Integraciones de Ultralytics#

¡Te damos la bienvenida a la página de integraciones de Ultralytics! Esta página ofrece una descripción general de nuestras colaboraciones con diversas herramientas y plataformas, diseñadas para agilizar tus flujos de trabajo de aprendizaje automático, mejorar la gestión de conjuntos de datos, simplificar el entrenamiento de modelos y facilitar una implementación eficiente.

Integraciones de entrenamiento#

• Agent Skills: Enseña a agentes de programación con IA como Claude Code, Codex, Cursor y Gemini CLI todo el flujo de trabajo de Ultralytics YOLO con las habilidades oficiales sobre conjuntos de datos, entrenamiento, inferencia y exportación.

• Albumentations: Mejora tus modelos de Ultralytics con potentes aumentos de imágenes para reforzar su robustez y capacidad de generalización.

• Amazon SageMaker: Aprovecha Amazon SageMaker para crear, entrenar e implementar modelos de Ultralytics de forma eficiente, con una plataforma integral para todo el ciclo de vida de ML.

• ClearML: Automatiza tus flujos de trabajo de ML de Ultralytics, supervisa experimentos y fomenta la colaboración en equipo.

• Comet ML: Mejora el desarrollo de modelos con Ultralytics mediante el seguimiento, la comparación y la optimización de tus experimentos de aprendizaje automático.

• DVC: Implementa el control de versiones en tus proyectos de aprendizaje automático de Ultralytics y sincroniza eficazmente los datos, el código y los modelos.

• Google Colab: Usa Google Colab para entrenar y evaluar modelos de Ultralytics en un entorno en la nube que permite colaborar y compartir.

• IBM Watsonx: Descubre cómo IBM Watsonx simplifica el entrenamiento y la evaluación de modelos de Ultralytics con sus herramientas de IA de vanguardia, su integración sencilla y su avanzado sistema de gestión de modelos.

• JupyterLab: Descubre cómo usar el entorno interactivo y personalizable de JupyterLab para entrenar y evaluar modelos de Ultralytics de forma fácil y eficiente.

• Kaggle: Descubre cómo usar Kaggle para entrenar y evaluar modelos de Ultralytics en un entorno en la nube con bibliotecas preinstaladas, compatibilidad con GPU y una comunidad activa donde colaborar y compartir.

• Modal: Ejecuta modelos de Ultralytics en la plataforma de nube sin servidor de Modal, con aprovisionamiento automático de GPU, facturación por segundo y escalado fluido para cargas de trabajo de inferencia y entrenamiento.

• MLFlow: Agiliza todo el ciclo de vida de ML de los modelos de Ultralytics, desde la experimentación y la reproducibilidad hasta la implementación.

• Paperspace Gradient: Paperspace Gradient simplifica el trabajo en proyectos de YOLO26 al ofrecer herramientas en la nube fáciles de usar para entrenar, probar e implementar tus modelos rápidamente.

• Ray Tune: Optimiza los hiperparámetros de tus modelos de Ultralytics a cualquier escala.

• TensorBoard: Visualiza tus flujos de trabajo de ML de Ultralytics, supervisa las métricas de los modelos y fomenta la colaboración en equipo.

• Ultralytics Platform: Entrena, gestiona e implementa modelos de Ultralytics desde el navegador, y descarga conjuntos de datos y modelos oficiales preentrenados.

• VS Code: Extensión para VS Code que proporciona fragmentos de código para agilizar los flujos de trabajo de desarrollo de Ultralytics y ofrece ejemplos para que cualquiera pueda aprender o empezar.

• Weights & Biases (W&B): Supervisa experimentos, visualiza métricas y fomenta la reproducibilidad y la colaboración en proyectos de Ultralytics.

• YAML2ModelGraph: Genera diagramas de arquitectura en SVG listos para publicar directamente a partir de archivos de configuración YAML de Ultralytics YOLO.

Integraciones de implementación#

• Ambarella: Entrena, comprime y exporta modelos Ultralytics YOLO para SoC CVflow® de Ambarella, como el CV72, mediante el entrenamiento consciente de la compresión SpongeTorch y la cadena de herramientas CVflow sin conexión.

• AMD: Exporta Ultralytics YOLO a ONNX y ejecuta inferencia acelerada por GPU en GPU AMD Instinct y Radeon mediante el proveedor de ejecución ONNX Runtime MIGraphX en ROCm; también se admite el entrenamiento nativo de PyTorch en ROCm.

• AMD Xilinx: exporta Ultralytics YOLO con format="xilinx" para las NPU de AMD Versal AI Edge Series Gen 2 usando AMD Quark y Vitis AI; incluye una guía sobre dispositivos Zynq, Kria y Versal, aceleradores DPU frente a NPU y compatibilidad con operadores YOLO.

• Axelera: Descubre los aceleradores Metis y el SDK Voyager para ejecutar modelos de Ultralytics con inferencia eficiente en el borde.

• Core AI: Descubre el nuevo formato .aimodel de Apple, cómo se compara Core AI con Core ML, cuáles son sus limitaciones actuales y cómo exportar modelos YOLO26 con format="coreai" para la generación de iOS 27 y macOS 27.

• CoreML: CoreML, desarrollado por Apple, es un framework diseñado para integrar modelos de aprendizaje automático de forma eficiente en aplicaciones de iOS, macOS, watchOS y tvOS, utilizando el hardware de Apple para una implementación de modelos eficaz y segura.

• DEEPX: Exporta modelos Ultralytics YOLO al formato .dxnn de DEEPX para realizar inferencia INT8 con un consumo eficiente en hardware NPU de DEEPX, destinada a aplicaciones de IA integradas y en el borde.

• ExecuTorch: Desarrollado por Meta, ExecuTorch es la solución unificada de PyTorch para implementar modelos Ultralytics YOLO en dispositivos de borde.

• Gradio: Implementa modelos de Ultralytics con Gradio para crear demostraciones interactivas de detección de objetos en tiempo real.

• Hailo: Exporta directamente a Hailo HEF modelos Ultralytics YOLO de detección, segmentación, segmentación semántica, estimación de profundidad, clasificación, pose y OBB; consulta la guía de integración para ver los modelos y destinos validados.

• Huawei Ascend: Compila modelos Ultralytics YOLO al formato sin conexión .om de Huawei Ascend con el compilador CANN ATC para realizar inferencia FP16 en dispositivos Atlas y OrangePi AIPro.

• Luxonis: Convierte modelos Ultralytics YOLO con Luxonis Hub o las herramientas locales de Luxonis y ejecútalos directamente en cámaras Luxonis OAK RVC2 y RVC4.

• MNN: Desarrollado por Alibaba, MNN es un framework de aprendizaje profundo muy eficiente y ligero. Admite la inferencia y el entrenamiento de modelos de aprendizaje profundo, y ofrece un rendimiento líder del sector para la inferencia y el entrenamiento en el dispositivo.

• NCNN: Desarrollado por Tencent, NCNN es un framework eficiente de inferencia de redes neuronales diseñado para dispositivos móviles. Permite implementar modelos de IA directamente en aplicaciones y optimiza el rendimiento en diversas plataformas móviles.

• Neural Magic: Aprovecha el entrenamiento consciente de la cuantización (QAT) y las técnicas de poda para optimizar los modelos de Ultralytics, lograr un rendimiento superior y reducir su tamaño.

• ONNX: Formato de código abierto creado por Microsoft para facilitar la transferencia de modelos de IA entre distintos frameworks, lo que aumenta la versatilidad de los modelos de Ultralytics y la flexibilidad de su implementación.

• OpenVINO: Kit de herramientas de Intel para optimizar e implementar modelos de visión artificial de forma eficiente en distintas plataformas de CPU y GPU de Intel.

• PaddlePaddle: Plataforma de aprendizaje profundo de código abierto de Baidu. PaddlePaddle permite implementar modelos de IA de forma eficiente y se centra en la escalabilidad de las aplicaciones industriales.

• Qualcomm QNN: Compila localmente modelos Ultralytics YOLO al formato binario de contexto QNN (AI Engine Direct) con el proveedor de ejecución QNN de ONNX Runtime para acelerar la inferencia en hardware CPU Snapdragon, GPU Adreno y NPU Hexagon de dispositivos móviles y de borde.

• Rockchip RKNN: Desarrollado por Rockchip, RKNN es un framework especializado de inferencia de redes neuronales optimizado para las plataformas de hardware de Rockchip, en particular para sus NPU. Facilita la implementación eficiente de modelos de IA en dispositivos de borde y permite realizar inferencias de alto rendimiento en aplicaciones en tiempo real.

• Seeed Studio reCamera: Desarrollada por Seeed Studio, reCamera es un dispositivo avanzado de IA en el borde, diseñado para aplicaciones de visión artificial en tiempo real. Gracias al procesador SG200X basado en RISC-V, ofrece inferencia de IA de alto rendimiento con eficiencia energética. Su diseño modular, sus capacidades avanzadas de procesamiento de vídeo y su compatibilidad con una implementación flexible la convierten en una opción ideal para diversos casos de uso, como la supervisión de la seguridad, las aplicaciones medioambientales y la fabricación.

• SONY IMX500: Optimiza e implementa modelos Ultralytics YOLO26 en cámaras Raspberry Pi AI Camera con el sensor IMX500 para obtener un rendimiento rápido y de bajo consumo.

• TensorRT: Desarrollado por NVIDIA, este framework de inferencia de aprendizaje profundo de alto rendimiento y formato de modelos optimiza los modelos de IA para acelerar la velocidad y mejorar la eficiencia en GPU NVIDIA, lo que garantiza una implementación optimizada.

• TF GraphDef: Desarrollado por Google, GraphDef es el formato de TensorFlow para representar grafos de cálculo y permite ejecutar modelos de aprendizaje automático de forma optimizada en distintos tipos de hardware.

• TF SavedModel: Desarrollado por Google, TF SavedModel es un formato de serialización universal para modelos de TensorFlow, que permite compartirlos e implementarlos fácilmente en una amplia variedad de plataformas, desde servidores hasta dispositivos de borde.

• TFLite Edge TPU: Desarrollado por Google para optimizar modelos de TensorFlow Lite en Edge TPU, este formato de modelo garantiza una computación en el borde rápida y eficiente.

• LiteRT: Desarrollado por Google, LiteRT (antes TensorFlow Lite) es el entorno de ejecución en el dispositivo para el formato .tflite, que permite implementar un mismo modelo en móviles, sistemas integrados, dispositivos de borde y navegadores (mediante LiteRT.js).

• TorchScript: Desarrollado como parte del framework PyTorch, TorchScript permite ejecutar e implementar modelos de aprendizaje automático de forma eficiente en diversos entornos de producción sin depender de Python.

Integraciones de conjuntos de datos#

• Roboflow: Facilita el etiquetado y la gestión de conjuntos de datos para modelos de Ultralytics, con herramientas de anotación para etiquetar imágenes.

Formatos de exportación#

También admitimos diversos formatos de exportación de modelos para implementarlos en distintos entornos. Estos son los formatos disponibles:

nms=None usa de forma predeterminada salidas sin procesar para NMS externa. Establece nms=False para seleccionar una cabeza sin NMS disponible; los formatos no compatibles recurren a su ruta de salida nativa. Las entradas nms anteriores identifican los formatos que pueden integrar NMS con nms=True.

Explora los enlaces para obtener más información sobre cada integración y sacarle el máximo partido con Ultralytics. Consulta todos los detalles de export en la página de exportación.

Contribuye a nuestras integraciones#

¡Siempre nos entusiasma ver cómo la comunidad integra Ultralytics YOLO con otras tecnologías, herramientas y plataformas! Si has integrado correctamente YOLO con un nuevo sistema o tienes información valiosa que compartir, plantéate contribuir a la documentación de Integraciones.

Al escribir una guía o un tutorial, puedes ampliar nuestra documentación y ofrecer ejemplos prácticos que beneficien a la comunidad. Es una forma excelente de contribuir al creciente ecosistema de Ultralytics YOLO.

Para contribuir, consulta nuestra guía de contribución, donde encontrarás instrucciones para enviar una solicitud de cambios (PR) 🛠️. ¡Esperamos con ganas tus contribuciones!

¡Colaboremos para ampliar el ecosistema de Ultralytics YOLO y dotarlo de más funciones 🙏!

Preguntas frecuentes#