Integraciones 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 datasets, 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 optimizar la robustez y generalización del modelo.

• Amazon SageMaker: Aprovecha Amazon SageMaker para crear, entrenar y desplegar modelos de Ultralytics de forma eficiente, proporcionando una plataforma integral para el ciclo de vida de ML.

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

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

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

• Google Colab: Usa 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, integración sencilla y un sistema avanzado 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 usar Kaggle para entrenar y evaluar modelos de Ultralytics en un entorno basado en la nube con librerías preinstaladas, soporte para GPU y una comunidad dinámica para la colaboración y el intercambio.

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

• MLFlow: Agiliza el ciclo de vida completo de ML de los modelos de 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 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, monitoriza métricas de 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): Monitoriza experimentos, visualiza métricas y fomenta la reproducibilidad y la colaboración en proyectos de Ultralytics.

Integraciones de despliegue

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

• 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, orientado a aplicaciones de IA integradas y en el edge.

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

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

• MNN: Desarrollado por Alibaba, MNN es un framework de deep learning altamente eficiente y ligero. Soporta inferencia y entrenamiento de modelos de deep learning y tiene un rendimiento líder en la industria para inferencia y entrenamiento en 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 técnicas de Quantization Aware Training (QAT) y poda (pruning) para optimizar modelos de Ultralytics para 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 frameworks, mejorando la versatilidad y flexibilidad de despliegue de los modelos de Ultralytics.

• OpenVINO: El toolkit de Intel para optimizar y desplegar modelos de computer vision de forma eficiente en varias plataformas 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.

• Rockchip RKNN: Desarrollado por Rockchip, RKNN es un framework de inferencia de redes neuronales especializado y optimizado para las plataformas de hardware de Rockchip, particularmente sus NPU. 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 computer vision en tiempo real. Con el procesador SG200X basado en RISC-V, ofrece una inferencia de IA de alto rendimiento con eficiencia energética. Su diseño modular, capacidades avanzadas de procesamiento de vídeo y soporte para despliegue flexible la convierten en una opción ideal para varios casos de uso, incluyendo monitorización de seguridad, aplicaciones medioambientales y fabricación.

• SONY IMX500: Optimiza y despliega modelos Ultralytics YOLO26 en cámaras de IA Raspberry Pi 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 modelos de IA para una velocidad y eficiencia aceleradas en GPUs de NVIDIA, garantizando 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, facilitando el intercambio y despliegue en una amplia gama de plataformas, desde servidores hasta dispositivos edge.

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

• TFLite: Desarrollado por Google, TFLite es un framework ligero para desplegar modelos de machine learning en dispositivos móviles y edge, 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 edge computing de alta velocidad y eficiencia.

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

Integraciones de datasets

• Roboflow: Facilita el etiquetado y gestión de datasets 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. Estos son los formatos disponibles:

Explora los enlaces para aprender más sobre cada integración y cómo sacar el máximo provecho de ellas con Ultralytics. Consulta todos los detalles de export en la página Export.

Contribuye 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 ideas valiosas 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 creciente ecosistema en torno a Ultralytics YOLO.

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

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

Preguntas frecuentes

¿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 de Ultralytics sean fluidos y eficientes. Al usar esta herramienta, puedes cargar datasets fácilmente, entrenar modelos, realizar seguimiento en tiempo real y desplegar modelos YOLO 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 datos hasta el despliegue. Puedes explorar las funciones clave en la página Plataforma Ultralytics y empezar rápidamente con nuestra guía de Inicio rápido.

¿Puedo hacer seguimiento del rendimiento de mis modelos de Ultralytics usando MLFlow?

Sí, puedes. Integrar MLFlow con modelos de Ultralytics te permite hacer seguimiento de 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 es particularmente útil para monitorizar métricas de modelos, comparar diferentes entrenamientos 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.

¿Cuáles son los beneficios de usar Neural Magic para la optimización de modelos YOLO26?

Neural Magic optimiza los modelos YOLO26 aprovechando técnicas como Quantization Aware Training (QAT) y poda, lo que resulta en modelos altamente eficientes y más pequeños que rinden mejor en hardware con recursos limitados. Consulta la página de integración de Neural Magic para aprender a implementar estas optimizaciones para un rendimiento superior y modelos más ligeros. Esto es especialmente beneficioso para el despliegue en dispositivos edge donde los recursos computacionales son limitados. El motor DeepSparse de Neural Magic puede ofrecer hasta 6 veces más velocidad de inferencia en CPUs, haciendo posible ejecutar modelos complejos sin hardware especializado.

¿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 inferencia de modelos en tiempo real, lo que lo convierte en una excelente herramienta para mostrar las capacidades de tu modelo YOLO en un formato fácil de usar, 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 computer vision.