Ultralytics التكامل
Welcome to the Ultralytics Integrations page! This page provides an overview of our partnerships with various tools and platforms, designed to streamline your machine learning workflows, enhance dataset management, simplify model training, and facilitate efficient deployment.
شاهد: Ultralytics YOLO11 Deployment and Integrations
تكامل مجموعات البيانات
- Roboflowتسهيل الإدارة السلسة لمجموعة البيانات من أجل: Ultralytics النماذج، التي توفر إمكانات قوية للتعليقات التوضيحية والمعالجة المسبقة والزيادة.
تكامل التدريب
Amazon SageMaker: استفد من Amazon SageMaker للبناء والتدريب والنشر بكفاءة Ultralytics ، مما يوفر نظاما أساسيا متعدد الإمكانات لدورة حياة ML.
ClearMLأتمتة الخاص بك: Ultralytics مهام سير عمل التعلم الآلي، ومراقبة التجارب، وتعزيز تعاون الفريق.
Comet ML: عزز تطوير نموذجك باستخدام Ultralytics من خلال تتبع تجارب التعلم الآلي ومقارنتها وتحسينها.
DVC: تنفيذ التحكم في الإصدار ل Ultralytics مشاريع التعلم الآلي ومزامنة البيانات والتعليمات البرمجية والنماذج بشكل فعال.
Google كولاب: استخدم Google Colab لتدريب وتقييم نماذج Ultralytics في بيئة قائمة على السحابة تدعم التعاون والمشاركة.
IBM Watsonx: تعرف على كيفية قيام IBM Watsonx بتبسيط تدريب وتقييم نماذج Ultralytics من خلال أدوات الذكاء الاصطناعي المتطورة والتكامل السهل ونظام إدارة النماذج المتقدم.
JupyterLab: تعرف على كيفية استخدام بيئة JupyterLab التفاعلية والقابلة للتخصيص لتدريب وتقييم نماذج Ultralytics بسهولة وكفاءة.
Kaggle: استكشف كيف يمكنك استخدام Kaggle لتدريب وتقييم نماذج Ultralytics في بيئة قائمة على السحابة مع مكتبات مثبتة مسبقًا ودعم GPU ومجتمع نابض بالحياة للتعاون والمشاركة.
MLFlow: تبسيط دورة حياة ML بالكامل Ultralytics النماذج، من التجريب والتكرار إلى النشر.
Neptuneالاحتفاظ بسجل شامل لتجارب التعلم الآلي الخاصة بك مع: Ultralytics في مخزن بيانات التعريف هذا المصمم ل MLOps.
Paperspace Gradient: Paperspace Gradient simplifies working on YOLO11 projects by providing easy-to-use cloud tools for training, testing, and deploying your models quickly.
راي تون: تحسين المعلمات الفائقة الخاصة بك Ultralytics نماذج على أي نطاق.
TensorBoard: تصور الخاص بك Ultralytics مهام سير عمل التعلم الآلي، ومراقبة مقاييس النموذج، وتعزيز تعاون الفريق.
Ultralytics HUB: الوصول والمساهمة في مجتمع من المدربين مسبقا Ultralytics نماذج.
Weights & Biases (W &B): مراقبة التجارب وتصور المقاييس وتعزيز قابلية التكرار والتعاون في Ultralytics المشاريع.
تكامل النشر
CoreML: CoreML, developed by Apple, is a framework designed for efficiently integrating machine learning models into applications across iOS, macOS, watchOS, and tvOS, using Apple's hardware for effective and secure model deployment.
Gradio 🚀 NEW: نشر Ultralytics نماذج مع Gradio للعروض التوضيحية التفاعلية للكشف عن الكائنات في الوقت الفعلي.
NCNN: Developed by Tencent, NCNN is an efficient neural network inference framework tailored for mobile devices. It enables direct deployment of AI models into apps, optimizing performance across various mobile platforms.
Neural Magicالاستفادة من التدريب المدرك للتكميم (QAT) وتقنيات التقليم لتحسين Ultralytics نماذج لأداء فائق وحجم أصغر حجما.
ONNX: تنسيق مفتوح المصدر تم إنشاؤه بواسطة Microsoft لتيسير نقل نماذج الذكاء الاصطناعي بين مختلف الأطر، مما يعزز تنوع ومرونة نشر نماذج Ultralytics .
OpenVINO: Intel's toolkit for optimizing and deploying computer vision models efficiently across various Intel CPU and GPU platforms.
PaddlePaddleمنصة مفتوحة المصدر للتعلم العميق من Baidu، PaddlePaddle يتيح النشر الفعال لنماذج الذكاء الاصطناعي ويركز على قابلية تطوير التطبيقات الصناعية.
TF GraphDef: تم تطويره بواسطة GoogleGraphDef هو تنسيق TensorFlow لتمثيل الرسوم البيانية للحسابات، مما يتيح التنفيذ الأمثل لنماذج التعلم الآلي عبر أجهزة متنوعة.
TF SavedModel: Developed by Google, TF SavedModel is a universal serialization format for TensorFlow models, enabling easy sharing and deployment across a wide range of platforms, from servers to edge devices.
TF.js: تم تطويره بواسطة GoogleTF .js لتسهيل التعلم الآلي في المتصفحات و Node.js، يسمح .js بنشر نماذج التعلم الآلي القائمة على JavaScript.
TFLite: تم تطويره بواسطة GoogleTFLite، وهو إطار عمل خفيف الوزن لنشر نماذج التعلّم الآلي على الأجهزة المحمولة والأجهزة المتطورة، مما يضمن سرعة وكفاءة الاستدلال مع الحد الأدنى من بصمة الذاكرة.
TFLite Edge TPU: Developed by Google for optimizing TensorFlow Lite models on Edge TPUs, this model format ensures high-speed, efficient edge computing.
TensorRT: Developed by NVIDIA, this high-performance deep learning inference framework and model format optimizes AI models for accelerated speed and efficiency on NVIDIA GPUs, ensuring streamlined deployment.
TorchScriptوضعت كجزء من : PyTorch اطار TorchScript تمكين التنفيذ الفعال ونشر نماذج التعلم الآلي في بيئات الإنتاج المختلفة دون الحاجة إلى Python التبعيات.
VS Code: An extension for VS Code that provides code snippets for accelerating development workflows with Ultralytics and also for anyone looking for examples to help learn or get started with Ultralytics.
تنسيقات التصدير
ندعم أيضا مجموعة متنوعة من تنسيقات تصدير النماذج للنشر في بيئات مختلفة. فيما يلي التنسيقات المتاحة:
| تنسيق | format جدال | نموذج | البيانات الوصفية | الحجج |
|---|---|---|---|---|
| PyTorch | - | yolo11n.pt | ✅ | - |
| TorchScript | torchscript | yolo11n.torchscript | ✅ | imgsz, optimize, batch |
| ONNX | onnx | yolo11n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, batch |
| OpenVINO | openvino | yolo11n_openvino_model/ | ✅ | imgsz, half, int8, batch |
| TensorRT | engine | yolo11n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, batch |
| CoreML | coreml | yolo11n.mlpackage | ✅ | imgsz, half, int8, nms, batch |
| TF SavedModel | saved_model | yolo11n_saved_model/ | ✅ | imgsz, keras, int8, batch |
| TF GraphDef | pb | yolo11n.pb | ❌ | imgsz, batch |
| TF لايت | tflite | yolo11n.tflite | ✅ | imgsz, half, int8, batch |
| TF حافة TPU | edgetpu | yolo11n_edgetpu.tflite | ✅ | imgsz |
| TF.شبيبه | tfjs | yolo11n_web_model/ | ✅ | imgsz, half, int8, batch |
| PaddlePaddle | paddle | yolo11n_paddle_model/ | ✅ | imgsz, batch |
| NCNN | ncnn | yolo11n_ncnn_model/ | ✅ | imgsz, half, batch |
استكشف الروابط لمعرفة المزيد عن كل تكامل وكيفية تحقيق أقصى استفادة منها باستخدام Ultralytics. اطلع على كامل export التفاصيل في تصدير صفحة.
ساهم في عمليات التكامل لدينا
نحن متحمسون دائما لرؤية كيفية تكامل المجتمع Ultralytics YOLO مع التقنيات والأدوات والمنصات الأخرى! إذا كنت قد نجحت في الدمج YOLO مع نظام جديد أو لديك رؤى قيمة لمشاركتها، فكر في المساهمة في مستندات عمليات التكامل.
من خلال كتابة دليل أو برنامج تعليمي ، يمكنك المساعدة في توسيع وثائقنا وتقديم أمثلة واقعية تفيد المجتمع. إنها طريقة ممتازة للمساهمة في النظام البيئي المتنامي حولها Ultralytics YOLO.
للمساهمة ، يرجى مراجعة دليل المساهمة للحصول على إرشادات حول كيفية تقديم طلب سحب (PR). 🛠️ نحن ننتظر بفارغ الصبر مساهماتك!
دعونا نتعاون لجعل Ultralytics YOLO النظام البيئي أكثر اتساعا وغنية 🙏 بالميزات!
الأسئلة المتداولة
ما هو Ultralytics HUB، وكيف يعمل على تبسيط سير عمل تعلّم الآلة؟
Ultralytics HUB is a cloud-based platform designed to make machine learning (ML) workflows for Ultralytics models seamless and efficient. By using this tool, you can easily upload datasets, train models, perform real-time tracking, and deploy YOLO11 models without needing extensive coding skills. You can explore the key features on the Ultralytics HUB page and get started quickly with our Quickstart guide.
كيف يمكنني دمج نماذج Ultralytics YOLO مع Roboflow لإدارة مجموعة البيانات؟
يعمل دمج نماذج Ultralytics YOLO مع Roboflow على تحسين إدارة مجموعة البيانات من خلال توفير أدوات قوية للتعليق التوضيحي والمعالجة المسبقة والزيادة. للبدء، اتبع الخطوات الموجودة على Roboflow صفحة التكامل. تضمن هذه الشراكة التعامل الفعال مع مجموعة البيانات، وهو أمر بالغ الأهمية لتطوير نماذج YOLO دقيقة وقوية.
هل يمكنني تتبع أداء نماذج Ultralytics الخاصة بي باستخدام MLFlow؟
نعم، يمكنك ذلك. يسمح لك دمج MLFlow مع نماذج Ultralytics بتتبع التجارب، وتحسين قابلية التكرار، وتبسيط دورة حياة التعلم الآلي بأكملها. يمكن العثور على تعليمات مفصلة لإعداد هذا التكامل على صفحة تكامل MLFlow. يعد هذا التكامل مفيدًا بشكل خاص لمراقبة مقاييس النموذج وإدارة سير عمل التعلم الآلي بكفاءة.
What are the benefits of using Neural Magic for YOLO11 model optimization?
Neural Magic optimizes YOLO11 models by leveraging techniques like Quantization Aware Training (QAT) and pruning, resulting in highly efficient, smaller models that perform better on resource-limited hardware. Check out the Neural Magic integration page to learn how to implement these optimizations for superior performance and leaner models. This is especially beneficial for deployment on edge devices.
كيف يمكنني نشر نماذج Ultralytics YOLO مع غراديو للعروض التوضيحية التفاعلية؟
To deploy Ultralytics YOLO models with Gradio for interactive object detection demos, you can follow the steps outlined on the Gradio integration page. Gradio allows you to create easy-to-use web interfaces for real-time model inference, making it an excellent tool for showcasing your YOLO model's capabilities in a user-friendly format suitable for both developers and end-users.
من خلال معالجة هذه الأسئلة الشائعة، نهدف إلى تحسين تجربة المستخدم وتقديم رؤى قيمة حول القدرات القوية لمنتجات Ultralytics . لن يؤدي دمج هذه الأسئلة الشائعة إلى تحسين التوثيق فحسب، بل سيؤدي أيضًا إلى زيادة عدد الزيارات العضوية إلى الموقع الإلكتروني Ultralytics .
