Zum Inhalt springen

Ultralytics Integrationen

Willkommen auf der Ultralytics Integrations-Seite! Auf dieser Seite findest du einen Überblick ĂŒber unsere Partnerschaften mit verschiedenen Tools und Plattformen, die dazu dienen, deine Workflows fĂŒr maschinelles Lernen zu optimieren, die Verwaltung von DatensĂ€tzen zu verbessern, das Modelltraining zu vereinfachen und eine effiziente Bereitstellung zu ermöglichen.

Ultralytics YOLO Ökosystem und Integrationen



Pass auf: Ultralytics YOLOv8 Einsatz und Integration

DatensÀtze Integrationen

  • Roboflow: Erleichtert die nahtlose Verwaltung von DatensĂ€tzen fĂŒr Ultralytics Modelle und bietet robuste Annotations-, Vorverarbeitungs- und Erweiterungsfunktionen.

Ausbildung Integrationen

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

  • Comet ML: Verbessere deine Modellentwicklung mit Ultralytics , indem du deine Experimente zum maschinellen Lernen verfolgst, vergleichst und optimierst.

  • DVC: Implementiere die Versionskontrolle fĂŒr deine Ultralytics Machine-Learning-Projekte und synchronisiere Daten, Code und Modelle effektiv.

  • MLFlow: Rationalisiere den gesamten ML-Lebenszyklus von Ultralytics Modellen, von Experimenten und Reproduzierbarkeit bis zum Einsatz.

  • Ultralytics HUB: Greife auf eine Gemeinschaft von vortrainierten Ultralytics Modellen zu und trage zu ihnen bei.

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

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

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

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

  • Amazon SageMaker: Nutze Amazon SageMaker zum effizienten Erstellen, Trainieren und Bereitstellen von Ultralytics Modellen und biete eine All-in-One-Plattform fĂŒr den ML-Lebenszyklus.

  • Paperspace Gradient: Paperspace Gradient vereinfacht die Arbeit an YOLOv8 Projekten, indem es einfach zu bedienende Cloud-Tools zum Trainieren, Testen und schnellen Einsatz deiner Modelle bereitstellt.

  • Google Colab: Nutze Google Colab, um Ultralytics Modelle in einer cloudbasierten Umgebung zu trainieren und zu bewerten, die Zusammenarbeit und gemeinsame Nutzung unterstĂŒtzt.

Einsatzintegration

  • Neural Magic: Nutze Quantization Aware Training (QAT) und Pruning-Techniken, um die Modelle von Ultralytics fĂŒr eine bessere Leistung und eine geringere GrĂ¶ĂŸe zu optimieren.

  • Gradio 🚀 NEU: Setze Ultralytics Modelle mit Gradio fĂŒr interaktive Objekterkennungsdemos in Echtzeit ein.

  • TorchScript: Das als Teil des Frameworks entwickelte PyTorch Frameworks entwickelt, ermöglicht TorchScript die effiziente AusfĂŒhrung und Bereitstellung von Machine-Learning-Modellen in verschiedenen Produktionsumgebungen, ohne dass Python AbhĂ€ngigkeiten bestehen.

  • ONNX: Ein Open-Source-Format, das von Microsoft entwickelt wurde, um die Übertragung von KI-Modellen zwischen verschiedenen Frameworks zu erleichtern und die Vielseitigkeit und EinsatzflexibilitĂ€t von Ultralytics Modellen zu erhöhen.

  • OpenVINO: Intels Toolkit fĂŒr die Optimierung und den effizienten Einsatz von Computer-Vision-Modellen auf verschiedenen Intel CPU- und GPU-Plattformen.

  • TensorRT: Dieses von NVIDIA entwickelte Hochleistungs-Framework fĂŒr Deep Learning Inferenzen und Modellformate optimiert KI-Modelle fĂŒr beschleunigte Geschwindigkeit und Effizienz auf NVIDIA-Grafikprozessoren und sorgt so fĂŒr einen rationellen Einsatz.

  • CoreML: CoreML ist ein von Apple entwickeltes Framework zur effizienten Integration von Machine-Learning-Modellen in Anwendungen fĂŒr iOS, macOS, watchOS und tvOS, das die Apple-Hardware fĂŒr eine effektive und sichere Modellbereitstellung nutzt.

  • TF SavedModel: Das von Google entwickelte TF SavedModel ist ein universelles Serialisierungsformat fĂŒr TensorFlow Modelle, das die gemeinsame Nutzung und den Einsatz auf einer Vielzahl von Plattformen ermöglicht, von Servern bis zu Edge-GerĂ€ten.

  • TF GraphDef: GraphDef wurde von Google entwickelt und ist das Format von TensorFlow zur Darstellung von Berechnungsgraphen, die eine optimierte AusfĂŒhrung von Machine-Learning-Modellen auf unterschiedlicher Hardware ermöglichen.

  • TFLite: TFLite wurde von Google entwickelt und ist ein leichtgewichtiges Framework fĂŒr den Einsatz von Machine-Learning-Modellen auf Mobil- und Edge-GerĂ€ten, das schnelle, effiziente Schlussfolgerungen bei minimalem Speicherbedarf gewĂ€hrleistet.

  • TFLite Edge TPU: Dieses Modellformat wurde von Google fĂŒr die Optimierung von TensorFlow Lite-Modellen auf Edge TPUs entwickelt und sorgt fĂŒr schnelles, effizientes Edge Computing.

  • TF.js: TF .js wurde von Google entwickelt, um maschinelles Lernen in Browsern und Node.js zu ermöglichen.

  • PaddlePaddle: Die Open-Source-Plattform fĂŒr Deep Learning von Baidu, PaddlePaddle , ermöglicht den effizienten Einsatz von KI-Modellen und konzentriert sich auf die Skalierbarkeit von industriellen Anwendungen.

  • NCNN: NCNN wurde von Tencent entwickelt und ist ein effizientes Framework fĂŒr neuronale Netze, das speziell fĂŒr mobile GerĂ€te entwickelt wurde. Es ermöglicht den direkten Einsatz von KI-Modellen in Apps und optimiert die Leistung auf verschiedenen mobilen Plattformen.

Formate exportieren

Wir unterstĂŒtzen auch eine Reihe von Modellexportformaten fĂŒr den Einsatz in verschiedenen Umgebungen. Hier sind die verfĂŒgbaren Formate:

Format format Argument Modell Metadaten Argumente
PyTorch - yolov8n.pt ✅ -
TorchScript torchscript yolov8n.torchscript ✅ imgsz, optimize, batch
ONNX onnx yolov8n.onnx ✅ imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ ✅ imgsz, half, int8, batch
TensorRT engine yolov8n.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ ✅ imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb ❌ imgsz, batch
TF Lite tflite yolov8n.tflite ✅ imgsz, half, int8, batch
TF Kante TPU edgetpu yolov8n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n_web_model/ ✅ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ ✅ imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ ✅ imgsz, half, batch

Erkunde die Links, um mehr ĂŒber die einzelnen Integrationen zu erfahren und wie du sie mit Ultralytics optimal nutzen kannst. Siehe vollstĂ€ndig export Details in der exportieren Seite.

Trage zu unseren Integrationen bei

Wir sind immer gespannt darauf, 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 mit uns teilen möchtest, kannst du einen Beitrag zu unseren Integrationsdokumenten leisten.

Wenn du einen Leitfaden oder ein Tutorial schreibst, kannst du dazu beitragen, unsere Dokumentation zu erweitern und Beispiele aus der Praxis zu liefern, von denen die Gemeinschaft profitiert. Dies ist eine hervorragende Möglichkeit, zum wachsenden Ökosystem rund um Ultralytics YOLO beizutragen.

Wenn du einen Beitrag leisten möchtest, sieh dir bitte unseren Contributing Guide an, um zu erfahren, wie du einen Pull Request (PR) einreichen kannst đŸ› ïž. Wir sind gespannt auf deine BeitrĂ€ge!

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



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (15), Burhan-Q (5), abirami-vina (14), RizwanMunawar (1)

Kommentare