Ultralytics Integraciones

Bienvenido a la página de integraciones de Ultralytics Esta página proporciona una visión general de nuestras asociaciones con diversas herramientas y plataformas, diseñadas para agilizar sus flujos de trabajo de aprendizaje automático, mejorar la gestión de conjuntos de datos, simplificar el entrenamiento de modelos y facilitar un despliegue eficiente.

Observa: Ultralytics YOLO11 Despliegue e integraciones

Integración de conjuntos de datos

• Roboflow: Facilita la gestión de conjuntos de datos sin fisuras para los modelos de Ultralytics , ofreciendo sólidas capacidades de anotación, preprocesamiento y aumento.

Integraciones de formación

• Amazon SageMaker: Aproveche Amazon SageMaker para crear, entrenar e implementar con eficacia modelos de Ultralytics , lo que proporciona una plataforma todo en uno para el ciclo de vida de ML.

• ClearML: Automatice sus flujos de trabajo de ML en Ultralytics , supervise experimentos y fomente la colaboración en equipo.

• Comet ML: Mejore el desarrollo de sus modelos con Ultralytics mediante el seguimiento, la comparación y la optimización de sus experimentos de aprendizaje automático.

• DVC: Implemente el control de versiones para sus proyectos de aprendizaje automático de Ultralytics , sincronizando datos, código y modelos de forma eficaz.

• Google Colab: Utilice Google Colab para entrenar y evaluar modelos Ultralytics en un entorno basado en la nube que admite la colaboración y el uso compartido.

• IBM Watsonx: Descubra cómo IBM Watsonx simplifica la formación y la evaluación de los modelos de Ultralytics con sus herramientas de IA de vanguardia, su integración sin esfuerzo y su avanzado sistema de gestión de modelos.

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

• Kaggle: Explore cómo puede utilizar Kaggle para entrenar y evaluar modelos Ultralytics en un entorno basado en la nube con bibliotecas preinstaladas, soporte GPU y una vibrante comunidad para colaborar y compartir.

• MLFlow: agilice todo el ciclo de vida ML de los modelos Ultralytics , desde la experimentación y la reproducibilidad hasta la implantación.

• Neptune: Mantenga un registro completo de sus experimentos de ML con Ultralytics en este almacén de metadatos diseñado para MLOps.

• Paperspace Gradient: Paperspace Gradient simplifica el trabajo en proyectos de YOLO11 proporcionando herramientas en la nube fáciles de usar para entrenar, probar y desplegar tus modelos rápidamente.

• Ray Tune: Optimice los hiperparámetros de sus modelos Ultralytics a cualquier escala.

• TensorBoard: Visualice sus flujos de trabajo de ML en Ultralytics , supervise las métricas de los modelos y fomente la colaboración en equipo.

• Ultralytics HUB: Acceda y contribuya a una comunidad de modelos preentrenados Ultralytics .

• Weights & Biases (W&B): Supervise experimentos, visualice métricas y fomente la reproducibilidad y la colaboración en proyectos de Ultralytics .

• VS Code: Una extensión para VS Code que proporciona fragmentos de código para acelerar los flujos de trabajo de desarrollo con Ultralytics y también para cualquiera que busque ejemplos que le ayuden a aprender o a iniciarse en Ultralytics.

• Albumentaciones: Mejore sus modelos Ultralytics con potentes aumentos de imagen para mejorar la solidez y la generalización del modelo.

• SONY IMX500: Optimice y despliegue Ultralytics YOLOv8 modelos en cámaras Raspberry Pi AI con el sensor IMX500 para un rendimiento rápido y de bajo consumo.

Integraciones de despliegue

• CoreML: CoreML desarrollado por Apple, es un marco diseñado para integrar eficientemente modelos de aprendizaje automático en aplicaciones a través de iOS, macOS, watchOS y tvOS, utilizando el hardware de Apple para un despliegue de modelos eficaz y seguro.

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

• NCNN: Desarrollado por Tencent, NCNN es un eficaz marco de inferencia de redes neuronales adaptado a dispositivos móviles. Permite el despliegue directo de modelos de IA en aplicaciones, optimizando el rendimiento en diversas plataformas móviles.

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

• Neural Magic: Aprovecha las técnicas de Quantization Aware Training (QAT) y de poda para optimizar los modelos de Ultralytics con el fin de 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 de trabajo, mejorando la versatilidad y flexibilidad de despliegue de los modelos de Ultralytics .

• OpenVINOIntel's toolkit for optimizing and deploying computer vision models efficiently across various Intel CPU and GPU platforms.

• PaddlePaddle: 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 las aplicaciones industriales.

• TF GraphDef: Desarrollado por GoogleGraphDef es el formato de TensorFlow para representar gráficos de cálculo, lo que permite optimizar la ejecución de modelos de aprendizaje automático en distintos equipos.

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

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

• TFLite: Desarrollado por GoogleTFLite es un marco ligero para desplegar modelos de aprendizaje automático en dispositivos móviles y periféricos, garantizando una inferencia rápida y eficiente con una huella de memoria mínima.

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

• TensorRT: Desarrollado por NVIDIAeste marco de inferencia de aprendizaje profundo de alto rendimiento y formato de modelo optimiza los modelos de IA para acelerar la velocidad y la eficiencia en las GPU de NVIDIA , lo que garantiza una implementación optimizada.

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

Formatos de exportación

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

Explore los enlaces para obtener más información sobre cada integración y cómo sacarles el máximo partido con Ultralytics. Ver todas export detalles en el Exportar página.

Contribuya 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 ideas valiosas que compartir, considera la posibilidad de contribuir a nuestros documentos de integración.

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

Para contribuir, consulte nuestra Guía de Contribución para obtener instrucciones sobre cómo enviar una Pull Request (PR) 🛠️. Esperamos con impaciencia sus contribuciones.

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

PREGUNTAS FRECUENTES

¿Qué es Ultralytics HUB y cómo agiliza el flujo de trabajo de ML?

Ultralytics HUB es una plataforma basada en la nube diseñada para que los flujos de trabajo de aprendizaje automático (ML) para modelos Ultralytics sean fluidos y eficientes. Con esta herramienta, puede cargar fácilmente conjuntos de datos, entrenar modelos, realizar seguimientos en tiempo real y desplegar modelos de YOLO11 sin necesidad de grandes conocimientos de codificación. Puede explorar las características clave en la página Ultralytics HUB y empezar rápidamente con nuestra guía de inicio rápido.

¿Cómo se integran los modelos Ultralytics YOLO con Roboflow para la gestión de conjuntos de datos?

La integración de los modelos de Ultralytics YOLO con Roboflow mejora la gestión del conjunto de datos al proporcionar herramientas sólidas para la anotación, el preprocesamiento y el aumento. Para empezar, siga los pasos de la Roboflow página de integración. Esta asociación garantiza una gestión eficaz de los conjuntos de datos, lo que resulta crucial para desarrollar modelos YOLO precisos y sólidos.

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

Sí, es posible. La integración de MLFlow con los modelos de Ultralytics permite realizar un seguimiento de los experimentos, mejorar la reproducibilidad y agilizar todo el ciclo de vida de ML. Encontrará instrucciones detalladas para configurar esta integración en la página de integración de MLFlow. Esta integración es particularmente útil para monitorizar las métricas del modelo y gestionar el flujo de trabajo de ML de forma eficiente.

¿Cuáles son las ventajas de utilizar Neural Magic para la optimización de modelos YOLO11 ?

Neural Magic optimiza los modelos de YOLO11 aprovechando técnicas como la Quantization Aware Training (QAT) y la poda, lo que da lugar a modelos más pequeños y eficaces que funcionan mejor en hardware con recursos limitados. Consulte la página de Neural Magic para aprender a aplicar estas optimizaciones para obtener un rendimiento superior y modelos más pequeños. Esto es especialmente beneficioso para la implantación en dispositivos periféricos.

¿Cómo despliego modelos Ultralytics YOLO con Gradio para demostraciones interactivas?

Para desplegar modelos Ultralytics YOLO con Gradio para demostraciones interactivas de detección de objetos, puede seguir los pasos descritos en la página de integración de Gradio. Gradio permite crear interfaces web fáciles de usar para la inferencia de modelos en tiempo real, lo que la convierte en una herramienta excelente para mostrar las capacidades de su modelo YOLO en un formato fácil de usar, adecuado tanto para desarrolladores como para usuarios finales.

Al responder a estas preguntas frecuentes, pretendemos mejorar la experiencia del usuario y proporcionar información valiosa sobre las potentes funciones de los productos de Ultralytics . La incorporación de estas preguntas frecuentes no solo mejorará la documentación, sino que también atraerá más tráfico orgánico al sitio web Ultralytics .

Creado hace 1 año ✏️ Actualizado hace 29 días

Comentarios