Ultralytics-Integrationen

Willkommen auf der Seite für Ultralytics-Integrationen! Diese Seite bietet einen Überblick über unsere Partnerschaften mit verschiedenen Tools und Plattformen, die dazu dienen, deine Machine Learning-Workflows zu optimieren, das Dataset-Management zu verbessern, das Modelltraining zu vereinfachen und eine effiziente Bereitstellung zu erleichtern.

Trainings-Integrationen

• Albumentations: Verbessere deine Ultralytics-Modelle mit leistungsstarken Bildaugmentierungen, um die Robustheit und Generalisierung der Modelle zu steigern.

• Amazon SageMaker: Nutze Amazon SageMaker, um Ultralytics-Modelle effizient zu erstellen, zu trainieren und bereitzustellen – eine All-in-One-Plattform für den gesamten ML-Lebenszyklus.

• ClearML: Automatisiere deine Ultralytics ML-Workflows, überwache Experimente und fördere die Zusammenarbeit im Team.

• Comet ML: Optimiere deine Modellentwicklung mit Ultralytics durch das Nachverfolgen, Vergleichen und Optimieren deiner Machine-Learning-Experimente.

• DVC: Implementiere eine Versionsverwaltung für deine Ultralytics Machine-Learning-Projekte und synchronisiere Daten, Code und Modelle effektiv.

• Google Colab: Nutze Google Colab, um Ultralytics-Modelle in einer cloudbasierten Umgebung zu trainieren und zu bewerten, die Zusammenarbeit und Austausch unterstützt.

• IBM Watsonx: Erfahre, wie IBM Watsonx das Training und die Bewertung von Ultralytics-Modellen mit seinen modernsten KI-Tools, müheloser Integration und einem fortschrittlichen Modellverwaltungssystem vereinfacht.

• JupyterLab: Finde heraus, wie du die interaktive und anpassbare Umgebung von JupyterLab nutzen kannst, um Ultralytics-Modelle einfach und effizient zu trainieren und zu bewerten.

• Kaggle: Entdecke, wie du Kaggle nutzen kannst, um Ultralytics-Modelle in einer cloudbasierten Umgebung mit vorinstallierten Bibliotheken, GPU-Unterstützung und einer lebendigen Community für Zusammenarbeit und Austausch zu trainieren und zu bewerten.

• Modal: Führe Ultralytics-Modelle auf der serverlosen Cloud-Plattform von Modal aus – mit automatischer GPU-Bereitstellung, sekundengenauer Abrechnung und nahtloser Skalierung für Inferenz- und Trainings-Workloads.

• MLFlow: Optimiere den gesamten ML-Lebenszyklus von Ultralytics-Modellen, von der Experimentierung und Reproduzierbarkeit bis hin zur Bereitstellung.

• Neptune: Führe ein umfassendes Protokoll deiner ML-Experimente mit Ultralytics in diesem Metadatenspeicher, der speziell für MLOps entwickelt wurde.

• Paperspace Gradient: Paperspace Gradient vereinfacht die Arbeit an YOLO26-Projekten durch leicht zu bedienende Cloud-Tools für schnelles Training, Testen und Bereitstellen deiner Modelle.

• Ray Tune: Optimiere die Hyperparameter deiner Ultralytics-Modelle in jeder Größenordnung.

• TensorBoard: Visualisiere deine Ultralytics ML-Workflows, überwache Modellmetriken und fördere die Zusammenarbeit im Team.

• Ultralytics Platform: Greife auf eine Community vortrainierter Ultralytics-Modelle zu und trage dazu bei.

• VS Code: Eine Erweiterung für VS Code, die Code-Snippets zur Beschleunigung von Ultralytics-Entwicklungs-Workflows bereitstellt und Beispiele bietet, die beim Lernen oder Einstieg helfen.

• Weights & Biases (W&B): Überwache Experimente, visualisiere Metriken und fördere die Reproduzierbarkeit und Zusammenarbeit bei Ultralytics-Projekten.

Bereitstellungs-Integrationen

• Axelera: Entdecke Metis-Beschleuniger und das Voyager SDK für die Ausführung von Ultralytics-Modellen mit effizienter Edge-Inferenz.

• CoreML: CoreML, entwickelt von Apple, ist ein Framework zur effizienten Integration von Machine-Learning-Modellen in Anwendungen auf iOS, macOS, watchOS und tvOS, das Apples Hardware für eine effektive und sichere Modellbereitstellung nutzt.

• DeepX: Exportiere Ultralytics YOLO-Modelle in das DeepX .dxnn-Format für energieeffiziente INT8-Inferenz auf DeepX NPU-Hardware, die auf eingebettete und Edge-KI-Anwendungen ausgerichtet ist.

• ExecuTorch: ExecuTorch wurde von Meta entwickelt und ist die einheitliche Lösung von PyTorch für die Bereitstellung von Ultralytics YOLO-Modellen auf Edge-Geräten.

• Gradio: Stelle Ultralytics-Modelle mit Gradio für interaktive Echtzeit-Demos zur Objekterkennung bereit.

• MNN: MNN wurde von Alibaba entwickelt und ist ein hocheffizientes und leichtgewichtiges Deep-Learning-Framework. Es unterstützt Inferenz und Training von Deep-Learning-Modellen und bietet branchenführende Leistung für On-Device-Inferenz und -Training.

• NCNN: NCNN wurde von Tencent entwickelt und ist ein effizientes neuronales Netzwerk-Inferenz-Framework, das speziell für mobile Geräte angepasst wurde. Es ermöglicht die direkte Bereitstellung von KI-Modellen in Apps und optimiert die Leistung über verschiedene mobile Plattformen hinweg.

• Neural Magic: Nutze Quantization Aware Training (QAT) und Pruning-Techniken, um Ultralytics-Modelle für überragende Leistung und eine schlankere Größe zu optimieren.

• ONNX: Ein von Microsoft entwickeltes Open-Source-Format zur Erleichterung der Übertragung von KI-Modellen zwischen verschiedenen Frameworks, wodurch die Vielseitigkeit und Bereitstellungsflexibilität von Ultralytics-Modellen erhöht wird.

• OpenVINO: Intels Toolkit zur effizienten Optimierung und Bereitstellung von Computer Vision-Modellen auf verschiedenen Intel CPU- und GPU-Plattformen.

• PaddlePaddle: PaddlePaddle ist eine Open-Source-Deep-Learning-Plattform von Baidu, die die effiziente Bereitstellung von KI-Modellen ermöglicht und sich auf die Skalierbarkeit industrieller Anwendungen konzentriert.

• Rockchip RKNN: RKNN wurde von Rockchip entwickelt und ist ein spezialisiertes Inferenz-Framework für neuronale Netzwerke, das für die Hardwareplattformen von Rockchip, insbesondere deren NPUs, optimiert ist. Es erleichtert die effiziente Bereitstellung von KI-Modellen auf Edge-Geräten und ermöglicht eine leistungsstarke Inferenz in Echtzeitanwendungen.

• Seeed Studio reCamera: Die von Seeed Studio entwickelte reCamera ist ein fortschrittliches Edge-KI-Gerät für Echtzeit-Computer-Vision-Anwendungen. Angetrieben vom RISC-V-basierten SG200X-Prozessor, liefert sie leistungsstarke KI-Inferenz bei hoher Energieeffizienz. Ihr modulares Design, die fortschrittlichen Videoverarbeitungsfunktionen und die Unterstützung für flexible Bereitstellung machen sie zu einer idealen Wahl für verschiedene Anwendungsfälle, darunter Sicherheitsüberwachung, Umweltanwendungen und Fertigung.

• SONY IMX500: Optimiere und implementiere Ultralytics YOLO26-Modelle auf Raspberry Pi AI Cameras mit dem IMX500-Sensor für schnelle, stromsparende Leistung.

• TensorRT: Dieses von NVIDIA entwickelte Hochleistungs-Inferenz-Framework für Deep Learning und Modellformat optimiert KI-Modelle für beschleunigte Geschwindigkeit und Effizienz auf NVIDIA-GPUs und sorgt so für eine optimierte Bereitstellung.

• TF GraphDef: GraphDef wurde von Google entwickelt und ist das TensorFlow-Format zur Darstellung von Berechnungsgraphen, was die optimierte Ausführung von Machine-Learning-Modellen auf verschiedener Hardware ermöglicht.

• TF SavedModel: TF SavedModel wurde von Google entwickelt und ist ein universelles Serialisierungsformat für TensorFlow-Modelle, das eine einfache Freigabe und Bereitstellung auf einer Vielzahl von Plattformen ermöglicht, von Servern bis hin zu Edge-Geräten.

• TF.js: TF.js wurde von Google entwickelt, um Machine Learning in Browsern und Node.js zu erleichtern, und ermöglicht die JavaScript-basierte Bereitstellung von ML-Modellen.

• TFLite: TFLite wurde von Google entwickelt und ist ein leichtgewichtiges Framework für die Bereitstellung von Machine-Learning-Modellen auf mobilen Geräten und Edge-Geräten, das eine schnelle, effiziente Inferenz mit minimalem Speicherbedarf gewährleistet.

• TFLite Edge TPU: Dieses Modellformat wurde von Google zur Optimierung von TensorFlow Lite-Modellen auf Edge TPUs entwickelt und sorgt für ein schnelles, effizientes Edge Computing.

• TorchScript: TorchScript wurde als Teil des PyTorch-Frameworks entwickelt und ermöglicht die effiziente Ausführung und Bereitstellung von Machine-Learning-Modellen in verschiedenen Produktionsumgebungen, ohne dass Python-Abhängigkeiten erforderlich sind.

Dataset-Integrationen

• Roboflow: Erleichtere die Dataset-Beschriftung und -Verwaltung für Ultralytics-Modelle und nutze Annotation-Tools zum Beschriften von Bildern.

Exportformate

Wir unterstützen zudem eine Vielzahl von Modell-Exportformaten für die Bereitstellung in verschiedenen Umgebungen. Hier sind die verfügbaren Formate:

Erkunde die Links, um mehr über die einzelnen Integrationen zu erfahren und zu lernen, wie du mit Ultralytics das Beste aus ihnen herausholst. Vollständige export-Details findest du auf der Export-Seite.

Trage zu unseren Integrationen bei

Wir sind immer begeistert zu sehen, wie die Community Ultralytics YOLO in andere Technologien, Tools und Plattformen integriert! Wenn du YOLO erfolgreich in ein neues System integriert hast oder wertvolle Erkenntnisse teilen möchtest, ziehe in Betracht, zu unserer Integrationsdokumentation beizutragen.

Durch das Schreiben eines Leitfadens oder Tutorials kannst du dazu beitragen, unsere Dokumentation zu erweitern und Praxisbeispiele zu liefern, von denen die Community profitiert. Es ist eine hervorragende Möglichkeit, zum wachsenden Ökosystem rund um Ultralytics YOLO beizutragen.

Um beizutragen, sieh dir bitte unseren Contributing Guide für Anweisungen zum Einreichen eines Pull Requests (PR) 🛠️ an. Wir erwarten deine Beiträge mit Spannung!

Lass uns gemeinsam daran arbeiten, das Ultralytics YOLO-Ökosystem umfassender und funktionsreicher zu gestalten 🙏!

FAQ

Was ist die Ultralytics Platform und wie optimiert sie den ML-Workflow?

Ultralytics Platform ist eine cloudbasierte Plattform, die entwickelt wurde, um Machine-Learning-Workflows für Ultralytics-Modelle nahtlos und effizient zu gestalten. Durch die Nutzung dieses Tools kannst du Datensätze einfach hochladen, Modelle trainieren, Echtzeit-Tracking durchführen und YOLO-Modelle bereitstellen, ohne über umfangreiche Programmierkenntnisse verfügen zu müssen. Die Plattform dient als zentraler Arbeitsbereich, in dem du deine gesamte ML-Pipeline von der Datenaufbereitung bis zur Bereitstellung verwalten kannst. Du kannst die wichtigsten Funktionen auf der Seite Ultralytics Platform erkunden und mit unserem Quickstart-Leitfaden schnell loslegen.

Kann ich die Leistung meiner Ultralytics-Modelle mit MLFlow verfolgen?

Ja, das kannst du. Die Integration von MLFlow mit Ultralytics-Modellen ermöglicht es dir, Experimente nachzuverfolgen, die Reproduzierbarkeit zu verbessern und den gesamten ML-Lebenszyklus zu optimieren. Detaillierte Anweisungen zur Einrichtung dieser Integration findest du auf der Seite zur MLFlow-Integration. Diese Integration ist besonders nützlich, um Modellmetriken zu überwachen, verschiedene Trainingsläufe zu vergleichen und den ML-Workflow effizient zu verwalten. MLFlow bietet eine zentrale Plattform zum Protokollieren von Parametern, Metriken und Artefakten, was es einfacher macht, das Modellverhalten zu verstehen und datengestützte Verbesserungen vorzunehmen.

Welche Vorteile bietet die Verwendung von Neural Magic zur Optimierung von YOLO26-Modellen?

Neural Magic optimiert YOLO26-Modelle durch den Einsatz von Techniken wie Quantization Aware Training (QAT) und Pruning. Das Ergebnis sind hocheffiziente, kleinere Modelle, die auf Hardware mit begrenzten Ressourcen eine bessere Leistung erbringen. Besuche die Neural Magic-Integrationsseite, um zu erfahren, wie du diese Optimierungen für überragende Leistung und schlankere Modelle umsetzen kannst. Dies ist besonders vorteilhaft für die Bereitstellung auf Edge-Geräten, bei denen die Rechenressourcen begrenzt sind. Die DeepSparse-Engine von Neural Magic kann auf CPUs eine bis zu 6-mal schnellere Inferenz liefern, was den Betrieb komplexer Modelle ohne spezialisierte Hardware ermöglicht.

Wie stelle ich Ultralytics YOLO-Modelle mit Gradio für interaktive Demos bereit?

Um Ultralytics YOLO-Modelle mit Gradio für interaktive Objekterkennung-Demos bereitzustellen, kannst du den Schritten folgen, die auf der Seite zur Gradio-Integration beschrieben sind. Gradio ermöglicht dir das Erstellen benutzerfreundlicher Web-Oberflächen für die Modell-Inferenz in Echtzeit. Dies macht es zu einem hervorragenden Tool, um die Fähigkeiten deines YOLO-Modells in einem benutzerfreundlichen Format zu präsentieren, das sowohl für Entwickler als auch für Endbenutzer geeignet ist. Mit nur wenigen Zeilen Code kannst du interaktive Anwendungen erstellen, die die Leistung deines Modells bei benutzerdefinierten Eingaben demonstrieren und so das Verständnis und die Bewertung deiner Computer-Vision-Lösungen erleichtern.