Saltar al contenido

Ultralytics Integraciones

隆Bienvenido a la p谩gina de integraciones de Ultralytics ! Esta p谩gina proporciona una visi贸n general de nuestras asociaciones con diversas herramientas y plataformas, dise帽adas para agilizar tus flujos de trabajo de aprendizaje autom谩tico, mejorar la gesti贸n de los conjuntos de datos, simplificar el entrenamiento de los modelos y facilitar un despliegue eficaz.

Ultralytics YOLO ecosistema e integraciones



Observa: Ultralytics YOLOv8 Despliegue e integraciones

Integraciones de conjuntos de datos

  • Roboflow: Facilita la gesti贸n de conjuntos de datos sin fisuras para los modelos Ultralytics , ofreciendo s贸lidas capacidades de anotaci贸n, preprocesamiento y aumento.

Integraciones de formaci贸n

  • ClearML: Automatiza tus flujos de trabajo de ML en Ultralytics , supervisa los experimentos y fomenta la colaboraci贸n en equipo.

  • Comet ML: Mejora el desarrollo de tus modelos con Ultralytics rastreando, comparando y optimizando tus experimentos de aprendizaje autom谩tico.

  • DVC: Implementa el control de versiones para tus proyectos de aprendizaje autom谩tico en Ultralytics , sincronizando datos, c贸digo y modelos de forma eficaz.

  • MLFlow: Agiliza todo el ciclo de vida ML de los modelos Ultralytics , desde la experimentaci贸n y la reproducibilidad hasta el despliegue.

  • Ultralytics HUB: Accede y contribuye a una comunidad de modelos Ultralytics preentrenados.

  • Neptune: Mant茅n un registro exhaustivo de tus experimentos ML con Ultralytics en este almac茅n de metadatos dise帽ado para MLOps.

  • Ajuste de Rayos: Optimiza los hiperpar谩metros de tus modelos Ultralytics a cualquier escala.

  • TensorBoard: Visualiza tus flujos de trabajo de ML en Ultralytics , controla las m茅tricas de los modelos y fomenta la colaboraci贸n en equipo.

  • Weights & Biases (W&B): Supervisa los experimentos, visualiza las m茅tricas y fomenta la reproducibilidad y la colaboraci贸n en los proyectos de Ultralytics .

  • Amazon SageMaker: Aprovecha Amazon SageMaker para crear, entrenar e implementar eficazmente modelos Ultralytics , proporcionando una plataforma todo en uno para el ciclo de vida de ML.

  • Paperspace Gradiente: Paperspace Gradient simplifica el trabajo en los proyectos de YOLOv8 proporcionando herramientas en la nube f谩ciles de usar para entrenar, probar y desplegar tus modelos r谩pidamente.

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

Integraciones de despliegue

  • Neural Magic: Aprovecha la Formaci贸n Consciente de la Cuantizaci贸n (QAT) y las t茅cnicas de poda para optimizar los modelos Ultralytics y obtener un rendimiento superior y un tama帽o m谩s reducido.

  • Gradio 馃殌 NUEVO: Despliega modelos Ultralytics con Gradio para demostraciones interactivas de detecci贸n de objetos en tiempo real.

  • TorchScript: Desarrollado como parte del PyTorch framework, TorchScript permite la ejecuci贸n y el despliegue eficaces de modelos de aprendizaje autom谩tico en diversos entornos de producci贸n sin necesidad de dependencias de Python .

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

  • OpenVINO: Conjunto de herramientas de Intel para optimizar e implantar modelos de visi贸n por ordenador de forma eficiente en varias plataformas Intel de CPU y GPU.

  • TensorRT: Desarrollado por NVIDIA, este 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 NVIDIA, garantizando una implementaci贸n optimizada.

  • CoreML: CoreML desarrollado por Apple, es un marco dise帽ado para integrar eficazmente modelos de aprendizaje autom谩tico en aplicaciones de iOS, macOS, watchOS y tvOS, utilizando el hardware de Apple para un despliegue eficaz y seguro de los modelos.

  • TF SavedModel: Desarrollado por Google, TF SavedModel es un formato de serializaci贸n universal para los modelos TensorFlow , que permite compartir y desplegar f谩cilmente una amplia gama de plataformas, desde servidores a dispositivos de borde.

  • TF GraphDef: Desarrollado por Google, GraphDef es el formato de TensorFlow para representar gr谩ficos de c谩lculo, que permite la ejecuci贸n optimizada de modelos de aprendizaje autom谩tico en diversos equipos.

  • TFLite: Desarrollado por Google, TFLite es un marco ligero para desplegar modelos de aprendizaje autom谩tico en dispositivos m贸viles y perif茅ricos, garantizando una inferencia r谩pida y eficaz con una huella de memoria m铆nima.

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

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

  • PaddlePaddle: Plataforma de aprendizaje profundo de c贸digo abierto de Baidu, PaddlePaddle permite el despliegue eficiente de modelos de IA y se centra en la escalabilidad de las aplicaciones industriales.

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

Formatos de exportaci贸n

Tambi茅n admitimos diversos formatos de exportaci贸n de modelos para su despliegue en distintos entornos. Estos son los formatos disponibles:

Formato format Argumento Modelo Metadatos Argumentos
PyTorch - yolov8n.pt -
TorchScript torchscript yolov8n.torchscript imgsz, optimize, batch
ONNX onnx yolov8n.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolov8n.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb imgsz, batch
TF Lite tflite yolov8n.tflite imgsz, half, int8, batch
TF Arista TPU edgetpu yolov8n_edgetpu.tflite imgsz, batch
TF.js tfjs yolov8n_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ imgsz, half, batch

Explora los enlaces para saber m谩s sobre cada integraci贸n y c贸mo sacarles el m谩ximo partido con Ultralytics. Ver todas export detalles en el Exportar p谩gina.

Contribuye a nuestras integraciones

Siempre nos entusiasma ver c贸mo la comunidad integra Ultralytics YOLO con otras tecnolog铆as, herramientas y plataformas. Si has integrado con 茅xito YOLO con un nuevo sistema o tienes ideas valiosas que compartir, considera la posibilidad de contribuir a nuestros Documentos sobre integraciones.

Al escribir una gu铆a o un tutorial, puedes ayudar a ampliar nuestra documentaci贸n 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 Gu铆a de Contribuci贸n para obtener instrucciones sobre c贸mo enviar una Pull Request (PR) 馃洜锔. 隆Esperamos ansiosos tus contribuciones!

隆Colaboremos para que el ecosistema Ultralytics YOLO sea m谩s amplio y rico en funciones 馃檹!



Creado 2023-11-12, Actualizado 2024-05-18
Autores: glenn-jocher (13), Burhan-Q (4), abirami-vina (14), RizwanMunawar (1)

Comentarios