Erste Schritte

Ultralytics-Integrationen

Auf dieser Seite findest du eine Liste der Tools und Plattformen, in die Ultralytics integriert ist, um deine Workflows für maschinelles Lernen zu unterstützen – von der Datensatzverwaltung und dem Modelltraining bis hin zur Experimentverfolgung und Bereitstellung.

Ultralytics YOLO ecosystem and integrations


Ansehen: Bereitstellung und Integrationen von Ultralytics YOLO

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: Wende während des Ultralytics-Trainings zusätzliche Bild-Augmentierungen an, um die Robustheit und Generalisierungsfähigkeit des Modells zu verbessern.

  • Amazon SageMaker: Nutze Amazon SageMaker, um Ultralytics-Modelle auf einer Plattform für den gesamten Lebenszyklus des maschinellen Lernens zu erstellen, zu trainieren und bereitzustellen.

  • ClearML: Automatisiere deine Ultralytics-Workflows für maschinelles Lernen, verfolge Experimente und arbeite im Team zusammen.

  • 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: Trainiere und evaluiere Ultralytics-Modelle in IBM-watsonx.ai-Notebooks und nutze dabei IBM-Tools für Datenverwaltung und Modell-Governance.

  • JupyterLab: Nutze die interaktive, anpassbare Umgebung von JupyterLab, um Ultralytics-Modelle 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.

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

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

  • Paperspace Gradient: Nutze Cloud-GPUs und Notebooks von Paperspace Gradient, um YOLO26-Modelle zu trainieren, zu testen und bereitzustellen.

  • Ray Tune: Führe Hyperparameteroptimierung für deine Ultralytics-Modelle in beliebigem Umfang durch.

  • TensorBoard: Visualisiere deine Ultralytics-Trainingsläufe und überwache Modellmetriken.

  • Ultralytics Platform: Trainiere, verwalte und stelle Ultralytics-Modelle im Browser bereit und lade offizielle vortrainierte Modelle sowie 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 mit Ambarellas Ultralytics-Fork, SpongeTorch-kompressionsbewusstem Training und der 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 in das Huawei-Ascend-Offlineformat .om, um auf Atlas- und Orange-Pi-AIpro-Geräten FP16-Inferenz auszuführen.

  • 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.

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

  • MediaTek: Stelle Ultralytics YOLO mit dem LiteRT-Export und dem offiziellen Flutter-Plug-in auf MediaTek-Dimensity-Android-Smartphones bereit – mit gemessenen Ergebnissen für CPU, GPU und einen Prototyp der NPU.

  • MNN: MNN wurde von Alibaba entwickelt und ist ein schlankes Deep-Learning-Framework für Inferenz und Training direkt auf Mobilgeräten und eingebetteter Hardware.

  • NCNN: NCNN wurde von Tencent entwickelt und ist ein auf Mobilgeräte optimiertes Framework für die Inferenz mit neuronalen Netzen. Es führt KI-Modelle direkt in Apps auf verschiedenen mobilen Plattformen aus.

  • NXP: Kalibrierte INT8-YOLO-Modelle für die Neutron-NPU des i.MX95 mit Neutron SDK 3.3.0 kompilieren.

  • ONNX: Ein ursprünglich von Microsoft und Facebook entwickeltes Open-Source-Format zur Übertragung von KI-Modellen zwischen Frameworks, das Ultralytics-Modelle über verschiedene Laufzeitumgebungen und Hardware hinweg portierbar macht.

  • OpenVINO: Intels Toolkit zur Optimierung und Bereitstellung von Computer-Vision-Modellen auf Intel-CPUs, GPUs und NPUs.

  • PaddlePaddle: PaddlePaddle ist eine von Baidu entwickelte Open-Source-Plattform für Deep Learning. Der Schwerpunkt liegt auf der Bereitstellung von KI-Modellen für skalierbare industrielle 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 für Rockchip-Hardwareplattformen optimiertes Framework zur Inferenz mit neuronalen Netzen. Der Schwerpunkt liegt auf den NPUs des Unternehmens und der Echtzeitinferenz von KI-Modellen auf Edge-Geräten.

  • Seeed Studio reCamera: Die reCamera wurde von Seeed Studio entwickelt und ist ein Edge-KI-Gerät für Computer-Vision-Anwendungen in Echtzeit. Der RISC-V-basierte SG200X-Prozessor ermöglicht energieeffiziente KI-Inferenz. Dank des modularen Aufbaus und der Videobearbeitungsfunktionen eignet sich das Gerät unter anderem für Sicherheitsüberwachung, Umweltanwendungen und Fertigung.

  • SONY IMX500: Optimiere und deploye Ultralytics-YOLOv8n- und YOLO11n-Modelle auf Raspberry Pi AI Cameras mit dem IMX500-Sensor für schnelle Leistung bei geringem Energieverbrauch.

  • ST Edge AI: Exportiere Ultralytics YOLO mit format="stedgeai" als Float- oder INT8-ONNX-Modelle für STM32-Geräte von STMicroelectronics, überprüfe die Genauigkeit auf deinem Computer und kompiliere die Modelle mit ST Edge AI Core.

  • TensorRT: Dieses leistungsstarke Framework für Deep-Learning-Inferenz und Modellformat wurde von NVIDIA entwickelt und optimiert KI-Modelle für Geschwindigkeit und Effizienz auf NVIDIA-GPUs.

  • 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 Serialisierungsformat für TensorFlow-Modelle. Es ermöglicht die gemeinsame Nutzung und Bereitstellung auf vielen 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 ermöglicht schnelles und effizientes Edge Computing.

  • 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:

FormatArgument formatModellMetadatenArgumente
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, device
IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, quantize, batch, data, fraction, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device
ST Edge AIstedgeaiyolo26n_stedgeai.onnx✅imgsz, quantize, data, fraction, opset, simplify, device

nms=None gibt standardmäßig Rohdaten für externe NMS aus (YOLO26 behält seinen Kopf ohne NMS auf Axelera). Setze nms=False, um einen verfügbaren Kopf ohne NMS auszuwählen; nicht unterstützte Formate greifen auf ihren nativen Ausgabepfad zurück. Die oben aufgeführten Einträge für nms kennzeichnen Formate, die NMS mit nms=True einbetten 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 über Anleitungen aus der Community zur Integration von Ultralytics YOLO mit anderen Technologien, Tools und Plattformen. Wenn du YOLO erfolgreich in ein neues System integriert hast oder wertvolle Erkenntnisse teilen möchtest, kannst du gerne zu unserer Integrationsdokumentation beitragen.

Mit einer Anleitung oder einem Tutorial kannst du unsere Dokumentation erweitern und praxisnahe Beispiele bereitstellen, von denen die Community profitiert.

Wenn du etwas beitragen möchtest, befolge die Anweisungen in unserer Anleitung zum Mitwirken, um einen Pull Request (PR) einzureichen.

Häufig gestellte Fragen#

  • Ultralytics Platform ist eine cloudbasierte Plattform für durchgängige Workflows des maschinellen Lernens mit Ultralytics-Modellen. Du kannst Datensätze hochladen und annotieren, Modelle auf Cloud-GPUs trainieren, Experimente verfolgen und YOLO-Modelle ohne umfangreiche Programmierung bereitstellen. Die Plattform dient als zentraler Arbeitsbereich für deine gesamte ML-Pipeline – von der Datenaufbereitung bis zur Bereitstellung.

  • Ja, das ist möglich. Durch die Integration von MLflow in Ultralytics-Modelle kannst du Experimente verfolgen, die Reproduzierbarkeit verbessern und den gesamten ML-Lebenszyklus optimieren. Eine ausführliche Anleitung zur Einrichtung dieser Integration findest du auf der MLflow-Integrationsseite. Diese Integration ist besonders hilfreich, um Modellmetriken zu überwachen, verschiedene Trainingsläufe zu vergleichen und den ML-Arbeitsablauf effizient zu verwalten. MLflow bietet eine zentrale Plattform zum Protokollieren von Parametern, Metriken und Artefakten. So kannst du das Modellverhalten leichter verstehen und datengestützte Verbesserungen vornehmen.

  • Um Ultralytics-YOLO-Modelle mit Gradio für interaktive Demos zur Objekterkennung bereitzustellen, kannst du die Schritte auf der Integrationsseite von Gradio befolgen. Gradio erstellt Weboberflächen für die Echtzeitinferenz mit Modellen und eignet sich daher, um dein YOLO-Modell sowohl Entwicklern als auch Endnutzern vorzustellen. Mit wenigen Codezeilen kannst du interaktive Anwendungen erstellen, die die Leistung deines Modells mit eigenen Eingaben veranschaulichen.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.