Ultralytics YOLO-VLM

YOLO-VLMは、公式のUltralyticsロードマップで、効率的なビジョン・ランゲージパイプラインを実現する、軽量なYOLOフロントエンドと、より深い処理を担うLLMレイヤーの組み合わせとして発表された、リリース予定のUltralyticsモデルです。高速な視覚認識を言語モデルに接続します。

多くのビジョン・ランゲージモデルは大規模で、動画を継続的に処理するにはコストがかかります。一般に、高速なビジョンフロントエンドから、より深い言語レイヤーに処理を渡すように分割すると、認識のリアルタイム性を保ちつつ、価値がある場面に言語処理の計算リソースを割り当てられます。これが、Ultralyticsのロードマップで説明されているYOLO-VLMのパイプライン構成です。

一般に、ビジョン・ランゲージパイプラインを使うと、自然言語によるシーンの説明、視覚的な質問応答、動画内のオープンボキャブラリー検索、単に異常を検知するだけでなく何が起きたかを説明するアラートなどを実現できます。YOLO-VLMは、こうしたパイプラインの効率的なフロントエンドとして発表されています。

Ultralyticsは公式のロードマップでリリース時期を発表しており、リリース内容と時期に関する正式な情報源となります。リリースのお知らせを確認するには、ロードマップとGitHubのUltralyticsをフォローしてください。

リアルタイム認識レイヤーとして、まずUltralytics YOLO26を使いましょう。検出、セグメンテーション、姿勢推定、トラッキングに対応しています。今すぐUltralyticsのワークフローを基盤に構築したパイプラインは、YOLO-VLMのリリース後に言語レイヤーを追加できます。Ultralytics Platformで今すぐトレーニングとデプロイを行いましょう。