Integraciones de Ultralytics#

¡Te damos la bienvenida a la página de integraciones de Ultralytics! Esta página ofrece una visión general de nuestras asociaciones 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 eficaz.

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 mediante skills oficiales que abarcan conjuntos de datos, entrenamiento, inferencia y exportación.

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

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

• AMD: Entrena, valida y ejecuta modelos de Ultralytics en GPU 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 los 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 en tus proyectos de machine learning de Ultralytics y sincroniza datos, código y modelos de forma eficaz.

• Google Colab: Usa Google Colab para entrenar y evaluar modelos de Ultralytics en un entorno basado en la nube compatible con la colaboración y el uso compartido.

• 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 sencilla y eficaz.

• Kaggle: Descubre cómo puedes usar 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 colaborar y compartir.

• Modal: Ejecuta modelos de Ultralytics en la plataforma de 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.

• 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 de los modelos y fomenta la colaboración en equipo.

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

• 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 publicar directamente a partir de archivos de configuración YAML de Ultralytics YOLO.

Integraciones de despliegue#

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

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

• Core AI: Descubre el nuevo formato .aimodel de Apple, cómo se compara Core AI con Core ML, 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 eficazmente modelos de machine learning en aplicaciones de iOS, macOS, watchOS y tvOS mediante el hardware de Apple, para un despliegue de modelos eficaz y seguro.

• DEEPX: Exporta modelos Ultralytics YOLO al formato .dxnn de DEEPX para realizar inferencias INT8 con eficiencia energética en hardware NPU de DEEPX, dirigido a aplicaciones de IA integradas y edge.

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

• Gradio: Despliega modelos de Ultralytics con Gradio para crear demostraciones interactivas de detección de objetos 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 Ultralytics YOLO al formato sin conexión .om de Huawei Ascend con el compilador CANN ATC para realizar inferencias FP16 en dispositivos Atlas y OrangePi AIPro.

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

• MNN: Desarrollado por Alibaba, MNN es un framework de deep learning ligero y muy eficiente. Admite la inferencia y el entrenamiento de modelos de deep learning, 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 adaptado a dispositivos móviles. Permite desplegar directamente modelos de IA 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 y conseguir un rendimiento superior con un tamaño más reducido.

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

• OpenVINO: El kit de herramientas de Intel para optimizar y desplegar modelos de visión artificial de forma eficaz en diversas plataformas de CPU y GPU de Intel.

• PaddlePaddle: Plataforma de deep learning de código abierto desarrollada por Baidu, PaddlePaddle permite desplegar modelos de IA de forma eficaz y se centra en la escalabilidad de las aplicaciones industriales.

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

• Rockchip RKNN: Desarrollado por Rockchip, RKNN es un framework especializado de inferencia de redes neuronales optimizado para las plataformas de hardware de Rockchip, especialmente sus NPU. Facilita el despliegue eficaz de modelos de IA en dispositivos edge 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 edge diseñado para aplicaciones de visión artificial en tiempo real. Gracias a su procesador SG200X basado en RISC-V, ofrece inferencias de IA de alto rendimiento con eficiencia energética. Su diseño modular, sus avanzadas capacidades de procesamiento de vídeo y su compatibilidad con un despliegue 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 y despliega modelos de Ultralytics YOLO26 en cámaras AI de Raspberry Pi con el sensor IMX500 para obtener un rendimiento rápido y de bajo consumo.

• TensorRT: Desarrollado por NVIDIA, este framework de inferencia y formato de modelos de deep learning de alto rendimiento optimiza los modelos de IA para acelerar la velocidad y mejorar la eficiencia en GPU de NVIDIA, garantizando un despliegue optimizado.

• TF GraphDef: Desarrollado por Google, GraphDef es el formato de TensorFlow para representar grafos computacionales y permite ejecutar modelos de machine learning de forma optimizada en diversos tipos de hardware.

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

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

• LiteRT: Desarrollado por Google, LiteRT (anteriormente TensorFlow Lite) es el runtime en el dispositivo para el formato .tflite, que permite desplegar un único modelo en dispositivos móviles, integrados y edge, así como en el navegador (mediante LiteRT.js).

• TorchScript: Desarrollado como parte del framework PyTorch, TorchScript permite ejecutar y desplegar modelos de machine learning de forma eficaz en diversos entornos de producción sin necesidad de dependencias de Python.

Integraciones de conjuntos de datos#

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

Formatos de exportación#

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

nms=None se establece por defecto en salidas sin procesar para la NMS externa. Configura nms=False para seleccionar una cabeza libre de NMS disponible; los formatos no compatibles recurren a su ruta de salida nativa. Las entradas nms anteriores identifican los formatos que pueden incrustar la NMS con nms=True.

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

Contribuye a nuestras integraciones#

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

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

Para contribuir, consulta nuestra Guía de contribuciones, donde encontrarás instrucciones sobre cómo enviar una solicitud de incorporación (PR) 🛠️. ¡Esperamos con ilusión tus contribuciones!

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

Preguntas frecuentes#