Empezar

Integraciones de Ultralytics

Esta página enumera las herramientas y plataformas con las que se integra Ultralytics para respaldar tus flujos de trabajo de aprendizaje automático, desde la gestión de conjuntos de datos y el entrenamiento de modelos hasta el seguimiento de experimentos y el despliegue.

Ultralytics YOLO ecosystem and integrations


Ver: Implementación e integraciones de Ultralytics YOLO

Formatos de exportación#

  • Alibaba MNN: Desarrollado por Alibaba, MNN es un framework ligero de aprendizaje profundo para realizar inferencias y entrenamientos en dispositivos móviles y hardware integrado.

  • Apple 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.

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

  • Baidu PaddlePaddle: Plataforma de aprendizaje profundo de código abierto de Baidu, PaddlePaddle permite implementar modelos de IA, con especial atención a las aplicaciones industriales escalables.

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

  • Google 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 dispositivos móviles, integrados y edge, así como en el navegador (mediante LiteRT.js).

  • Intel OpenVINO: Kit de herramientas de Intel para optimizar e implementar modelos de visión artificial en CPU, GPU y NPU de Intel.

  • NVIDIA TensorRT: Desarrollado por NVIDIA, este framework de inferencia y formato de modelos de aprendizaje profundo de alto rendimiento optimiza los modelos de IA para ofrecer velocidad y eficiencia en las GPU de NVIDIA.

  • ONNX: Formato de código abierto desarrollado originalmente por Microsoft y Facebook para transferir modelos de IA entre frameworks, lo que permite usar modelos de Ultralytics en distintos entornos de ejecución y hardware.

  • Tencent NCNN: Desarrollado por Tencent, NCNN es un framework de inferencia de redes neuronales optimizado para dispositivos móviles. Ejecuta modelos de IA directamente en aplicaciones de distintas plataformas móviles.

  • 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 para modelos de TensorFlow que permite compartirlos y desplegarlos en una amplia variedad de plataformas, desde servidores hasta dispositivos periféricos.

  • 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.

La tabla siguiente enumera todos los formatos de exportación y su argumento format:

FormatoArgumento formatModeloMetadatosArgumentos
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, device
IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, quantize, batch, data, fraction, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device
ST Edge AIstedgeaiyolo26n_stedgeai.onnx✅imgsz, quantize, data, fraction, opset, simplify, device

nms=None genera salidas sin procesar de forma predeterminada para aplicar NMS externamente (YOLO26 mantiene su cabezal sin NMS en Axelera). Establece nms=False para seleccionar un cabezal 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.

Hardware y dispositivos#

  • Ambarella: entrena, comprime y exporta modelos Ultralytics YOLO para SoC Ambarella CVflow® como el CV72 con la bifurcación de Ultralytics de Ambarella, usando el entrenamiento con conocimiento de compresión de SpongeTorch y la cadena de herramientas sin conexión de CVflow.

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

  • AMD Xilinx: Exporta Ultralytics YOLO con format="xilinx" para las NPU AMD Versal AI Edge Series Gen 2 mediante la cuantización INT8 de AMD Quark y la compilación con Vitis AI, con notas sobre los dispositivos Zynq, Kria y VEK280.

  • Axelera AI: Descubre los aceleradores Metis y Voyager SDK para ejecutar modelos de Ultralytics con inferencias edge eficientes.

  • 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.

  • Google Coral Edge TPU: Desarrollado por Google para optimizar modelos de TensorFlow Lite en Edge TPU, este formato de modelo permite una computación edge rápida y eficiente.

  • Google Coral Edge TPU en Raspberry Pi: Google Edge TPU acelera las inferencias de YOLO en Raspberry Pi.

  • Hailo: Exporta directamente a Hailo HEF los modelos de Ultralytics YOLO de detección, segmentación, segmentación semántica, estimación de profundidad, clasificación, pose y OBB (la segmentación, la pose y OBB de YOLO26 aún no son compatibles); consulta la guía de integración para ver los modelos y objetivos validados.

  • Huawei Ascend: compila modelos Ultralytics YOLO en el formato offline .om de Huawei Ascend con el compilador CANN ATC para inferencia FP16 en dispositivos Atlas y Orange Pi AIpro.

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

  • MediaTek Dimensity: Implementa Ultralytics YOLO en teléfonos Android con MediaTek Dimensity mediante la exportación a LiteRT y el complemento oficial de Flutter, con resultados medidos en CPU y GPU y resultados preliminares en NPU.

  • NVIDIA DGX Spark: guía de inicio rápido para desplegar modelos YOLO en dispositivos NVIDIA DGX Spark.

  • NVIDIA Jetson: guía de inicio rápido para desplegar modelos YOLO en dispositivos NVIDIA Jetson.

  • NXP i.MX95: Compila modelos YOLO INT8 calibrados para la NPU Neutron de i.MX95 con Neutron SDK 3.3.0.

  • Qualcomm QNN: Compila modelos Ultralytics YOLO localmente en formato de binario de contexto QNN (AI Engine Direct) con el proveedor de ejecución QNN de ONNX Runtime para inferir en la NPU Hexagon de dispositivos Snapdragon y Dragonwing.

  • Raspberry Pi: tutorial de inicio rápido para ejecutar modelos YOLO en el hardware Raspberry Pi más reciente.

  • Rockchip RKNN: Desarrollado por Rockchip, RKNN es un framework de inferencia de redes neuronales optimizado para las plataformas de hardware de Rockchip, en particular sus NPU, para realizar inferencias de IA en tiempo real en dispositivos periféricos.

  • Seeed Studio reCamera: Desarrollada por Seeed Studio, reCamera es un dispositivo de IA periférica para aplicaciones de visión artificial en tiempo real. Equipada con el procesador SG200X basado en RISC-V, ejecuta inferencias de IA con eficiencia energética; su diseño modular y sus capacidades de procesamiento de vídeo la hacen adecuada para casos de uso como la supervisión de seguridad, las aplicaciones medioambientales y la fabricación.

  • Sony IMX500: Optimiza e implementa modelos Ultralytics YOLOv8n y YOLO11n en cámaras Raspberry Pi AI con el sensor IMX500 para obtener un rendimiento rápido y de bajo consumo.

  • ST Edge AI: exporta Ultralytics YOLO con format="stedgeai" a modelos ONNX de coma flotante o INT8 para dispositivos STM32 de STMicroelectronics, comprueba la precisión en tu ordenador y compílalos con ST Edge AI Core.

Servicio y flujos de trabajo#

  • Intel DL Streamer: Guía de inicio rápido para implementar modelos YOLO26 en dispositivos Intel Core Ultra Series 3 con DL Streamer y OpenVINO™.

  • NVIDIA DALI: Evita los cuellos de botella del preprocesamiento en CPU ejecutando en la GPU el cambio de tamaño letterbox, el relleno y la normalización de YOLO con NVIDIA DALI, con integración con Triton Inference Server.

  • NVIDIA DeepStream: Guía de inicio rápido para implementar modelos YOLO en dispositivos NVIDIA Jetson con DeepStream y TensorRT.

  • NVIDIA Triton: Integra Ultralytics YOLO26 con NVIDIA Triton Inference Server para implementar inferencias de aprendizaje profundo escalables y eficientes.

  • ROS: Descubre cómo integrar YOLO con el sistema operativo para robots (ROS) para detectar objetos en tiempo real en aplicaciones de robótica, incluidas las nubes de puntos y las imágenes de profundidad.

Datos y entrenamiento#

  • Albumentations: Aplica aumentos de imagen adicionales durante el entrenamiento de Ultralytics para mejorar la robustez y la capacidad de generalización del modelo.

  • ClearML: Automatiza tus flujos de trabajo de aprendizaje automático con Ultralytics, haz un seguimiento de los experimentos y colabora en equipo.

  • Comet: Mejora el desarrollo de tus 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.

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

  • Ray Tune: Realiza el ajuste de hiperparámetros de tus modelos de Ultralytics a cualquier escala.

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

  • TensorBoard: Visualiza tus ejecuciones de entrenamiento de Ultralytics y supervisa las métricas del modelo.

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

Nube y cuadernos#

  • Amazon SageMaker: Usa Amazon SageMaker para crear, entrenar y desplegar modelos de Ultralytics en una misma plataforma que cubre todo el ciclo de vida del aprendizaje automático.

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

  • Google Vertex AI: Guía simplificada para crear contenedores Docker con modelos YOLO e implementarlos en Google Cloud Vertex AI; abarca la compilación, la publicación, el escalado automático y la supervisión.

  • IBM watsonx: Entrena y evalúa modelos de Ultralytics en cuadernos IBM watsonx.ai, junto con las herramientas de IBM para la gestión de datos y el gobierno de modelos.

  • JupyterLab: Usa el entorno interactivo y personalizable de JupyterLab para entrenar y evaluar modelos de Ultralytics.

  • 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 con la que colaborar e intercambiar recursos.

  • Microsoft AzureML: Empieza a utilizar modelos Ultralytics YOLO en la plataforma de aprendizaje automático Azure de Microsoft. Descubre cómo entrenar, implementar y escalar tus proyectos de detección de objetos en la nube.

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

  • Paperspace Gradient: Usa las GPU y los notebooks en la nube de Paperspace Gradient para entrenar, probar y desplegar modelos YOLO26.

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

Herramientas para desarrolladores#

  • 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.

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

  • 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.

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

Contribuye a nuestras integraciones#

Aceptamos guías de la comunidad sobre la integración de Ultralytics YOLO con otras tecnologías, herramientas y plataformas. Si has integrado correctamente YOLO con un sistema nuevo o tienes información útil que compartir, puedes contribuir a nuestra documentación sobre integraciones.

Al escribir una guía o un tutorial, puedes ampliar nuestra documentación y aportar ejemplos del mundo real que beneficien a la comunidad.

Para contribuir, sigue las instrucciones de nuestra guía de contribución sobre cómo enviar una solicitud de cambios (PR).

Preguntas frecuentes#

  • Ultralytics Platform es una plataforma en la nube para flujos de trabajo de aprendizaje automático integrales con modelos de Ultralytics. Puedes subir y anotar conjuntos de datos, entrenar modelos en GPU en la nube, hacer un seguimiento de los experimentos y desplegar modelos YOLO sin necesidad de programar demasiado. La plataforma sirve como espacio de trabajo centralizado para toda tu canalización de aprendizaje automático, desde la preparación de datos hasta el despliegue.

  • Sí, puedes. Integrar MLflow con los modelos de Ultralytics te permite hacer un seguimiento de los experimentos, mejorar la reproducibilidad y agilizar todo el ciclo de vida de ML. Encontrarás instrucciones detalladas para configurar esta integración en la página de integración de MLflow. Esta integración resulta especialmente útil para supervisar las métricas del modelo, comparar diferentes ejecuciones de entrenamiento y gestionar el flujo de trabajo de ML de forma eficiente. MLflow ofrece una plataforma centralizada para registrar parámetros, métricas y artefactos, lo que facilita comprender el comportamiento del modelo y realizar mejoras basadas en datos.

  • Para desplegar modelos Ultralytics YOLO con Gradio y crear demostraciones interactivas de detección de objetos, puedes seguir los pasos de la página de integración de Gradio. Gradio crea interfaces web para realizar inferencias de modelos en tiempo real, por lo que resulta útil para mostrar tu modelo YOLO tanto a desarrolladores como a usuarios finales. Con unas pocas líneas de código, puedes crear aplicaciones interactivas que demuestren el rendimiento de tu modelo con entradas personalizadas.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.