Ultralytics-Integrationen#

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

Trainings-Integrationen#

• Agent Skills: Bring KI-Coding-Agenten wie Claude Code, Codex, Cursor und Gemini CLI den vollständigen Ultralytics YOLO-Workflow mit offiziellen Skills für Datensätze, Training, Inferenz und Export bei.

• Albumentations: Erweitere deine Ultralytics-Modelle mit leistungsstarken Bildaugmentationen, um die Robustheit und Generalisierung der Modelle zu verbessern.

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

• AMD: Trainiere, validiere und führe Ultralytics-Modelle auf unterstützten AMD-GPUs mit PyTorch ROCm aus, mit einer klaren Auflüsselung der Verfügbarkeit von MIGraphX, DirectML und Ryzen AI NPU.

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

• Comet ML: Verbessere deine Modellentwicklung mit Ultralytics, indem du deine Machine-Learning-Experimente verfolgst, vergleichst und optimierst.

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

• Google Colab: Verwende Google Colab, um Ultralytics-Modelle in einer Cloud-basierten Umgebung zu trainieren und zu evaluieren, die Zusammenarbeit und Teilen unterstützt.

• IBM Watsonx: Erfahre, wie IBM Watsonx das Training und die Evaluierung von Ultralytics-Modellen durch seine bahnbrechenden KI-Tools, die mühelose Integration und ein fortschrittliches 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 evaluieren.

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

• 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.

• Paperspace Gradient: Paperspace Gradient vereinfacht die Arbeit an YOLO26-Projekten, indem es benutzerfreundliche Cloud-Tools zum schnellen Trainieren, Testen und Bereitstellen deiner Modelle bereitstellt.

• Ray Tune: Optimiere die Hyperparameter deiner Ultralytics-Modelle in beliebiger Skalierung.

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

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

• VS Code: Eine Erweiterung für VS Code, die Code-Snippets zur Beschleunigung der Ultralytics-Entwicklungsworkflows bereitstellt und Beispiele bietet, um den Einstieg oder das Lernen zu erleichtern.

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

• YAML2ModelGraph: Generiere direkt aus Ultralytics YOLO YAML-Konfigurationsdateien veröffentlichungsfertige SVG-Architekturdiagramme.

Bereitstellungs-Integrationen#

• Ambarella: Trainiere, komprimiere und exportiere Ultralytics YOLO-Modelle für Ambarella CVflow®-SoCs wie den CV72 unter Verwendung des SpongeTorch compression-aware trainings und der Offline-CVflow-Toolchain.

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

• Core AI: Erfahre mehr über das neue .aimodel-Format von Apple, wie sich Core AI im Vergleich zu Core ML schlägt, welche aktuellen Einschränkungen es gibt und wie du YOLO26-Modelle mit format="coreai" für die iOS 27- und macOS 27-Generation exportierst.

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

• DEEPX: Exportiere Ultralytics YOLO-Modelle in das DEEPX-Format .dxnn für energieeffiziente INT8-Inferenz auf DEEPX-NPU-Hardware, mit Fokus auf eingebettete und Edge-KI-Anwendungen.

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

• Gradio: Stelle Ultralytics-Modelle mit Gradio für interaktive Objekterkennungs-Demos in Echtzeit bereit.

• Hailo: Exportiere Ultralytics YOLO-Modelle für Detektion, Segmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Pose und OBB direkt nach Hailo HEF; im Integrationshandbuch findest du validierte Modelle und Ziele.

• Huawei Ascend: Kompiliere Ultralytics YOLO-Modelle mit dem CANN ATC-Compiler in das Huawei Ascend-Offlineformat .om für FP16-Inferenz auf Atlas- und OrangePi AIPro-Geräten.

• MNN: Entwickelt von Alibaba, ist MNN ein hocheffizientes und leichtgewichtistiges Deep-Learning-Framework. Es unterstützt Inferenz und Training von Deep-Learning-Modellen und bietet branchenführende Leistung für Inferenz und Training direkt auf dem Gerät.

• NCNN: Entwickelt von Tencent, ist NCNN ein effizientes neural network-Inferenz-Framework, das auf mobile Geräte zugeschnitten ist. 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 überlegene 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: Als Open-Source-Deep-Learning-Platform von Baidu ermöglicht PaddlePaddle die effiziente Bereitstellung von KI-Modellen mit Fokus auf die Skalierbarkeit von Industrieanwendungen.

• Qualcomm QNN: Kompiliere Ultralytics YOLO-Modelle lokal in das QNN-Kontext-Binärformat (AI Engine Direct) mit dem QNN Execution Provider der ONNX Runtime für beschleunigte Inferenz auf Snapdragon-CPU-, Adreno-GPU- und Hexagon-NPU-Hardware in Mobil- und Edge-Geräten.

• Rockchip RKNN: Entwickelt von Rockchip, ist RKNN ein spezialisiertes neuronales Netzwerk-Inferenz-Framework, 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 bietet sie leistungsstarke KI-Inferenz bei hoher Energieeffizienz. Ihr modulares Design, die fortschrittlichen Videoverarbeitungsfunktionen und die Unterstützung für eine flexible Bereitstellung machen sie zu einer idealen Wahl für verschiedene Anwendungsfälle, einschließlich Sicherheitsüberwachung, Umweltanwendungen und Fertigung.

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

• TensorRT: Entwickelt von NVIDIA, optimiert dieses hochperformante deep learning-Inferenz-Framework und Modellformat KI-Modelle für beschleunigte Geschwindigkeit und Effizienz auf NVIDIA-GPUs, was eine reibungslose Bereitstellung gewährleistet.

• TF GraphDef: Entwickelt von Google, ist GraphDef das Format von TensorFlow zur Darstellung von Berechnungs-Graphen, das eine optimierte Ausführung von Machine-Learning-Modellen auf verschiedener Hardware ermöglicht.

• TF SavedModel: Entwickelt von Google, ist TF SavedModel ein universelles Serialisierungsformat für TensorFlow-Modelle, das die einfache gemeinsame Nutzung und Bereitstellung über eine Vielzahl von Plattformen hinweg ermöglicht – von Servern bis hin zu Edge-Geräten.

• TFLite Edge TPU: Dieses von Google entwickelte Modellformat zur Optimierung von TensorFlow Lite-Modellen auf Edge TPUs sorgt für ultraschnelles, effizientes edge computing.

• LiteRT: Entwickelt von Google, ist LiteRT (ehemals TensorFlow Lite) die On-Device-Laufzeitumgebung für das Format .tflite, mit der ein einzelnes Modell auf Mobilgeräten, eingebetteten Systemen, Edge-Geräten und im Browser (über LiteRT.js) bereitgestellt werden kann.

• TorchScript: Als Teil des PyTorch-Frameworks entwickelt, ermöglicht TorchScript die effiziente Ausführung und Bereitstellung von Machine-Learning-Modellen in verschiedenen Produktionsumgebungen ohne die Notwendigkeit von Python-Abhängigkeiten.

Datensatz-Integrationen#

• Roboflow: Erleichtert die Etikettierung und Verwaltung von Datasets für Ultralytics-Modelle und bietet Annotationstools zum Kennzeichnen von Bildern.

Exportformate#

Wir unterstützen auch eine Vielzahl von Modellexportformaten für die Bereitstellung in unterschiedlichen Umgebungen. Hier sind die verfügbaren Formate:

Erkunde die Links, um mehr über die einzelnen Integrationen zu erfahren und zu sehen, wie du sie mit Ultralytics optimal nutzen kannst. Vollständige Details zu export findest du auf der Export-Seite.

Trage zu unseren Integrationen bei#

Wir freuen uns immer zu sehen, wie die Community Ultralytics YOLO mit anderen Technologien, Tools und Plattformen integriert! Wenn du YOLO erfolgreich in ein neues System integriert hast oder wertvolle Erkenntnisse teilen möchtest, ziehe in Betracht, unseren Integrations-Dokumenten beizutragen.

Indem du eine Anleitung oder ein Tutorial schreibst, hilfst du dabei, unsere Dokumentation zu erweitern und Praxisbeispiele bereitzustellen, von denen die Community profitiert. Es ist ein hervorragender Weg, um zum wachsenden Ökosystem rund um Ultralytics YOLO beizutragen.

Um beizutragen, wirf bitte einen Blick in unseren Leitfaden für Mitwirkende für Anweisungen zum Einreichen eines Pull Requests (PR) 🛠️. Wir erwarten deine Beiträge mit Spannung!

Lass uns zusammenarbeiten, um das Ultralytics YOLO-Ökosystem umfangreicher und funktionsreicher zu machen 🙏!

FAQ#