Link to this sectionIntégrations Ultralytics#

Bienvenue sur la page des intégrations Ultralytics ! Cette page donne un aperçu de nos partenariats avec divers outils et plateformes, conçus pour rationaliser tes flux de travail machine learning, améliorer la gestion des jeux de données, simplifier l'entraînement des modèles et faciliter un déploiement efficace.

Link to this sectionIntégrations pour l'entraînement#

• Albumentations : Améliore tes modèles Ultralytics avec de puissantes augmentations d'images pour accroître la robustesse et la généralisation du modèle.

• Amazon SageMaker : Tire parti d'Amazon SageMaker pour construire, entraîner et déployer efficacement tes modèles Ultralytics, offrant une plateforme tout-en-un pour le cycle de vie du ML.

• ClearML : Automatise tes flux de travail ML avec Ultralytics, surveille tes expériences et favorise la collaboration au sein de ton équipe.

• Comet ML : Améliore le développement de tes modèles avec Ultralytics en suivant, comparant et optimisant tes expériences de machine learning.

• DVC : Implémente le contrôle de version pour tes projets de machine learning Ultralytics, en synchronisant efficacement tes données, ton code et tes modèles.

• Google Colab : Utilise Google Colab pour entraîner et évaluer tes modèles Ultralytics dans un environnement basé sur le cloud qui facilite la collaboration et le partage.

• IBM Watsonx : Découvre comment IBM Watsonx simplifie l'entraînement et l'évaluation des modèles Ultralytics grâce à ses outils d'IA de pointe, son intégration sans effort et son système avancé de gestion de modèles.

• JupyterLab : Apprends à utiliser l'environnement interactif et personnalisable de JupyterLab pour entraîner et évaluer tes modèles Ultralytics avec facilité et efficacité.

• Kaggle : Explore comment utiliser Kaggle pour entraîner et évaluer tes modèles Ultralytics dans un environnement cloud avec des bibliothèques préinstallées, le support GPU et une communauté dynamique pour collaborer et partager.

• Modal : Exécute tes modèles Ultralytics sur la plateforme cloud serverless de Modal avec un approvisionnement automatique en GPU, une tarification à la seconde et un passage à l'échelle transparent pour tes charges de travail d'inférence et d'entraînement.

• MLFlow : Rationalise l'ensemble du cycle de vie ML des modèles Ultralytics, de l'expérimentation et la reproductibilité jusqu'au déploiement.

• Neptune : Maintiens un registre complet de tes expériences ML avec Ultralytics dans ce magasin de métadonnées conçu pour le MLOps.

• Paperspace Gradient : Paperspace Gradient simplifie ton travail sur les projets YOLO26 en fournissant des outils cloud faciles à utiliser pour entraîner, tester et déployer tes modèles rapidement.

• Ray Tune : Optimise les hyperparamètres de tes modèles Ultralytics à n'importe quelle échelle.

• TensorBoard : Visualise tes flux de travail ML avec Ultralytics, surveille les métriques de tes modèles et favorise la collaboration au sein de ton équipe.

• Ultralytics Platform : Accède à une communauté de modèles Ultralytics pré-entraînés et contribue à celle-ci.

• VS Code : Une extension pour VS Code qui fournit des extraits de code pour accélérer tes flux de travail de développement Ultralytics et offre des exemples pour aider chacun à apprendre ou à démarrer.

• Weights & Biases (W&B) : Surveille tes expériences, visualise tes métriques et favorise la reproductibilité et la collaboration sur tes projets Ultralytics.

Link to this sectionIntégrations pour le déploiement#

• Axelera : Explore les accélérateurs Metis et le Voyager SDK pour exécuter tes modèles Ultralytics avec une inférence edge efficace.

• CoreML : CoreML, développé par Apple, est un framework conçu pour intégrer efficacement des modèles de machine learning dans des applications sur iOS, macOS, watchOS et tvOS, en utilisant le matériel d'Apple pour un déploiement de modèle efficace et sécurisé.

• DEEPX : Exporte tes modèles Ultralytics YOLO vers le format .dxnn de DEEPX pour une inférence INT8 économe en énergie sur le matériel NPU DEEPX, ciblant les applications d'IA embarquées et edge.

• ExecuTorch : Développé par Meta, ExecuTorch est la solution unifiée de PyTorch pour déployer tes modèles Ultralytics YOLO sur des appareils edge.

• Gradio : Déploie tes modèles Ultralytics avec Gradio pour des démos de détection d'objets interactives en temps réel.

• Hailo : Convertis tes modèles de détection Ultralytics YOLO d'ONNX vers Hailo HEF avec le Dataflow Compiler externe de Hailo pour les appareils Hailo-8, Hailo-8L, Raspberry Pi AI Kit et Hailo-15.

• MNN : Développé par Alibaba, MNN est un framework de deep learning hautement efficace et léger. Il prend en charge l'inférence et l'entraînement des modèles de deep learning et affiche des performances de pointe pour l'inférence et l'entraînement sur appareil.

• NCNN : Développé par Tencent, NCNN est un framework d'inférence de réseau neuronal efficace adapté aux appareils mobiles. Il permet le déploiement direct de modèles d'IA dans des applications, optimisant les performances sur diverses plateformes mobiles.

• Neural Magic : Tire parti des techniques de Quantization Aware Training (QAT) et d'élagage (pruning) pour optimiser tes modèles Ultralytics pour une performance supérieure et une taille plus réduite.

• ONNX : Un format open-source créé par Microsoft pour faciliter le transfert de modèles d'IA entre divers frameworks, améliorant ainsi la polyvalence et la flexibilité de déploiement des modèles Ultralytics.

• OpenVINO : La boîte à outils d'Intel pour optimiser et déployer efficacement des modèles de vision par ordinateur sur diverses plateformes CPU et GPU Intel.

• PaddlePaddle : Une plateforme de deep learning open-source de Baidu, PaddlePaddle permet le déploiement efficace de modèles d'IA et se concentre sur l'évolutivité des applications industrielles.

• Qualcomm QNN : Compile tes modèles Ultralytics YOLO localement au format binaire de contexte QNN (AI Engine Direct) avec le fournisseur d'exécution ONNX Runtime QNN pour une inférence accélérée sur le matériel Snapdragon CPU, Adreno GPU et Hexagon NPU dans les appareils mobiles et edge.

• Rockchip RKNN : Développé par Rockchip, RKNN est un framework d'inférence de réseau neuronal spécialisé, optimisé pour les plateformes matérielles de Rockchip, en particulier leurs NPU. Il facilite le déploiement efficace de modèles d'IA sur des appareils edge, permettant une inférence haute performance dans des applications en temps réel.

• Seeed Studio reCamera : Développée par Seeed Studio, la reCamera est un appareil d'IA edge avancé conçu pour les applications de vision par ordinateur en temps réel. Propulsée par le processeur SG200X basé sur RISC-V, elle offre une inférence d'IA haute performance avec une grande efficacité énergétique. Sa conception modulaire, ses capacités avancées de traitement vidéo et sa prise en charge d'un déploiement flexible en font un choix idéal pour divers cas d'utilisation, notamment la surveillance de sécurité, les applications environnementales et la fabrication.

• SONY IMX500 : Optimise et déploie tes modèles Ultralytics YOLO26 sur les Raspberry Pi AI Cameras avec le capteur IMX500 pour une performance rapide et basse consommation.

• TensorRT : Développé par NVIDIA, ce framework d'inférence de deep learning haute performance et format de modèle optimise les modèles d'IA pour une vitesse et une efficacité accélérées sur les GPU NVIDIA, garantissant un déploiement rationalisé.

• TF GraphDef : Développé par Google, GraphDef est le format de TensorFlow pour représenter les graphes de calcul, permettant une exécution optimisée des modèles de machine learning sur divers matériels.

• TF SavedModel : Développé par Google, TF SavedModel est un format de sérialisation universel pour les modèles TensorFlow, permettant un partage et un déploiement faciles sur une large gamme de plateformes, des serveurs aux appareils edge.

• TF.js : Développé par Google pour faciliter le machine learning dans les navigateurs et Node.js, TF.js permet le déploiement de modèles ML basé sur JavaScript.

• TFLite : Développé par Google, TFLite est un framework léger pour déployer des modèles de machine learning sur des appareils mobiles et edge, garantissant une inférence rapide et efficace avec une empreinte mémoire minimale.

• TFLite Edge TPU : Développé par Google pour optimiser les modèles TensorFlow Lite sur les Edge TPU, ce format de modèle garantit une informatique en périphérie haute vitesse et efficace.

• TorchScript : Développé dans le cadre du framework PyTorch, TorchScript permet l'exécution et le déploiement efficaces de modèles de machine learning dans divers environnements de production sans avoir besoin de dépendances Python.

Link to this sectionIntégrations pour les jeux de données#

• Roboflow : Facilite l'étiquetage et la gestion des jeux de données pour les modèles Ultralytics, en offrant des outils d'annotation pour étiqueter tes images.

Link to this sectionFormats d'exportation#

Nous prenons également en charge une variété de formats d'exportation de modèles pour un déploiement dans différents environnements. Voici les formats disponibles :

Explore les liens pour en savoir plus sur chaque intégration et comment en tirer le meilleur parti avec Ultralytics. Consulte tous les détails de l' export dans la page Export.

Link to this sectionContribue à nos intégrations#

Nous sommes toujours ravis de voir comment la communauté intègre Ultralytics YOLO avec d'autres technologies, outils et plateformes ! Si tu as intégré avec succès YOLO à un nouveau système ou si tu as des idées précieuses à partager, envisage de contribuer à notre documentation sur les intégrations.

En rédigeant un guide ou un tutoriel, tu peux nous aider à étendre notre documentation et fournir des exemples concrets dont profite la communauté. C'est un excellent moyen de contribuer à l'écosystème grandissant autour d'Ultralytics YOLO.

Pour contribuer, consulte notre Guide de contribution pour obtenir des instructions sur la manière de soumettre une Pull Request (PR) 🛠️. Nous attendons tes contributions avec impatience !

Collaborons pour rendre l'écosystème Ultralytics YOLO plus étendu et riche en fonctionnalités 🙏 !

Link to this sectionFAQ#

Link to this sectionQu'est-ce qu'Ultralytics Platform et comment rationalise-t-elle le flux de travail ML ?#

Ultralytics Platform est une plateforme basée sur le cloud conçue pour rendre les flux de travail de machine learning pour les modèles Ultralytics transparents et efficaces. En utilisant cet outil, tu peux facilement télécharger des jeux de données, entraîner des modèles, effectuer un suivi en temps réel et déployer des modèles YOLO sans avoir besoin de compétences poussées en codage. La plateforme sert d'espace de travail centralisé où tu peux gérer l'intégralité de ton pipeline ML, de la préparation des données au déploiement. Tu peux explorer les fonctionnalités clés sur la page Ultralytics Platform et démarrer rapidement avec notre guide de Démarrage rapide.

Link to this sectionPuis-je suivre les performances de mes modèles Ultralytics en utilisant MLFlow ?#

Oui, tu peux. Intégrer MLFlow avec les modèles Ultralytics te permet de suivre tes expériences, d'améliorer la reproductibilité et de rationaliser l'ensemble du cycle de vie ML. Des instructions détaillées pour configurer cette intégration sont disponibles sur la page d'intégration MLFlow. Cette intégration est particulièrement utile pour surveiller les métriques des modèles, comparer différents entraînements et gérer efficacement le flux de travail ML. MLFlow fournit une plateforme centralisée pour consigner les paramètres, les métriques et les artefacts, ce qui facilite la compréhension du comportement du modèle et l'apport d'améliorations basées sur les données.

Link to this sectionQuels sont les avantages de l'utilisation de Neural Magic pour l'optimisation des modèles YOLO26 ?#

Neural Magic optimise les modèles YOLO26 en tirant parti de techniques telles que le Quantization Aware Training (QAT) et l'élagage, ce qui donne des modèles très efficaces et plus petits qui fonctionnent mieux sur du matériel aux ressources limitées. Consulte la page d'intégration Neural Magic pour apprendre à implémenter ces optimisations pour des performances supérieures et des modèles plus légers. C'est particulièrement bénéfique pour le déploiement sur des appareils edge où les ressources de calcul sont limitées. Le moteur DeepSparse de Neural Magic peut offrir une inférence jusqu'à 6 fois plus rapide sur les CPU, rendant possible l'exécution de modèles complexes sans matériel spécialisé.

Link to this sectionComment déployer des modèles Ultralytics YOLO avec Gradio pour des démos interactives ?#

Pour déployer des modèles Ultralytics YOLO avec Gradio pour des démos interactives de détection d'objets, tu peux suivre les étapes décrites sur la page d'intégration Gradio. Gradio te permet de créer des interfaces web faciles à utiliser pour l'inférence de modèles en temps réel, ce qui en fait un excellent outil pour présenter les capacités de ton modèle YOLO dans un format convivial adapté aussi bien aux développeurs qu'aux utilisateurs finaux. Avec seulement quelques lignes de code, tu peux construire des applications interactives qui démontrent les performances de ton modèle sur des entrées personnalisées, facilitant ainsi une meilleure compréhension et évaluation de tes solutions de vision par ordinateur.