Zum Inhalt springen

Ultralytics Integrationen

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

Ultralytics YOLO Ökosystem und Integrationen

Datensätze Integrationen

  • Roboflow: Erleichtert die nahtlose Verwaltung von Datensätzen für Ultralytics Modelle und bietet robuste Annotations-, Vorverarbeitungs- und Erweiterungsfunktionen.

Ausbildung Integrationen

  • ClearML: Automatisiere deine Ultralytics ML-Workflows, überwache 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 für 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.

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

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

  • TensorBoard: Visualisiere deine Ultralytics ML-Workflows, überwache 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 für den ML-Lebenszyklus.

Einsatzintegration

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

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

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

  • 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 Einsatzflexibilität von Ultralytics Modellen zu erhöhen.

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

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

Formate exportieren

Wir unterstützen auch eine Reihe von Modellexportformaten für den Einsatz in verschiedenen Umgebungen. Hier sind die verfügbaren Formate:

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

Erkunde die Links, um mehr über die einzelnen Integrationen zu erfahren und wie du sie mit Ultralytics optimal nutzen kannst.

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 🛠️. Wir sind gespannt auf deine Beiträge!

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



Erstellt am 2023-11-12, Aktualisiert am 2024-02-12
Autoren: glenn-jocher (9), abirami-vina (4)

Kommentare