Intégrations Ultralytics
Cette page répertorie les outils et plateformes avec lesquels Ultralytics s’intègre pour prendre en charge tes workflows de machine learning, de la gestion des jeux de données et de l’entraînement des modèles au suivi des expériences et au déploiement.
À regarder : Déploiement et intégrations d’Ultralytics YOLO
Intégrations pour l’entraînement#
-
Agent Skills : apprends aux agents de programmation IA comme Claude Code, Codex, Cursor et Gemini CLI le flux de travail Ultralytics YOLO complet grâce à des compétences officielles couvrant les jeux de données, l’entraînement, l’inférence et l’exportation.
-
Albumentations : applique des augmentations d’image supplémentaires pendant l’entraînement Ultralytics pour améliorer la robustesse et la capacité de généralisation du modèle.
-
Amazon SageMaker : utilise Amazon SageMaker pour créer, entraîner et déployer des modèles Ultralytics sur une seule plateforme couvrant le cycle de vie du ML.
-
ClearML : automatise tes workflows ML Ultralytics, suis les expériences et collabore en équipe.
-
Comet ML : améliore le développement de tes modèles Ultralytics en suivant, comparant et optimisant tes expériences de machine learning.
-
DVC : mets en place le contrôle de version pour tes projets de machine learning Ultralytics en synchronisant efficacement les données, le code et les modèles.
-
Google Colab : utilise Google Colab pour entraîner et évaluer des modèles Ultralytics dans un environnement cloud qui facilite la collaboration et le partage.
-
IBM Watsonx : entraîne et évalue des modèles Ultralytics dans les notebooks IBM watsonx.ai, avec les outils IBM de gestion des données et de gouvernance des modèles.
-
JupyterLab : utilise l’environnement interactif et personnalisable de JupyterLab pour entraîner et évaluer des modèles Ultralytics.
-
Kaggle : découvre comment utiliser Kaggle pour entraîner et évaluer des modèles Ultralytics dans un environnement cloud avec des bibliothèques préinstallées, la prise en charge des GPU et une communauté active qui favorise la collaboration et le partage.
-
MLflow : rationalise l’ensemble du cycle de vie ML des modèles Ultralytics, de l’expérimentation et de la reproductibilité au déploiement.
-
Modal : exécute des modèles Ultralytics sur la plateforme cloud serverless de Modal, avec allocation automatique des GPU, facturation à la seconde et mise à l’échelle automatique pour les charges de travail d’inférence et d’entraînement.
-
Paperspace Gradient : utilise les GPU cloud et les notebooks Paperspace Gradient pour entraîner, tester et déployer des modèles YOLO26.
-
Ray Tune : effectue le réglage des hyperparamètres de tes modèles Ultralytics à n’importe quelle échelle.
-
TensorBoard : visualise tes exécutions d’entraînement Ultralytics et surveille les métriques du modèle.
-
Ultralytics Platform : entraîne, gère et déploie des modèles Ultralytics dans le navigateur, et télécharge les modèles préentraînés officiels et les jeux de données.
-
VS Code : une extension pour VS Code qui fournit des extraits de code afin d’accélérer les flux de développement Ultralytics et propose des exemples pour aider chacun à apprendre ou à démarrer.
-
Weights & Biases (W&B) : surveille les expériences, visualise les métriques et favorise la reproductibilité et la collaboration sur les projets Ultralytics.
-
YAML2ModelGraph : génère des schémas d’architecture SVG prêts à être publiés directement à partir des fichiers de configuration YAML Ultralytics YOLO.
Intégrations pour le déploiement#
-
Ambarella : entraîne, compresse et exporte des modèles Ultralytics YOLO pour les SoC Ambarella CVflow®, comme le CV72, avec le fork Ultralytics d’Ambarella, en utilisant l’entraînement tenant compte de la compression SpongeTorch et la chaîne d’outils CVflow hors ligne.
-
AMD : exporte Ultralytics YOLO vers ONNX et exécute l’inférence accélérée par GPU sur les GPU AMD Instinct et Radeon avec le fournisseur d’exécution MIGraphX d’ONNX Runtime sur ROCm. L’entraînement PyTorch natif sur ROCm est également pris en charge.
-
AMD Xilinx : exporte Ultralytics YOLO avec
format="xilinx"pour les NPU AMD Versal AI Edge Series Gen 2 à l’aide d’AMD Quark et Vitis AI. Le guide présente les appareils Zynq, Kria et Versal, les accélérateurs DPU et NPU, ainsi que la prise en charge des opérateurs YOLO. -
Axelera : découvre les accélérateurs Metis et le SDK Voyager pour exécuter des modèles Ultralytics avec une inférence efficace en périphérie.
-
Core AI : découvre le nouveau format
.aimodeld’Apple, les différences entre Core AI et Core ML, ses limites actuelles et la procédure d’exportation des modèles YOLO26 avecformat="coreai"pour la génération iOS 27 et macOS 27. -
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. Il exploite le matériel Apple pour assurer un déploiement de modèles efficace et sécurisé.
-
DEEPX : exporte des modèles Ultralytics YOLO au format
.dxnnde DEEPX pour une inférence INT8 économe en énergie sur le matériel NPU de DEEPX, destinée aux applications d’IA embarquée et en périphérie. -
ExecuTorch : développé par Meta, ExecuTorch est la solution unifiée de PyTorch pour déployer des modèles Ultralytics YOLO sur des appareils en périphérie.
-
Gradio : déploie des modèles Ultralytics avec Gradio pour créer des démonstrations interactives de détection d’objets en temps réel.
-
Hailo : exporte directement vers Hailo HEF les modèles Ultralytics YOLO de détection, de segmentation, de segmentation sémantique, d’estimation de profondeur, de classification, de pose et d’OBB ; consulte le guide d’intégration pour découvrir les modèles et les cibles validés.
-
Huawei Ascend : compile des modèles Ultralytics YOLO au format hors ligne
.omde Huawei Ascend avec le compilateur CANN ATC pour l’inférence FP16 sur les appareils Atlas et Orange Pi AIpro. -
LiteRT : développé par Google, LiteRT (anciennement TensorFlow Lite) est l’environnement d’exécution sur appareil pour le format
.tflite. Il permet de déployer un même modèle sur mobile, dans les systèmes embarqués et en périphérie, ainsi que dans le navigateur (via LiteRT.js). -
Luxonis OAK : convertis les modèles Ultralytics YOLO avec Luxonis Hub ou les outils Luxonis locaux, puis exécute-les sur l’appareil avec les caméras Luxonis OAK
RVC2etRVC4. -
MediaTek : déploie Ultralytics YOLO sur les téléphones Android MediaTek Dimensity avec l’export LiteRT et le plugin Flutter officiel, avec des résultats mesurés sur CPU, GPU et NPU prototype.
-
MNN : développé par Alibaba, MNN est un framework léger de deep learning pour l’inférence et l’entraînement sur appareil, sur du matériel mobile et embarqué.
-
NCNN : développé par Tencent, NCNN est un framework d’inférence de réseaux neuronaux optimisé pour les appareils mobiles. Il exécute directement les modèles d’IA dans les applications sur diverses plateformes mobiles.
-
NXP : compile des modèles YOLO INT8 calibrés pour le NPU Neutron de l’i.MX95 avec Neutron SDK 3.3.0.
-
ONNX : format open source initialement développé par Microsoft et Facebook pour transférer des modèles d’IA entre frameworks, ce qui rend les modèles Ultralytics portables sur différents moteurs d’exécution et matériels.
-
OpenVINO : boîte à outils d’Intel pour optimiser et déployer des modèles de vision par ordinateur sur les CPU, GPU et NPU Intel.
-
PaddlePaddle : plateforme open source de deep learning créée par Baidu, PaddlePaddle prend en charge le déploiement de modèles d’IA, notamment pour les applications industrielles évolutives.
-
Qualcomm QNN : compile localement des modèles Ultralytics YOLO au format binaire de contexte QNN (AI Engine Direct) avec le fournisseur d’exécution QNN d’ONNX Runtime pour accélérer l’inférence sur le CPU Snapdragon, le GPU Adreno et le matériel NPU Hexagon des appareils mobiles et en périphérie.
-
Rockchip RKNN : développé par Rockchip, RKNN est un framework d’inférence de réseaux neuronaux optimisé pour les plateformes matérielles Rockchip, en particulier leurs NPU, afin de réaliser de l’inférence d’IA en temps réel sur les appareils edge.
-
Seeed Studio reCamera : développée par Seeed Studio, la reCamera est un appareil d’IA edge destiné aux applications de vision par ordinateur en temps réel. Équipée du processeur SG200X basé sur RISC-V, elle exécute efficacement l’inférence d’IA et son architecture modulaire ainsi que ses capacités de traitement vidéo conviennent à des cas d’usage tels que la surveillance de la sécurité, les applications environnementales et la fabrication.
-
SONY IMX500 : optimise et déploie les modèles Ultralytics YOLOv8n et YOLO11n sur les caméras Raspberry Pi AI Camera dotées du capteur IMX500 pour des performances rapides et une faible consommation d’énergie.
-
ST Edge AI : exporte Ultralytics YOLO avec
format="stedgeai"vers des modèles ONNX flottants ou INT8 pour les appareils STM32 de STMicroelectronics, vérifie la précision sur ton ordinateur et compile avec ST Edge AI Core. -
TensorRT : développé par NVIDIA, ce framework d’inférence et format de modèle de deep learning haute performance optimise les modèles d’IA pour leur vitesse et leur efficacité sur les GPU NVIDIA.
-
TF GraphDef : développé par Google, GraphDef est le format de TensorFlow qui représente les graphes de calcul et permet d’exécuter de façon optimisée des modèles de machine learning sur divers matériels.
-
TF SavedModel : développé par Google, TF SavedModel est un format de sérialisation pour les modèles TensorFlow, qui permet leur partage et leur déploiement sur un large éventail de plateformes, des serveurs aux appareils edge.
-
TFLite Edge TPU : développé par Google pour optimiser les modèles TensorFlow Lite sur les Edge TPU, ce format de modèle permet un edge computing rapide et efficace.
-
TorchScript : développé dans le cadre du framework PyTorch, TorchScript permet d’exécuter et de déployer efficacement des modèles de machine learning dans divers environnements de production, sans dépendances Python.
Intégrations pour les jeux de données#
- Roboflow : facilite l’étiquetage et la gestion des jeux de données pour les modèles Ultralytics, avec des outils d’annotation pour étiqueter les images.
Formats d’exportation#
Nous prenons également en charge divers formats d’exportation de modèles pour leur déploiement dans différents environnements. Voici les formats disponibles :
| Format | Argument format | Modèle | Métadonnées | Arguments |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, quantize, dynamic, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, quantize, dynamic, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, quantize, nms, batch, device |
| Apple Core AI | coreai | yolo26n.aimodel | ✅ | imgsz, batch, quantize |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, quantize, opset, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, opset, batch, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, quantize, opset, data, fraction, device |
| LiteRT | litert | yolo26n.tflite | ✅ | imgsz, quantize, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, dynamic, quantize, simplify, opset, nms, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, quantize, device |
| IMX500 | imx | yolo11n_imx_model/ | ✅ | imgsz, quantize, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, quantize, batch, data, fraction, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, quantize, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, quantize, simplify, opset, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn.onnx | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| Hailo | hailo | yolo26n_hailo_model/ | ✅ | imgsz, name, quantize, data, fraction, simplify, conf, iou, device |
| Huawei Ascend | ascend | yolo26n_ascend_model/ | ✅ | imgsz, batch, name, quantize, opset, simplify, nms, device |
| AMD Xilinx | xilinx | yolo26n_xilinx_model/ | ✅ | imgsz, name, quantize, data, fraction, opset, simplify, device |
| NXP | nxp | yolo26n_nxp.tflite | ✅ | imgsz, quantize, data, fraction, device |
| ST Edge AI | stedgeai | yolo26n_stedgeai.onnx | ✅ | imgsz, quantize, data, fraction, opset, simplify, device |
nms=None utilise par défaut les sorties brutes pour une NMS externe (YOLO26 conserve sa tête sans NMS sur Axelera). Définis nms=False pour sélectionner une tête sans NMS disponible ; les formats non pris en charge reviennent à leur chemin de sortie natif. Les entrées nms ci-dessus identifient les formats qui peuvent intégrer la NMS avec nms=True.
Consulte les liens pour en savoir plus sur chaque intégration et découvrir comment en tirer le meilleur parti avec Ultralytics. Retrouve les informations complètes sur export dans la page Export.
Contribuer à nos intégrations#
Nous accueillons les guides de la communauté sur l’intégration d’Ultralytics YOLO à d’autres technologies, outils et plateformes. Si tu as réussi à intégrer YOLO à un nouveau système ou si tu as des connaissances utiles à partager, pense à contribuer à la documentation sur les intégrations.
En rédigeant un guide ou un tutoriel, tu peux enrichir notre documentation et fournir des exemples concrets utiles à la communauté.
Pour contribuer, suis les instructions de notre guide de contribution pour savoir comment soumettre une Pull Request (PR).
FAQ#
Ultralytics Platform est une plateforme cloud dédiée aux workflows de machine learning de bout en bout avec les modèles Ultralytics. Tu peux importer et annoter des jeux de données, entraîner des modèles sur des GPU cloud, suivre des expériences et déployer des modèles YOLO sans avoir à beaucoup coder. La plateforme constitue un espace de travail centralisé pour l’ensemble de ton pipeline ML, de la préparation des données au déploiement.
Oui. L’intégration de MLflow aux modèles Ultralytics te permet de suivre les expériences, d’améliorer la reproductibilité et de rationaliser l’ensemble du cycle de vie ML. Tu trouveras des instructions détaillées pour configurer cette intégration sur la page d’intégration MLflow. Cette intégration est particulièrement utile pour surveiller les métriques du modèle, comparer différentes exécutions d’entraînement 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 la mise en œuvre d’améliorations fondées sur les données.
Pour déployer des modèles Ultralytics YOLO avec Gradio et créer des démos interactives de détection d’objets, tu peux suivre les étapes décrites sur la page d’intégration de Gradio. Gradio crée des interfaces web pour l’inférence de modèles en temps réel, ce qui en fait un outil utile pour présenter ton modèle YOLO aux développeurs comme aux utilisateurs finaux. Avec quelques lignes de code, tu peux créer des applications interactives qui montrent les performances de ton modèle sur des entrées personnalisées.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.

