Integraciones de Ultralytics#

¡Te damos la bienvenida a la página de Ultralytics Integrations! Esta página ofrece una visión general de nuestras asociaciones con varias 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.

Integraciones de entrenamiento#

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

• Amazon SageMaker: Aprovecha Amazon SageMaker para crear, entrenar y desplegar eficientemente modelos de Ultralytics, ofreciendo una plataforma todo en uno para el ciclo de vida de ML.

• AMD: Entrena, valida y ejecuta modelos de Ultralytics en GPUs de AMD compatibles con PyTorch ROCm, con un desglose claro de la disponibilidad de MIGraphX, DirectML y Ryzen AI NPU.

• 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 realizando un seguimiento, comparación y 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: Utiliza Google Colab para entrenar y evaluar modelos de Ultralytics en un entorno basado en la nube que admite la colaboración y el intercambio.

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

• Kaggle: Explora cómo puedes utilizar Kaggle para entrenar y evaluar modelos de Ultralytics en un entorno basado en la nube con bibliotecas preinstaladas, compatibilidad con GPU y una comunidad activa para la colaboración y el intercambio.

• Modal: Ejecuta modelos de Ultralytics en la plataforma en la nube sin servidor 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 de Ultralytics, desde la experimentación y la 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 al proporcionar herramientas en la nube fáciles de usar para entrenar, probar y desplegar 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 del modelo y fomenta la colaboración en equipo.

• Ultralytics Platform: 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.

• YAML2ModelGraph: Genera diagramas de arquitectura SVG listos para publicación directamente desde los archivos de configuración YAML de Ultralytics YOLO.

Integraciones de despliegue#

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

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

• Core AI: Conoce el nuevo formato .aimodel de Apple, cómo se compara Core AI con Core ML, sus limitaciones actuales y la integración planeada de Ultralytics para la generación de iOS 27 y macOS 27.

• CoreML: CoreML, desarrollado por Apple, es un marco diseñado para integrar eficientemente modelos de machine learning en aplicaciones en iOS, macOS, watchOS y tvOS, utilizando el hardware de Apple para un model deployment efectivo y seguro.

• DEEPX: Exporta modelos de Ultralytics YOLO al formato .dxnn de DEEPX para una inferencia INT8 de bajo consumo en hardware NPU de DEEPX, dirigida a aplicaciones de IA embebida y en el edge.

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

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

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

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

• MNN: Desarrollado por Alibaba, MNN es un marco de aprendizaje profundo altamente eficiente y ligero. Admite la inferencia y el entrenamiento de modelos de aprendizaje profundo y cuenta con un rendimiento líder en la industria para la inferencia y el entrenamiento en el dispositivo.

• NCNN: Desarrollado por Tencent, NCNN es un marco de inferencia de neural network eficiente adaptado 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 la cuantización (QAT) y poda para optimizar los modelos de Ultralytics para obtener un rendimiento superior y un tamaño más reducido.

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

• OpenVINO: El kit de herramientas de Intel para optimizar y desplegar modelos de computer vision de manera eficiente en varias plataformas de CPU y GPU de Intel.

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

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

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

• Seeed Studio reCamera: Desarrollada por Seeed Studio, la reCamera es un dispositivo de IA en el edge avanzado diseñado para aplicaciones de visión artificial en tiempo real. Impulsada por el 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 video y su compatibilidad con el despliegue flexible la convierten en una opción ideal para varios casos de uso, incluidos la supervisión de seguridad, las aplicaciones medioambientales y la fabricación.

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

• TensorRT: Desarrollado por NVIDIA, este marco de inferencia de deep learning y formato de modelo de alto rendimiento optimiza los modelos de IA para obtener mayor velocidad y eficiencia en GPUs de NVIDIA, garantizando un despliegue optimizado.

• TF GraphDef: Desarrollado por Google, GraphDef es el formato de TensorFlow para representar grafos de cálculo, lo que permite 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 edge.

• TFLite Edge TPU: Desarrollado por Google para optimizar modelos de TensorFlow Lite en Edge TPUs, este formato de modelo garantiza una edge computing de alta velocidad y eficiente.

• LiteRT: Desarrollado por Google, LiteRT (anteriormente TensorFlow Lite) es el tiempo de ejecución en el dispositivo para el formato .tflite, que despliega un solo modelo en dispositivos móviles, embebidos, edge y en el navegador (a través de LiteRT.js).

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

Integraciones de datasets#

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

Formatos de exportación#

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

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

Contribuye a nuestras integraciones#

¡Siempre nos entusiasma ver cómo la comunidad integra Ultralytics YOLO con otras tecnologías, herramientas y plataformas! Si has integrado con éxito YOLO con un nuevo sistema o tienes información valiosa que compartir, considera contributing to our Integrations Docs.

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

Para contribuir, consulta nuestra Contributing Guide para obtener instrucciones sobre cómo enviar una Pull Request (PR) 🛠️. ¡Esperamos tus contribuciones con impaciencia!

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

FAQ#