Link to this sectionUltralytics-Integrationen#

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

Link to this sectionTrainings-Integrationen#

• Albumentations: Verbessere deine Ultralytics-Modelle mit leistungsstarken Bildaugmentierungen, um die Robustheit und Generalisierung des Modells zu erhöhen.

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

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

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

• DVC: Implementiere eine 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 bewerten, die Zusammenarbeit und Austausch unterstützt.

• IBM Watsonx: Erfahre, wie IBM Watsonx das Training und die Bewertung von Ultralytics-Modellen mit seinen modernen KI-Tools, der mühelosen Integration und dem 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 Experimentierphase und Reproduzierbarkeit bis 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, indem es benutzerfreundliche Cloud-Tools zum schnellen Trainieren, Testen und Bereitstellen deiner Modelle bereitstellt.

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

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

• 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 deiner Ultralytics-Entwicklungs-Workflows bereitstellt und Beispiele bietet, die jedem beim Lernen oder Einstieg helfen.

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

Link to this sectionBereitstellungs-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, das für die effiziente Integration von Machine-Learning-Modellen in Anwendungen für iOS, macOS, watchOS und tvOS entwickelt wurde und die Hardware von Apple 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, ausgerichtet auf eingebettete und Edge-KI-Anwendungen.

• 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.

• Hailo: Konvertiere Ultralytics YOLO-Erkennungsmodelle von ONNX in das Hailo HEF-Format mit dem externen Dataflow Compiler von Hailo für Hailo-8, Hailo-8L, Raspberry Pi AI Kit und Hailo-15 Geräte.

• MNN: MNN wurde von Alibaba entwickelt und ist ein hocheffizientes und leichtgewichtiges Deep-Learning-Framework. Es unterstützt die Inferenz und das 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 zugeschnitten ist. Es ermöglicht die direkte Bereitstellung von KI-Modellen in Apps und optimiert die Leistung auf verschiedenen mobilen Plattformen.

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

• ONNX: Ein Open-Source-Format, das von Microsoft geschaffen wurde, um den Transfer von KI-Modellen zwischen verschiedenen Frameworks zu erleichtern und die Vielseitigkeit sowie die Bereitstellungsflexibilität von Ultralytics-Modellen zu verbessern.

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

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

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

• Rockchip RKNN: RKNN wurde von Rockchip entwickelt und ist ein spezialisiertes Inferenz-Framework für neuronale Netze, das für die Hardware-Plattformen 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 reCamera wurde von Seeed Studio entwickelt und ist ein fortschrittliches Edge-KI-Gerät, das für Echtzeit-Computer-Vision-Anwendungen konzipiert wurde. 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 Bereitstellungen machen sie zur idealen Wahl für verschiedene Anwendungsfälle, einschließlich Sicherheitsüberwachung, Umweltanwendungen und Fertigung.

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

• 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 Format von TensorFlow zur Darstellung von Berechnungsgraphen, was die optimierte Ausführung von Machine-Learning-Modellen auf diverser Hardware ermöglicht.

• TF SavedModel: TF SavedModel wurde von Google entwickelt und ist ein universelles Serialisierungsformat für TensorFlow-Modelle, das den einfachen Austausch und die Bereitstellung über eine Vielzahl von Plattformen hinweg 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 bei minimalem Speicherbedarf gewährleistet.

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

Link to this sectionDatensatz-Integrationen#

• Roboflow: Erleichtere die Kennzeichnung und Verwaltung von Datensätzen für Ultralytics-Modelle mit Annotationstools zum Labeln von Bildern.

Link to this sectionExportformate#

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

Entdecke die Links, um mehr über jede Integration zu erfahren und wie du sie mit Ultralytics optimal nutzen kannst. Siehe vollständige export-Details auf der Export-Seite.

Link to this sectionTrage 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, zu unseren Integrationsdokumentationen 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, sieh dir bitte unseren Beitragsleitfaden für Anweisungen zum Einreichen eines Pull Request (PR) 🛠️ an. Wir erwarten deine Beiträge mit Spannung!

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

Link to this sectionFAQ#

Link to this sectionWas 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 problemlos Datensätze hochladen, Modelle trainieren, Echtzeit-Tracking durchführen und YOLO-Modelle bereitstellen, ohne über umfangreiche Programmierkenntnisse zu verfügen. Die Plattform dient als zentraler Arbeitsbereich, in dem du deine gesamte ML-Pipeline von der Datenaufbereitung bis zur Bereitstellung verwalten kannst. Du kannst die Hauptfunktionen auf der Seite Ultralytics Platform erkunden und mit unserem Quickstart-Leitfaden schnell loslegen.

Link to this sectionKann ich die Leistung meiner Ultralytics-Modelle mit MLFlow verfolgen?#

Ja, das kannst du. Die Integration von MLFlow mit Ultralytics-Modellen ermöglicht es dir, Experimente zu verfolgen, die Reproduzierbarkeit zu verbessern und den gesamten ML-Lebenszyklus zu optimieren. Detaillierte Anweisungen zur Einrichtung dieser Integration findest du auf der MLFlow-Integrationsseite. Diese Integration ist besonders nützlich für die Überwachung von Modellmetriken, den Vergleich verschiedener Trainingsläufe und die effiziente Verwaltung des ML-Workflows. MLFlow bietet eine zentrale Plattform zur Protokollierung von Parametern, Metriken und Artefakten, was es einfacher macht, das Modellverhalten zu verstehen und datengesteuerte Verbesserungen vorzunehmen.

Link to this sectionWas sind die Vorteile der Nutzung von Neural Magic für die YOLO26-Modelloptimierung?#

Neural Magic optimiert YOLO26-Modelle durch den Einsatz von Techniken wie Quantization Aware Training (QAT) und Pruning, was zu hocheffizienten, kleineren Modellen führt, die auf Hardware mit begrenzten Ressourcen besser funktionieren. Besuche die Neural Magic-Integrationsseite, um zu erfahren, wie du diese Optimierungen für überlegene Leistung und schlankere Modelle implementieren kannst. Dies ist besonders vorteilhaft für die Bereitstellung auf Edge-Geräten, bei denen die Rechenressourcen begrenzt sind. Die DeepSparse-Engine von Neural Magic kann eine bis zu 6-fach schnellere Inferenz auf CPUs liefern, was es ermöglicht, komplexe Modelle ohne spezialisierte Hardware auszuführen.

Link to this sectionWie stelle ich Ultralytics YOLO-Modelle mit Gradio für interaktive Demos bereit?#

Um Ultralytics YOLO-Modelle mit Gradio für interaktive Objekterkennungs-Demos bereitzustellen, kannst du den Schritten folgen, die auf der Gradio-Integrationsseite beschrieben sind. Gradio ermöglicht dir das Erstellen benutzerfreundlicher Web-Interfaces für Echtzeit-Modellinferenz. Damit ist es ein hervorragendes 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 ein besseres Verständnis und eine einfachere Bewertung deiner Computer-Vision-Lösungen ermöglichen.