóstym. A jeśli nie ma, to wybór jest przyjemnie prosty: albo otwierasz kod swojej usługi i płacisz zero, albo płacisz za licencję i nie otwierasz nic. Gorsza od obu tych dróg jest tylko trzecia, na której wielu wciąż stoi — założenie, że skoro instalacja zajęła jedno polecenie, to sprawa jest załatwiona.