Link to this sectionIntegraciones de Ultralytics#

¡Bienvenido a la página de integraciones de Ultralytics! Esta página ofrece una visión general de nuestras colaboraciones con diversas herramientas y plataformas, diseñadas para agilizar tus flujos de trabajo de machine learning, mejorar la gestión de conjuntos de datos, simplificar el entrenamiento de modelos y facilitar un despliegue eficiente.

Link to this sectionIntegraciones de entrenamiento#

• Albumentations: Mejora tus modelos Ultralytics con potentes aumentaciones de imagen para optimizar la robustez y generalización del modelo.

• Amazon SageMaker: Aprovecha Amazon SageMaker para crear, entrenar y desplegar modelos Ultralytics de forma eficiente, proporcionando una plataforma todo en uno para 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 tus modelos con Ultralytics mediante el seguimiento, la comparación y la optimización de tus experimentos de machine learning.

• DVC: Implementa el control de versiones para tus proyectos de machine learning de Ultralytics, sincronizando datos, código y modelos de forma eficaz.

• Google Colab: Usa Google Colab para entrenar y evaluar modelos Ultralytics en un entorno basado en la nube que permite la colaboración y el intercambio.

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

• JupyterLab: Descubre cómo utilizar el entorno interactivo y personalizable de JupyterLab para entrenar y evaluar modelos Ultralytics con facilidad y eficiencia.

• Kaggle: Explora cómo puedes usar Kaggle para entrenar y evaluar modelos Ultralytics en un entorno en la nube con bibliotecas preinstaladas, soporte para GPU y una comunidad dinámica para colaborar y compartir.

• Modal: Ejecuta modelos Ultralytics en la plataforma en la nube serverless de Modal con aprovisionamiento automático de GPU, precios 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 Ultralytics, desde la experimentación y reproducibilidad hasta el despliegue.

• Neptune: Mantén un registro exhaustivo de tus experimentos de ML con Ultralytics en este almacén de metadatos diseñado para MLOps.

• Paperspace Gradient: Paperspace Gradient simplifica el trabajo en proyectos de YOLO26 proporcionando herramientas en la nube fáciles de usar para entrenar, probar y desplegar tus modelos rápidamente.

• Ray Tune: Optimiza los hiperparámetros de tus modelos 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.

• Plataforma Ultralytics: Accede y contribuye a una comunidad de modelos preentrenados de Ultralytics.

• VS Code: Una extensión para VS Code que proporciona fragmentos de código para acelerar los flujos de trabajo de desarrollo de Ultralytics y ofrece ejemplos para ayudar a cualquiera a aprender o empezar.

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

Link to this sectionIntegraciones de despliegue#

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

• CoreML: CoreML, desarrollado por Apple, es un framework diseñado para integrar de forma eficiente modelos de machine learning en aplicaciones para iOS, macOS, watchOS y tvOS, utilizando el hardware de Apple para un despliegue de modelos eficaz y seguro.

• DEEPX: Exporta modelos YOLO de Ultralytics al formato .dxnn de DEEPX para una inferencia INT8 de bajo consumo en hardware NPU de DEEPX, enfocado en aplicaciones integradas y de IA en el borde.

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

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

• Hailo: Convierte modelos de detección YOLO de Ultralytics de ONNX a Hailo HEF con el compilador de flujo de datos externo de Hailo para dispositivos Hailo-8, Hailo-8L, Raspberry Pi AI Kit y Hailo-15.

• MNN: Desarrollado por Alibaba, MNN es un framework de deep learning altamente eficiente y ligero. Soporta la inferencia y el entrenamiento de modelos de deep learning y cuenta con un rendimiento líder en el sector para la inferencia y el entrenamiento en el dispositivo.

• NCNN: Desarrollado por Tencent, NCNN es un framework de inferencia de redes neuronales eficiente diseñado para dispositivos móviles. Permite el despliegue directo de modelos de IA en aplicaciones, optimizando el rendimiento en varias plataformas móviles.

• Neural Magic: Aprovecha las técnicas de entrenamiento consciente de cuantización (QAT) y poda para optimizar los modelos Ultralytics para un rendimiento superior y un tamaño más ligero.

• ONNX: Un formato de código abierto creado por Microsoft para facilitar la transferencia de modelos de IA entre diversos frameworks, mejorando la versatilidad y la flexibilidad de despliegue de los modelos Ultralytics.

• OpenVINO: El toolkit de Intel para optimizar y desplegar modelos de visión artificial de forma eficiente a través de varias plataformas de CPU y GPU de Intel.

• PaddlePaddle: Una plataforma de deep learning de código abierto de Baidu, PaddlePaddle permite el despliegue eficiente de modelos de IA y se centra en la escalabilidad de las aplicaciones industriales.

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

• Rockchip RKNN: Desarrollado por Rockchip, RKNN es un framework de inferencia de redes neuronales especializado y optimizado para las plataformas de hardware de Rockchip, especialmente sus NPU. Facilita el despliegue eficiente de modelos de IA en dispositivos de borde, permitiendo una inferencia de alto rendimiento en aplicaciones en tiempo real.

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

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

• TensorRT: Desarrollado por NVIDIA, este framework de inferencia de deep learning de alto rendimiento y formato de modelo optimiza los modelos de IA para una mayor velocidad y eficiencia en las GPU de NVIDIA, asegurando un despliegue optimizado.

• TF GraphDef: Desarrollado por Google, GraphDef es el formato de TensorFlow para representar grafos de computación, permitiendo la ejecución optimizada de modelos de machine learning en diversos tipos de hardware.

• TF SavedModel: Desarrollado por Google, TF SavedModel es un formato de serialización universal para modelos de TensorFlow, que permite compartir y desplegar fácilmente en una amplia gama de plataformas, desde servidores hasta dispositivos de borde.

• TF.js: Desarrollado por Google para facilitar el machine learning en navegadores y Node.js, TF.js permite el despliegue basado en JavaScript de modelos de ML.

• TFLite: Desarrollado por Google, TFLite es un framework ligero para desplegar modelos de machine learning en dispositivos móviles y de borde, asegurando una inferencia rápida y eficiente con una huella de memoria mínima.

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

• TorchScript: Desarrollado como parte del framework PyTorch, TorchScript permite la ejecución y el despliegue eficiente de modelos de machine learning en diversos entornos de producción sin necesidad de dependencias de Python.

Link to this sectionIntegraciones de datasets#

• Roboflow: Facilita el etiquetado y la gestión de datasets para modelos Ultralytics, ofreciendo herramientas de anotación para etiquetar imágenes.

Link to this sectionFormatos de exportación#

También soportamos una variedad de formatos de exportación de modelos para el despliegue en diferentes entornos. Estos son los formatos disponibles:

Explora los enlaces para obtener más información sobre cada integración y cómo sacarles el máximo provecho con Ultralytics. Consulta todos los detalles sobre export en la página de Exportación.

Link to this sectionContribuye a nuestras integraciones#

¡Siempre nos emociona ver cómo la comunidad integra Ultralytics YOLO con otras tecnologías, herramientas y plataformas! Si has integrado YOLO con éxito en un nuevo sistema o tienes información valiosa que compartir, considera contribuir a nuestra documentación de integraciones.

Al escribir una guía o tutorial, puedes ayudar a ampliar nuestra documentación y proporcionar ejemplos del mundo real que beneficien a la comunidad. Es una forma excelente de contribuir al ecosistema en crecimiento de Ultralytics YOLO.

Para contribuir, por favor consulta nuestra Guía de contribución para obtener instrucciones sobre cómo enviar un Pull Request (PR) 🛠️. ¡Esperamos con ansias tus aportaciones!

¡Colaboremos para hacer que el ecosistema de Ultralytics YOLO sea más amplio y rico en funcionalidades 🙏!

Link to this sectionPreguntas frecuentes#

Link to this section¿Qué es la plataforma Ultralytics y cómo agiliza el flujo de trabajo de ML?#

La Plataforma Ultralytics es una plataforma basada en la nube diseñada para hacer que los flujos de trabajo de machine learning para modelos Ultralytics sean fluidos y eficientes. Al usar esta herramienta, puedes subir datasets, entrenar modelos, realizar seguimiento en tiempo real y desplegar modelos YOLO fácilmente sin necesidad de amplios conocimientos de programación. La plataforma sirve como un espacio de trabajo centralizado donde puedes gestionar todo tu pipeline de ML, desde la preparación de los datos hasta el despliegue. Puedes explorar las funciones clave en la página de la Plataforma Ultralytics y empezar rápidamente con nuestra guía de Inicio rápido.

Link to this section¿Puedo hacer un seguimiento del rendimiento de mis modelos Ultralytics usando MLFlow?#

Sí, puedes. Integrar MLFlow con modelos Ultralytics te permite realizar un seguimiento de los experimentos, mejorar la reproducibilidad y agilizar todo el ciclo de vida de ML. Las instrucciones detalladas para configurar esta integración se pueden encontrar en la página de integración de MLFlow. Esta integración es particularmente útil para supervisar las métricas de los modelos, comparar diferentes ejecuciones de entrenamiento y gestionar el flujo de trabajo de ML de manera eficiente. MLFlow proporciona una plataforma centralizada para registrar parámetros, métricas y artefactos, facilitando la comprensión del comportamiento del modelo y la realización de mejoras basadas en datos.

Link to this section¿Cuáles son las ventajas de usar Neural Magic para la optimización de modelos YOLO26?#

Neural Magic optimiza los modelos YOLO26 aprovechando técnicas como el entrenamiento consciente de cuantización (QAT) y la poda, lo que da como resultado modelos altamente eficientes y pequeños que funcionan mejor en hardware con recursos limitados. Consulta la página de integración de Neural Magic para saber cómo implementar estas optimizaciones para obtener un rendimiento superior y modelos más ligeros. Esto es especialmente beneficioso para el despliegue en dispositivos de borde donde los recursos computacionales son limitados. El motor DeepSparse de Neural Magic puede ofrecer una inferencia hasta 6 veces más rápida en CPU, haciendo posible ejecutar modelos complejos sin hardware especializado.

Link to this section¿Cómo despliego modelos YOLO de Ultralytics con Gradio para demostraciones interactivas?#

Para desplegar modelos YOLO de Ultralytics con Gradio para demostraciones interactivas de detección de objetos, puedes seguir los pasos detallados en la página de integración de Gradio. Gradio te permite crear interfaces web fáciles de usar para la inferencia de modelos en tiempo real, lo que la convierte en una excelente herramienta para mostrar las capacidades de tu modelo YOLO en un formato amigable tanto para desarrolladores como para usuarios finales. Con solo unas pocas líneas de código, puedes construir aplicaciones interactivas que demuestren el rendimiento de tu modelo con entradas personalizadas, facilitando una mejor comprensión y evaluación de tus soluciones de visión artificial.