Ultralytics-Integrationen#

Willkommen auf der Integrationsseite von Ultralytics! 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 ermöglichen.

Trainings-Integrationen#

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

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

• AMD: Trainiere, valdiere und führe Ultralytics-Modelle auf unterstützten AMD-GPUs mit PyTorch ROCm aus, mit einer klaren Aufschlüsselung 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 eine Versionskontrolle für deine Ultralytics-Machine-Learning-Projekte und synchronisiere Daten, Code sowie Modelle effektiv.

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

• IBM Watsonx: Erfahre, wie IBM Watsonx das Training und die Evaluierung von Ultralytics-Modellen mit seinen modernen KI-Tools, der einfachen Integration und einem fortgeschrittenen 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 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 mit automatischer GPU-Bereitstellung, Sekundengenauer Abrechnung und nahtloser Skalierung für Inferenz- und Trainings-Workloads aus.

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

• Neptune: Führe ein umfassendes Protokoll deiner ML-Experimente mit Ultralytics in diesem für MLOps entwickelten Metadatenspeicher.

• 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 beliebigem Umfang.

• 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 von Ultralytics-Entwicklungs-Workflows bereitstellt und Beispiele bietet, um das Lernen und den Einstieg zu erleichtern.

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

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

Bereitstellungs-Integrationen#

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

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

• Core AI: Erfahre mehr über Apples neues .aimodel-Format, wie Core AI im Vergleich zu Core ML abschneidet, welche Einschränkungen es derzeit gibt und welche Ultralytics-Integration für die iOS-27- und macOS-27-Generation geplant ist.

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

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

• ExecuTorch: Das von Meta entwickelte ExecuTorch 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-Objekterkennungsdemos bereit.

• Hailo: Exportiere Ultralytics YOLO-Erkennungs-, Segmentierungs-, semantische Segmentierungs-, Tiefenschätzungs-, Klassifizierungs-, Pose- und OBB-Modelle direkt nach Hailo HEF; im Integrationsleitfaden findest du validierte Modelle und Ziele.

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

• MNN: MNN wurde von Alibaba entwickelt und ist ein hocheffizientes und leichtgewichtiges Deep-Learning-Framework. Es unterstützt das Inferenz- und Trainingsprozess von Deep-Learning-Modellen und bietet eine branchenführende Leistung für Inferenz und Training direkt auf Geräten.

• NCNN: NCNN wurde von Tencent entwickelt und ist ein effizientes neural network-Inferenz-Framework, das auf Mobilgeräte 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 eine überlegene Leistung und eine schlankere Größe zu optimieren.

• ONNX: Ein von Microsoft erstelltes 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 über verschiedene Intel-CPU- und -GPU-Plattformen hinweg.

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

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

• Rockchip RKNN: RKNN wurde von Rockchip entwickelt und ist ein spezialisiertes Framework für neuronale Netzwerk-Inferenz, 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 rechenintensive Inferenz in Echtzeitanwendungen.

• Seeed Studio reCamera: Die von Seeed Studio entwickelte reCamera 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 flexibler Bereitstellungen 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 eine schnelle, stromsparende Leistung.

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

• TF GraphDef: GraphDef wurde von Google entwickelt und ist das Format von TensorFlow zur Darstellung von Berechnungsdiagrammen, das eine 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 über eine Vielzahl von Plattformen hinweg ermöglicht – 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 schnelles und effizientes edge computing.

• LiteRT: Entwickelt von Google, ist LiteRT (ehemals TensorFlow Lite) die On-Device-Laufzeitumgebung für das .tflite-Format, 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: Erleichtere die Kennzeichnung und Verwaltung von Datasets für Ultralytics-Modelle und nutze Annotationswerkzeuge, um Bilder zu beschriften.

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 mit Ultralytics das Beste aus ihnen herausholen 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, erwäge contributing to our Integrations Docs.

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.

Bitte lies dir zur Unterstützung unseren Contributing Guide durch, um Anweisungen zum Einreichen eines Pull Requests (PR) 🛠️ zu erhalten. Wir freuen uns schon sehr auf deine Beiträge!

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

FAQ#