Ultralytics-Integrationen#

Willkommen auf der Seite zu den Ultralytics-Integrationen! Diese Seite bietet einen Überblick über unsere Partnerschaften mit verschiedenen Tools und Plattformen, die deine Machine-Learning-Workflows optimieren, die Verwaltung von Datensätzen verbessern, das Modelltraining vereinfachen und eine effiziente Bereitstellung ermöglichen.

Integrationen für das Training#

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

• Albumentations: Verbessere deine Ultralytics-Modelle mit leistungsstarken Bildaugmentationen, um ihre Robustheit und Generalisierungsfähigkeit zu erhöhen.

• Amazon SageMaker: Nutze Amazon SageMaker, um Ultralytics-Modelle effizient zu erstellen, zu trainieren und bereitzustellen – auf einer Komplettplattform für den gesamten ML-Lebenszyklus.

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

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

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

• DVC: Implementiere Versionskontrolle 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 evaluieren, die Zusammenarbeit und gemeinsames Teilen unterstützt.

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

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

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

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

• MLFlow: Vereinfache den gesamten ML-Lebenszyklus von Ultralytics-Modellen – von Experimenten und Reproduzierbarkeit bis zur Bereitstellung.

• Paperspace Gradient: Paperspace Gradient vereinfacht die Arbeit an YOLO26-Projekten mit benutzerfreundlichen Cloud-Tools, mit denen du deine Modelle schnell trainieren, testen und bereitstellen kannst.

• Ray Tune: Optimiere die Hyperparameter deiner Ultralytics-Modelle in jedem Maßstab.

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

• Ultralytics Platform: Trainiere, verwalte und deploye Ultralytics Modelle im Browser und lade offizielle vortrainierte Modelle und Datensätze herunter.

• VS Code: Eine Erweiterung für VS Code, die Code-Snippets zur Beschleunigung deiner Ultralytics-Entwicklungsabläufe bereitstellt und Beispiele zum Lernen und Einstieg bietet.

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

• YAML2ModelGraph: Erzeuge direkt aus Ultralytics-YOLO-YAML-Konfigurationsdateien publikationsreife SVG-Architekturdiagramme.

Integrationen für die Bereitstellung#

• Ambarella: Trainiere, komprimiere und exportiere Ultralytics-YOLO-Modelle für Ambarella-CVflow®-SoCs wie den CV72 mithilfe des SpongeTorch-kompressionsbewussten Trainings und der Offline-CVflow-Toolchain.

• Axelera: Erfahre mehr über Metis-Beschleuniger und das Voyager SDK für eine effiziente Edge-Inferenz mit Ultralytics-Modellen.

• Core AI: Erfahre mehr über Apples neues Format .aimodel, den Vergleich von Core AI mit Core ML, die aktuellen Einschränkungen und den Export von YOLO26-Modellen mit format="coreai" für die Generation von iOS 27 und macOS 27.

• CoreML: CoreML, entwickelt von Apple, ist ein Framework zur effizienten Integration von Machine-Learning-Modellen in Anwendungen für iOS, macOS, watchOS und tvOS. Dabei wird die Hardware von Apple für eine effektive und sichere Modellbereitstellung genutzt.

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

• ExecuTorch: ExecuTorch, entwickelt von Meta, 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.

• Hailo: Exportiere Ultralytics-YOLO-Modelle für Erkennung, Segmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Pose und OBB direkt nach Hailo HEF. Im Integrationsleitfaden findest du validierte Modelle und Zielplattformen.

• Huawei Ascend: Kompiliere Ultralytics-YOLO-Modelle mit dem CANN-ATC-Compiler in das Offline-Format .om von Huawei Ascend, um FP16-Inferenz auf Atlas- und OrangePi-AIPro-Geräten auszuführen.

• Luxonis: Konvertiere Ultralytics YOLO-Modelle mit Luxonis Hub oder lokalen Luxonis-Tools und führe sie auf dem Gerät auf Luxonis OAK RVC2- und RVC4-Kameras aus.

• MNN: MNN, entwickelt von Alibaba, ist ein äußerst effizientes und leichtgewichtiges Deep-Learning-Framework. Es unterstützt die Inferenz und das Training von Deep-Learning-Modellen und bietet branchenführende Leistung bei der geräteinternen Inferenz und beim Training.

• NCNN: NCNN, entwickelt von Tencent, ist ein effizientes neuronales Netzwerk für die Inferenz auf Mobilgeräten. Es ermöglicht die direkte Bereitstellung von KI-Modellen in Apps und optimiert die Leistung auf verschiedenen mobilen Plattformen.

• Neural Magic: Nutze quantisierungsbewusstes Training (QAT) und Pruning-Techniken, um Ultralytics-Modelle für eine höhere Leistung und eine geringere Größe zu optimieren.

• ONNX: Ein von Microsoft entwickeltes Open-Source-Format zur Übertragung von KI-Modellen zwischen verschiedenen Frameworks, das die Vielseitigkeit und Flexibilität bei der Bereitstellung von Ultralytics-Modellen erhöht.

• OpenVINO: Das Toolkit von Intel 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 eine effiziente Bereitstellung von KI-Modellen ermöglicht und auf die Skalierbarkeit industrieller Anwendungen ausgerichtet ist.

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

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

• Seeed Studio reCamera: Die von Seeed Studio entwickelte reCamera ist ein fortschrittliches Edge-KI-Gerät für Echtzeit-Computer-Vision-Anwendungen. Der RISC-V-basierte SG200X-Prozessor ermöglicht leistungsstarke KI-Inferenz bei geringem Energieverbrauch. Das modulare Design, die fortschrittlichen Videobearbeitungsfunktionen und die Unterstützung einer flexiblen Bereitstellung machen sie zu einer idealen Lösung für verschiedene Anwendungsfälle, darunter Sicherheitsüberwachung, Umweltanwendungen und Fertigung.

• SONY IMX500: Optimiere und stelle Ultralytics-YOLO26-Modelle auf Raspberry Pi AI Cameras mit IMX500-Sensor für schnelle Leistung bei geringem Energieverbrauch bereit.

• TensorRT: Dieses von NVIDIA entwickelte leistungsstarke Framework und Modellformat für die Deep-Learning-Inferenz optimiert KI-Modelle für höhere Geschwindigkeit und Effizienz auf NVIDIA-GPUs und ermöglicht so eine optimierte Bereitstellung.

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

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

• TFLite Edge TPU: Dieses von Google zur Optimierung von TensorFlow-Lite-Modellen auf Edge TPUs entwickelte Format ermöglicht hocheffizientes Edge Computing mit hoher Geschwindigkeit.

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

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

Integrationen für Datensätze#

• Roboflow: Vereinfache die Beschriftung und Verwaltung von Datensätzen für Ultralytics-Modelle mit Annotationswerkzeugen zum Beschriften von Bildern.

Exportformate#

Wir unterstützen außerdem verschiedene Formate für den Modellexport zur Bereitstellung in unterschiedlichen Umgebungen. Hier sind die verfügbaren Formate:

nms=None verwendet standardmäßig Rohausgaben für externes NMS. Setze nms=False, um einen verfügbaren NMS-freien Kopf auszuwählen; nicht unterstützte Formate greifen auf ihren nativen Ausgabepfad zurück. Die Einträge nms oben identifizieren Formate, die NMS mit nms=True einbetten können.

Erkunde die Links, um mehr über die einzelnen Integrationen zu erfahren und sie mit Ultralytics optimal zu nutzen. Ausführliche Informationen zu export findest du auf der Seite Export.

Zu unseren Integrationen beitragen#

Wir freuen uns immer darüber 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, erwäge, zu unserer Integrationsdokumentation beizutragen.

Mit einem Leitfaden oder Tutorial kannst du dazu beitragen, unsere Dokumentation zu erweitern und praxisnahe Beispiele bereitzustellen, von denen die Community profitiert. Das ist eine hervorragende Möglichkeit, zum wachsenden Ökosystem rund um Ultralytics YOLO beizutragen.

Wenn du beitragen möchtest, findest du in unserem Beitragsleitfaden Anweisungen zum Einreichen eines Pull Requests (PR) 🛠️. Wir freuen uns auf deine Beiträge!

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

FAQ#