Ultralytics-Integrationen#

Willkommen auf der Seite zu den Ultralytics-Integrationen! Diese Seite bietet einen Überblick über unsere Partnerschaften mit verschiedenen Tools und Plattformen. Sie sollen deine Arbeitsabläufe im maschinellen Lernen vereinfachen, die Verwaltung von Datensätzen verbessern, das Modelltraining erleichtern und eine effiziente Bereitstellung ermöglichen.

Integrationen für das Training#

• Agent Skills: Bringe KI-Programmieragenten wie Claude Code, Codex, Cursor und Gemini CLI mit offiziellen Skills den gesamten Ultralytics-YOLO-Arbeitsablauf bei – von Datensätzen über Training und Inferenz bis zum Export.

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

• Amazon SageMaker: Nutze Amazon SageMaker, um Ultralytics-Modelle effizient zu erstellen, zu trainieren und bereitzustellen. Die Plattform deckt den gesamten ML-Lebenszyklus ab.

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

• Comet ML: Verbessere die Modellentwicklung mit Ultralytics, indem du deine Experimente im Bereich maschinelles Lernen nachverfolgst, vergleichst und optimierst.

• DVC: Nutze Versionskontrolle für deine Ultralytics-Projekte im Bereich maschinelles Lernen und synchronisiere Daten, Code und Modelle effizient.

• Google Colab: Trainiere und evaluiere Ultralytics-Modelle mit Google Colab in einer cloudbasierten Umgebung, die Zusammenarbeit und Freigabe unterstützt.

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

• JupyterLab: Erfahre, wie du mit der interaktiven und anpassbaren Umgebung von JupyterLab Ultralytics-Modelle einfach und effizient trainierst und evaluierst.

• Kaggle: Erfahre, wie du Ultralytics-Modelle in der cloudbasierten Umgebung von Kaggle trainierst und evaluierst. Sie bietet vorinstallierte Bibliotheken, GPU-Unterstützung und eine lebendige Community für Zusammenarbeit und Austausch.

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

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

• Paperspace Gradient: Paperspace Gradient erleichtert 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-Arbeitsabläufe, überwache Modellmetriken und fördere die Zusammenarbeit im Team.

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

• VS Code: Eine Erweiterung für VS Code mit Codeausschnitten, die Ultralytics-Entwicklungsabläufe beschleunigen, und Beispielen, die allen den Einstieg und das Lernen erleichtern.

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

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

Integrationen für die Bereitstellung#

• Ambarella: Trainiere, komprimiere und exportiere Ultralytics-YOLO-Modelle für Ambarella-CVflow®-SoCs wie den CV72. Verwende dafür komprimierungsbewusstes Training mit SpongeTorch und die Offline-CVflow-Toolchain.

• AMD: Exportiere Ultralytics YOLO nach ONNX und führe GPU-beschleunigte Inferenz auf AMD-Instinct- und Radeon-GPUs über den ONNX-Runtime-Ausführungsanbieter MIGraphX unter ROCm aus. Auch natives PyTorch-Training mit ROCm wird unterstützt.

• AMD Xilinx: Exportiere Ultralytics YOLO mit format="xilinx" für NPUs der AMD Versal AI Edge Series Gen 2 mithilfe von AMD Quark und Vitis AI. Der Leitfaden behandelt Zynq-, Kria- und Versal-Geräte, DPU- und NPU-Beschleuniger sowie die Unterstützung von YOLO-Operatoren.

• Axelera: Entdecke Metis-Beschleuniger und das Voyager SDK, um Ultralytics-Modelle effizient auf Edge-Geräten auszuführen.

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

• CoreML: CoreML ist ein von Apple entwickeltes Framework, das die effiziente Integration von Modellen des maschinellen Lernens in Anwendungen für iOS, macOS, watchOS und tvOS ermöglicht. Es nutzt die Hardware von Apple für eine effektive und sichere Modellbereitstellung.

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

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

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

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

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

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

• MNN: MNN wurde von Alibaba entwickelt und ist ein hocheffizientes, leichtgewichtiges Framework für Deep Learning. Es unterstützt die Inferenz und das Training von Deep-Learning-Modellen und bietet branchenführende Leistung bei Inferenz und Training direkt auf dem Gerät.

• NCNN: NCNN wurde von Tencent entwickelt und ist ein effizientes Inferenz-Framework für neuronale Netze, das auf Mobilgeräte zugeschnitten ist. 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, um Ultralytics-Modelle zu optimieren und ihre Leistung zu steigern und Größe zu verringern.

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

• 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-Plattform für Deep Learning von Baidu. Sie ermöglicht die effiziente Bereitstellung von KI-Modellen und konzentriert sich auf die Skalierbarkeit industrieller Anwendungen.

• Qualcomm QNN: Kompiliere Ultralytics-YOLO-Modelle lokal mit dem QNN Execution Provider von ONNX Runtime in das QNN-Kontext-Binärformat (AI Engine Direct). So beschleunigst du die Inferenz auf Snapdragon-CPUs, Adreno-GPUs und Hexagon-NPUs in Mobil- und Edge-Geräten.

• Rockchip RKNN: RKNN wurde von Rockchip entwickelt und ist ein spezialisiertes Inferenz-Framework für neuronale Netze, das für Rockchip-Hardwareplattformen, 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 reCamera wurde von Seeed Studio entwickelt und ist ein fortschrittliches Edge-KI-Gerät für Computer-Vision-Anwendungen in Echtzeit. Der RISC-V-basierte SG200X-Prozessor ermöglicht leistungsstarke und energieeffiziente KI-Inferenz. Durch ihr modulares Design, die fortschrittliche Videoverarbeitung und die Unterstützung flexibler Bereitstellung eignet sie sich ideal für viele Anwendungsfälle, darunter Sicherheitsüberwachung, Umweltanwendungen und Fertigung.

• SONY IMX500: Optimiere und stelle Ultralytics YOLO26-Modelle auf Raspberry Pi AI Cameras mit IMX500-Sensor bereit, um schnelle und energieeffiziente Leistung zu erzielen.

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

• TF GraphDef: GraphDef wurde von Google entwickelt und ist das TensorFlow-Format zur Darstellung von Berechnungsgraphen. Es ermöglicht die optimierte Ausführung von Modellen des maschinellen Lernens auf verschiedenster Hardware.

• TF SavedModel: TF SavedModel wurde von Google entwickelt und ist ein universelles Serialisierungsformat für TensorFlow-Modelle. Es ermöglicht die einfache gemeinsame Nutzung und Bereitstellung auf zahlreichen Plattformen, von Servern bis hin zu Edge-Geräten.

• TFLite Edge TPU: Dieses von Google zur Optimierung von TensorFlow-Lite-Modellen auf Edge-TPUs entwickelte Modellformat sorgt für leistungsstarkes und effizientes Edge-Computing.

• LiteRT: LiteRT wurde von Google entwickelt und ist die Laufzeitumgebung auf dem Gerät für das Format .tflite (früher TensorFlow Lite). Damit kannst du ein einzelnes Modell auf Mobilgeräten, eingebetteten Systemen, Edge-Geräten und im Browser (über LiteRT.js) bereitstellen.

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

Integrationen für Datensätze#

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

Exportformate#

Außerdem unterstützen wir verschiedene Modell-Exportformate für die Bereitstellung in unterschiedlichen Umgebungen. Hier sind die verfügbaren Formate:

nms=None gibt standardmäßig Rohdaten für die externe NMS aus. Lege nms=False fest, um einen verfügbaren Kopf ohne NMS auszuwählen; nicht unterstützte Formate greifen auf ihren nativen Ausgabepfad zurück. Die obigen Einträge nms kennzeichnen Formate, die NMS mit nms=True integrieren können.

Über die Links erfährst du mehr über die einzelnen Integrationen und wie du sie mit Ultralytics optimal nutzt. Ausführliche Informationen zu export findest du auf der Seite Export.

Trage zu unseren Integrationen bei#

Wir freuen uns immer darauf zu sehen, wie die Community Ultralytics YOLO mit anderen Technologien, Tools und Plattformen verbindet! Wenn du YOLO erfolgreich in ein neues System integriert hast oder wertvolle Erkenntnisse teilen möchtest, kannst du gerne zu unserer Integrationsdokumentation beitragen.

Mit einem Leitfaden oder Tutorial kannst du unsere Dokumentation erweitern und praxisnahe Beispiele bereitstellen, die der Community zugutekommen. So kannst du hervorragend zum wachsenden Ökosystem rund um Ultralytics YOLO beitragen.

Wenn du etwas beitragen möchtest, findest du in unserem Leitfaden für Beiträge eine Anleitung zum Einreichen eines Pull Requests (PR) 🛠️. Wir freuen uns auf deine Beiträge!

Lass uns gemeinsam das Ultralytics-YOLO-Ökosystem erweitern und um weitere Funktionen ergänzen 🙏!

Häufig gestellte Fragen#