Читаєш цю статтю зі смартфона або ноутбука? Але ж твої гаджети здатні не тільки показувати літери на екрані. Разом із кавоваркою, яка варить еспресо, або фітнес-трекером на руці, вони можуть утворити інтернет речей. Якщо це, звичайно, розумна кавоварка. Саме інтернет речей дозволяє завести авто під час сніданку або включити робот-пилосос зі смартфону, сидячи в офісі.
Інтернет речей (Internet of things, IoT) – концепція, яка дозволяє фізичним речам, підключеним до інтернету, взаємодіяти одна з одною, або із зовнішнім світом, частково або повністю без людини.
“Речі” достоту означають будь-які предмети, які під’єднуються до інтернету й один до одного. Це може бути що завгодно: зубна щітка, смартфон, фітнес-браслет, лампочка, дверний замок, кросівки або двигун машини. У кожного з цих пристроїв є ідентифікаційний номер. Об’єкти підключаються за допомогою дротового або бездротового зв’язку. Незалежно від підходу, інтернет речей дозволяє переміщувати дані (та керувати процесами) як зі спальні в кухню, так і з США в Україну. Мета IoT – вимір, збір та аналіз даних для кращого обслуговування клієнтів і поліпшення якості продукції.
Для реалізації IoT потрібна екосистема: гаджети з датчиками; мережа доступу та передачі інформації; платформи для управління мережею, пристроями й додатками.
Для передачі даних є кілька стандартів:
Стандарт eMTC (enhanced Machine-Type Communication) розгортається на основі мобільних мереж LTE, а EC-GSM-IoT (Extended Coverage – GSM – Internet of Things) працює поверх мережі GSM. Але найпопулярніший – стандарт NB-IoT (Narrowband IoT). Він може бути розгорнутий, як в мережах GSM або LTE, так і окремою мережею.
Всі IoT-проекти поділяються на дві групи: масові (Massive MTC) і критичні (Critical MTC). У кожного типу власні завдання, у кожного з них власні вимоги до мережі.
Масові IoT-проекти – це, наприклад, розумні будинки, лічильники, рішення для відстеження вантажоперевезень або сільського господарства. Це передача невеликої кількості даних від великої кількості сенсорів. Якщо одного разу з якої-небудь причини інформацію з лічильника не отримали – нічого критичного, дані оновляться під час наступного сеансу передачі. Для масових проектів потрібно, щоби пристрої були дешевими та споживали мало енергії. Частково такі проекти можуть бути реалізовані на основі GSM-мереж, але більшість з них побудовано на основі інфраструктури LTE.
У критичної машинної комунікації інші запити – низька затримка передачі сигналу (менш ніж 5 мілісекунд) та висока надійність мережі. Від роботи мережі залежить безпека і навіть життя користувача. Це можуть бути автопілотні автомобілі, віддалена хірургія або управління промисловим обладнанням. Ці рішення поки існують у вигляді прототипів або тестових зразків, для їх реалізації потрібні мережі наступного покоління – 5G.
Кожен з трьох етапів – вимір, збір і аналіз – має своє середовище та обмеження. На кожному етапі розробки може бути своя мова програмування для IoT.
Згідно з останнім опитуванням Фонду Eclipse, розробники використовують кілька мов програмування для IoT: C, C ++, Java, JavaScript, Python та PHP.
Найкращі три мови програмування для IoT:
С – ідеальна мова для низькорівневого коду (тобто коду, близького до апаратного рівня), вона не вимагає великої обчислювальної потужності та здатна безпосередньо працювати з оперативною пам’яттю.
C також користуються при програмуванні мікроконтролерів, що робить її простою для застосунків на рівні датчиків та шлюзів. Проте, через низький рівень, її синтаксис може стати заплутаним.
А що із Java? Для додатків IoT за допомогою віртуальної машини Java (JVM) код може бути передано на будь-який чіп. Код можна використовувати там, де поширені JVM, наприклад, зі смартфонами й серверами. Та ще – на маленьких комп’ютерах, що робить її ідеальною для IoT.
Python почала свій шлях як мова сценаріїв високого рівня. У неї багато бібліотек і вона може виконувати більше роботи з меншою кількістю рядків коду. Вона ідеально підходить для аналізу даних в системах IoT.
Вихідний код компактний і читабельний, оскільки синтаксис чистий. Python проста в освоєнні, вона поширена у використанні та має надійну підтримку. Відмінний вибір для управління та організації складних потоків даних без необхідності підтримувати однаково складні кодові бази. Python стає поширеною для простих модульних проектів, в яких обчислювальні потреби варіюються від помірних до низьких.
Скрізь, де потрібно спостерігати за станом об’єктів або збирати великі дані для подальшого аналізу.
Розумні міста: датчики на громадському транспорті, контроль за рівнем води в водоймах, датчики шуму та забруднення, сміттєві баки із датчиками заповнюваності (як у Нідерландах). Це робить міста зручнішими та безпечнішими. А збір великих даних на основі датчиків допомагає місцевій владі краще розуміти потреби міста і жителів. Наприклад, в Барселоні міський трафік регулюють розумні світлофори – в пріоритеті зелене світло для громадського транспорту і служб порятунку в разі надзвичайних ситуацій.
Розумний транспорт: з появою розумних міст автомобілі теж під’єднаються до інтернету. Вони самостійно оцінять ситуацію на дорозі. Або напишуть повідомлення, якщо палива не вистачає на дорогу до роботи, сідає акумулятор або підскочить тиск в шинах. В ідеалі – тебе відвезе на роботу автопілотний автомобіль.
Розумні будинки: приїхати одразу в теплий будинок, увімкнувши обігрів за допомогою смартфону? Так, це плюси розумного будинку. Кавоварка, яка знає, коли ти прокидаєшся і варить каву хвилину за хвилину. Розумні лічильники самостійно фіксують, скільки енергії було витрачено в цьому місяці – не потрібно знімати показання та вовтузитися з папірцями. Розумні ліфти сповіщають про несправності, а холодильник повідомляє на смартфон, що закінчилися продукти.
Магазини без касирів, віртуальна і доповнена реальність, камери відеоспостереження з розпізнаванням облич в метро – це теж інтернет речей. Технологія iBeacon від Apple змінює процес покупок. Продавець відстежує маршрут покупця та збирає дані про моделі поведінки. Це допомагає визначити, чи потрібно давати знижку і якщо так, то на скільки відсотків. Всі дані від тисяч покупців, допоможуть продавцеві вдосконалити свій магазин. Наприклад, змінити розташування товарів на полицях, що призведе до зростання продажів.
Зараз не вистачає стандартизації. Це може стати проблемою, якщо купувати розумні пристрої несистемно. Поки що вони погано сумісні між собою. Щоб використовувати IoT на повну, необхідно 5G. Мережі п’ятого покоління дозволять знизити затримки, одночасно підтримувати величезну кількість підключень, продовжити строк служби розумних пристроїв до 10 років. Особливість 5G в тому, що в межах однієї мережі вона об’єднає всі програми та пристрої. Це досягається завдяки “сегментації” мережі на фрагменти, кожен з яких призначений для певних потреб.
Інтернет речей змінить наш світ. З’єднання всіх речей за допомогою датчиків та хмарних обчислень відкриє двері наступній промисловій революції.Чим більше ми будемо користуватися інтернетом речей, тим більше буде даних про продуктивність, проблеми та можливості продукту.
Аналіз даних дасть чіткіше уявлення про те, яка мова програмування найкраще підходить для конкретного сценарію розвитку IoT. До того часу розробка програмного забезпечення IoT залишатиметься багатомовною.
Для того, щоб реалізовувати потенціал інтернету речей потрібна тісна співпраця бізнесу, телеком-операторів, уряду і користувачів. Розвиток ринку залежить від багатьох факторів, але учасникам процесу доведеться змінюватися набагато швидше, ніж це відбувається сьогодні. Ймовірно, скоро ми будемо оточені сотнями розумних роботів і пристроїв.
Головне – пам’ятати, що IoT повинен служити одній з цих ідей: підвищувати ефективність, покращувати здоров’я і безпеку або покращувати роботу наших міст, будинків і підприємств.

Коли світло зникає посеред заняття або на весь вечір, вчитися стає набагато складніше. Через атаки на енергетику під'єднатися до уроку чи зробити домашнє інколи просто неможливо. Це виснажує, і здається, що навчання стоїть на місці.
У Beetroot Academy ми не чекаємо від учасників ідеальної присутності в умовах, на які вони не впливають. Ми підлаштовуємо навчальний процес під реальні обставини. У цьому гайді є практичні кроки, щоб підготуватися до відключень, і пояснення, як ми підтримуємо тебе, коли світла немає.
Передбачити блекаут не вийде, але кілька кроків заздалегідь допоможуть не випасти з ритму навчання.
Техніку варто підготувати до планових відключень заздалегідь, і почати з інтернету.
Без стабільного інтернету навчатися в блекаут майже неможливо. Але його часто можна зберегти навіть без світла, якщо підготуватися заздалегідь.
Оптоволокно (GPON) працює, якщо живлення є у твого обладнання
Оптоволоконний інтернет найстабільніший під час відключень. Такі мережі часто лишаються активними, навіть коли мікрорайон знеструмлений, бо оптика не залежить від локальних електромереж. Але щоб інтернет працював у тебе вдома, роутер і ONU-модем мають отримувати живлення (про це нижче).
Як підключити оптоволокно, якщо його ще немає
Якщо в тебе мідний кабель чи інший тип підключення, перед сезоном відключень варто перейти на оптику.
Це одноразова послуга, після якої інтернет у блекаути стає помітно стабільнішим.
Що уточнити у провайдера перед сезоном відключень
Відповіді покажуть, на скільки годин інтернет у тебе гарантовано буде, навіть коли світла немає.
Комплект «ONU + роутер» зазвичай споживає 10–20 Вт. Щоб оцінити, скільки протримається будь-яке джерело живлення, поділи його ємність у Вт·год на споживання у Вт. Наприклад, джерело на 60 Вт·год живитиме комплект на 12 Вт приблизно 4–5 годин (з урахуванням втрат на перетворення).
Варіант А: міні-ДБЖ (UPS) для інтернету
Це невелика коробочка, яка живить роутер і оптичний модем, коли в будинку зникає світло.
ДБЖ легко підключити, і налаштовувати його не треба.
Як підключити міні-ДБЖ до роутера та ONU
Варіант Б: роутер і ONU від павербанка
Це найдешевший та відносно легший спосіб.
Переваги:
Перед покупкою дізнайся, яка напруга потрібна твоєму роутеру й модему (найчастіше 9В або 12В).
Варіант В: мобільний інтернет як запасний план
Підходить як резерв. Але під час блекаутів мережі перевантажені, і швидкість падає.
Міні-ДБЖ для інтернету
USB-кабелі для живлення роутера / ONU від павербанка
Нагадуємо про нашу реферальну програму: учасники й випускники Beetroot Academy отримують сертифікат Rozetka на 2000 грн за рекомендацію наших освітніх програм. Його можна витратити й на техніку для блекаутів. А людина, яка прийде за твоєю рекомендацією, отримає знижку на навчання.
Під час тривалих відключень пристрої треба якомога довше тримати зарядженими. Корисно також мати запасні джерела живлення.
З телефона можна подзвонити, роздати інтернет на ноутбук, зайти в LMS і під'єднатися до заняття.
Планшет споживає більше за телефон, але значно менше за ноутбук. Підходить для перегляду записів, читання матеріалів і частини домашніх завдань.
Щоб ноутбук працював довше:
Зарядна станція на 150–300 Вт·год дає ноутбуку 2–6 годин роботи. Якщо ноутбук підтримує USB-C PD, заряджай через нього — так менше витрачається заряду станції.
Павербанки для смартфонів і планшетів
Павербанки для ноутбуків (з Power Delivery)
Зарядні станції
У темряві не повчишся, та й ходити квартирою небезпечно. Краще мати кілька джерел світла, яким не потрібна електромережа.
Світильники та ліхтарі на акумуляторах: добірка на Rozetka.
Аварійні відключення трапляються раптово. Для нас це звична ситуація, і ми ставимося до цього з розумінням. Ось простий алгоритм, що варто робити в таких випадках.
Писати в ту ж секунду не потрібно. Достатньо коротко повідомити менеджера, щойно буде змога: він/вона знає, що робити далі, і допоможе з пропущеним: записом, новим дедлайном чи консультацією.
Якщо хочеш, попередь і групу в чаті: «У нас аварійне відключення, не вийшло продовжити заняття. Перегляну запис і підготую питання на наступну зустріч».
За блекаути ти не відповідаєш. Ми це розуміємо й не чекаємо стабільності там, де її об'єктивно неможливо забезпечити.
Напиши викладачу в Slack або на пошту. Викладачі відповідають на питання й пояснюють моменти, які ти пропустив/-ла через відключення. Просити про це нормально.
Вчитися під час блекаутів важче й нервовіше. Тому ми будуємо освітній процес так, щоб його можна було продовжити навіть тоді, коли світла немає кілька днів поспіль.
Пиши їм у месенджер, яким тобі зручно користуватися: вони допоможуть із пропущеним заняттям, дедлайном чи доступом до матеріалів. Нам важливо знати причину твоєї відсутності, аби допомогти тобі. Тому не замовчуй, якщо проблеми зі світлом та звʼязком заважають тобі навчатися.
Викладачі не вимагають увімкненої камери й стовідсоткової присутності на заняттях. Якщо зв'язок слабкий, вимкни відео: так з'єднання протримається довше.
Якщо ти пропустив/-ла урок або не зміг/-ла повернутися після відключення, переглянь запис у LMS, коли буде світло, і пройди матеріал у своєму темпі. Записи лишаються з тобою й після завершення навчання.
Якщо інтернет нестабільний, менеджер може завантажити запис і надіслати тобі файлом. Так його можна подивитися на своєму пристрої без підключення.
За потреби дедлайн можна посунути. Напиши викладачу або менеджеру, щойно розумієш, що не встигаєш, і ви домовитеся про новий термін. Ніхто не вимагає здати завдання тоді, коли це фізично неможливо.
Викладачі можуть відкрити групі матеріали в LMS заздалегідь, щоб ти опрацював/-ла їх тоді, коли є світло й інтернет. Варто попросити їх про це, якщо це допоможе тобі краще готуватися. Радимо одразу завантажувати їх на пристрій.
Зазвичай вистачає питання в чаті: викладачі відповідають і пояснюють ще раз. Якщо ж через відключення ти пропустив/-ла кілька занять поспіль або застряг/-ла на складній темі, викладач може провести індивідуальну консультацію.
Ми окремо говоримо з викладачами про гнучкість у складні періоди. Тому після пропуску через відключення ви просто домовитеся про наступний крок, без претензій до тебе.
На старті навчання менеджер надішле список усіх каналів, якими можна повідомити про відсутність чи труднощі. Збережи його там, де він буде під рукою без інтернету.
Учасники діляться лайфхаками, підказують одне одному пропущений матеріал і разом шукають рішення, коли важко. Ця взаємна підтримка важить для навчання не менше, ніж сама програма.
Головне: дай нам знати. Поки ти не напишеш, ми не дізнаємося про твою ситуацію — а отже, і не допоможемо. А коли напишеш, разом вирішимо, що робити далі.
Блекаути ламають графік, але навчання можна продовжувати: вчитися, коли є світло, і в темпі, який зараз дозволяють обставини.
Від тебе потрібна регулярність, наскільки вона зараз можлива. Записи, гнучкі дедлайни й підтримку менеджерів та викладачів, ми беремо на себе.

Edge AI означає, що нейромережа працює прямо на пристрої поруч із камерою або датчиком, без відправки даних у хмару. Для комп'ютерного зору найпоширеніші платформи тут Raspberry Pi з прискорювачем AI HAT+ і NVIDIA Jetson. Щоб модель запрацювала на них швидко, її експортують у формат під конкретне залізо, найчастіше через ONNX, і стискають квантизацією.
Нижче про те, як обрати плату, як виглядає шлях моделі від ноутбука до пристрою і де найчастіше губиться продуктивність.
Чотири причини, через які інференс переносять з хмари на edge:
Платиш за це жорсткими обмеженнями. Пам'яті мало, енергії мало, плата гріється, а модель, яка на серверній GPU видавала десятки кадрів на секунду, на пристрої може сповільнитися в рази.
Джерела: Tom's Hardware про AI HAT+, огляд AI HAT+ 2 і Jetson, Tom's Hardware про Jetson Orin Nano Super. Девкіт Jetson Orin Nano Super на старті продажів коштував $249, версія AI HAT+ на 26 TOPS коштувала $110.
Не порівнюй плати лише за TOPS. Цифри рахують за різної точності (INT8 чи INT4) і не враховують пам'ять, підтримку операцій моделі й те, наскільки легко її сконвертувати. Плата з меншими TOPS, але зі зрілим інструментарієм для твоєї моделі, на практиці може виявитися швидшою.
Практичне правило: Raspberry Pi з HAT підходить, коли модель стандартна (YOLO, класифікатор) і потрібна одна камера. Jetson варто брати, коли модель нестандартна, потоків кілька або команда вже працює з CUDA. У вакансіях CV Engineer українських defence-компаній за 2026 рік саме Jetson згадується найчастіше.
Під час навчання ваги моделі зберігаються як 32-бітні числа з плаваючою комою. Квантизація переводить їх у 16-бітний формат або 8-бітні цілі числа. Модель стає в кілька разів меншою, а прискорювачі, які спеціально оптимізовані під INT8, обробляють її значно швидше.
Платиш за це точністю. Для FP16 вона зазвичай майже непомітна. Для INT8 залежить від моделі й даних, тому при конвертації використовують калібрування: показують моделі кілька сотень репрезентативних зображень, щоб підібрати діапазони значень. Калібрувати треба на кадрах з цільової камери: випадкові фото з інтернету дадуть хибні діапазони.
Модель часто швидша за пайплайн навколо неї. Типові вузькі місця:
Edge AI стоїть на перетині двох світів. ML-спеціаліст знає, як натренувати модель, але часто не відчуває обмежень пам'яті, енергії та реального часу. Embedded-інженер ці обмеження знає, але не працював з нейромережами. Людей, які розуміють обидві сторони, на ринку мало, і вакансії CV Engineer це відображають: оптимізація під Jetson, ONNX і TensorRT, розуміння latency та FPS стоять у вимогах поруч із PyTorch.
Якщо ти з embedded, детальніше про перехід ми написали в статті як embedded- або backend-розробнику перейти в computer vision.
У освітній програмі Computer Vision окреме заняття присвячене Edge AI: бенчмарк моделі, експорт в ONNX, інференс через onnxruntime і квантизація FP32 → FP16 → INT8 з оглядом Jetson, Raspberry Pi та NPU. Базу роботи з мікроконтролерами й реальним часом дає Embedded Development.

У I кварталі 2026 року оборонні компанії опублікували на DOU 3005 вакансій, і 496 з них стосувалися hardware. Це на 175 більше, ніж кварталом раніше, а попит на embedded за той самий час зріс ще на 44 позиції (аналітика DOU). У Frontline Robotics, яка за 2025 рік відкрила 300 вакансій, кажуть, що саме hardware- та embedded-ролі зараз закривати найважче.
Далі про те, хто такий embedded developer, чому цих людей бракує, скільки їм платять і як у цю роль приходять інженери з інших напрямів.
Embedded developer пише програмне забезпечення, яке працює всередині пристрою: на мікроконтролері польотного контролера, у модулі зв'язку, в блоці керування двигуном. Його код напряму керує залізом, вкладається в кілобайти пам'яті й реагує на події за мілісекунди. Результат такої роботи можна взяти в руки.
На практиці embedded-інженер читає datasheet на мікросхему, запускає плату після виробництва, пише драйвери периферії, налагоджує обмін по шинах і шукає причину збою з осцилографом. Частина дня минає за ноутбуком. Решта за столом із платою, щупами й паяльником, і саме ця частина відрізняє роль від звичної розробки.
Причин кілька, і вони накладаються одна на одну.
Ринок вузький від початку. Head of Talent Acquisition Frontline Robotics Аліна Богульська в коментарі DOU називає головну причину прямо: «це дуже вузький ринок». Людей із таким досвідом в Україні загалом небагато, а запит на них росте щокварталу.
Компанії масштабуються швидше, ніж з'являються інженери. Frontline Robotics планує у 2026 році знайти ще 100–200 спеціалістів. Infozahyst говорив про до 150 нових вакансій в R&D. У Vyriy серед найпотрібніших теж називають hardware-інженерів і embedded-розробників.
Поріг входу вищий, ніж у вебі. Потрібні одночасно C/C++, уміння читати схеми й розуміння того, як поводиться фізичний пристрій. Помилку в прошивці не завжди виправиш патчем: якщо партія плат уже зібрана, вона коштує часу, грошей і компонентів.
Досвід з вебу переноситься частково. Backend-розробник із сильним C++ швидко звикає до мови, але вперше стикається з перериваннями, таймінгами й пам'яттю, якої завжди мало. Тому Senior у вебі зазвичай приходить в embedded на нижчий грейд і росте вже там.
Набір технологій у вакансіях повторюється з невеликими варіаціями:
В оборонних і dual-use продуктах до цього додаються вимоги до надійності. Watchdog, обробка відмов, поведінка при просіданні живлення: те, що в навчальному проєкті можна пропустити, у реальному пристрої перевіряють першим.
За опитуванням DOU, медіанна зарплата розробника в DefTech становить $2850. Це на $480 менше, ніж в ІТ загалом. У Senior-розробників медіана $3800, що на $700 нижче за ІТ.
Для початківців картина краща: у DefTech джуни найчастіше працюють саме embedded- і backend-розробниками, і DOU окремо називає сферу сприятливою для Junior Embedded. Верхня межа теж є. Під час ярмарку «Арсенал талантів» у Vyriy говорили, що розробники плат можуть отримувати до $12 000.
Тобто на старті зарплата в оборонці зазвичай нижча за ІТ. Перевага в конкуренції: на deftech-вакансію в середньому відгукується 9 кандидатів, а на front-end позицію в ІТ їх буває 86.
Спільне для всіх п'яти груп одне: є половина потрібних навичок, і другу половину складно добрати уривками з YouTube.
Arduino підходить, щоб зрозуміти, чи цікаво тобі працювати із залізом. Для вакансії цього мало: роботодавці чекають досвіду з реальними мікроконтролерами та RTOS.
Освітня програма Embedded Development у Beetroot Academy триває 5 місяців із заняттями тричі на тиждень і розрахована на спеціалістів із технічною базою. Для ветеранів із технічним досвідом Frontline Robotics покриває одне місце на програмі щомісяця. Інші програми напряму зібрані на сторінці Defence & Dual-use.

Щоб навчити YOLO на своїх даних, потрібні чотири речі: кілька сотень розмічених зображень, файл конфігурації датасету, готова модель як стартова точка і кілька рядків коду на Python. Ultralytics зводить саме тренування до однієї команди. Решта роботи, і вона важливіша, полягає в даних і в аналізі помилок.
Нижче повний цикл на прикладі детектора дефектів на деталях: від розмітки до експорту моделі в ONNX.
YOLO (You Only Look Once) є сімейством детекторів, які за один прохід по зображенню знаходять усі об'єкти й видають рамку, клас і впевненість для кожного. Модель швидка, має готові ваги для старту і бібліотеку, де тренування, валідація й експорт викликаються однаково.
Актуальна версія від Ultralytics називається YOLO26 і офіційно випущена 14 січня 2026 року. За даними Ultralytics, модель видає фінальні передбачення без окремого кроку NMS, у неї прибрали DFL для простішого експорту, а версія nano працює на CPU до 43% швидше за YOLO11. Підтримуються класифікація, детекція, сегментація, оцінка пози, повернуті рамки й трекінг.
Про ліцензію. Ultralytics поширює модель під AGPL-3.0 для навчання й open-source проєктів. Для використання в комерційному продукті потрібна Enterprise-ліцензія. Перевір це до того, як закладати YOLO в архітектуру продукту.
Для першої ітерації вистачить 300–500 зображень на клас, якщо об'єкти помітні й умови зйомки схожі на реальні. Важливіше за кількість різноманіття: різне освітлення, ракурси, фон, частково перекриті об'єкти.
Розмічати зручно в Roboflow або CVAT. Обидва вміють експортувати у формат YOLO, де кожному зображенню відповідає текстовий файл із рядком на кожен об'єкт:
0 0.512 0.430 0.120 0.085Перше число означає клас, далі йдуть координати центру рамки, її ширина й висота. Усі значення нормалізовані від 0 до 1 відносно розміру зображення.
Структура папок:
datasets/defects/
images/train/ images/val/
labels/train/ labels/val/path: datasets/defects
train: images/train
val: images/val
names:
0: scratch
1: chipВалідаційна вибірка має бути незалежною від тренувальної. Якщо ти нарізав кадри з одного відео, не клади сусідні кадри в різні вибірки: вони майже ідентичні, і метрики вийдуть завищеними. Діли за відео або за днями зйомки.
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # стартові ваги, версія nano
model.train(data="data.yaml", epochs=100, imgsz=640)
metrics = model.val()
Те саме з термінала:
pip install ultralytics
yolo detect train data=data.yaml model=yolo26n.pt epochs=100 imgsz=640
Тренувати можна в Google Colab на безкоштовному GPU. Невеликий датасет на кілька сотень зображень навчається за десятки хвилин.
Який розмір моделі обрати. YOLO26 має версії nano, small, medium, large та extra large. Починай з nano або small: вони швидко тренуються і показують, чи є в даних сигнал. Більша модель має сенс, коли ти вже вичерпав можливості даних, а пристрій, на якому працюватиме детектор, витримає навантаження.
Одна цифра нічого не каже без контексту задачі. Детектору дефектів на лінії важливіший recall: пропущений брак коштує дорожче, ніж зайва перевірка. Системі сповіщень у застосунку важливіша precision, бо хибні тривоги користувач швидко вимкне.
Після тренування Ultralytics зберігає графіки й confusion matrix у папці runs. Подивись, які класи модель плутає, і відкрий самі зображення з помилками. Цифри покажуть, що щось не так, а картинки покажуть, що саме.
Найчастіші причини слабких результатів:
Ітерація виглядає так: знайти помилки, зрозуміти причину, змінити дані, перетренувати, порівняти метрики. Дві-три таких ітерації зазвичай дають більше, ніж перехід на більшу модель.
model.export(format="onnx")
ONNX є універсальним форматом, який запускається через onnxruntime на CPU, а також конвертується в TensorRT для Jetson чи в інші формати для прискорювачів. YOLO26 офіційно експортується в ONNX, TensorRT, CoreML та OpenVINO. Як запускати модель на пристрої й навіщо квантизація, ми розібрали в статті Edge AI на Raspberry Pi і Jetson.
У освітній програмі Computer Vision fine-tuning YOLO26 на власному датасеті займає центральну частину курсу: розмітка в Roboflow, тренування, аналіз помилок, друга ітерація й експорт в ONNX. Базові поняття комп'ютерного зору зібрані в окремому гайді.