Intégrations Ultralytics#

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

Intégrations 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 : Exploite Amazon SageMaker pour créer, entraîner et déployer efficacement des modèles Ultralytics, offrant une plateforme tout-en-un pour le cycle de vie du ML.

• AMD : Entraîne, valide et exécute des modèles Ultralytics sur des GPU AMD pris en charge avec PyTorch ROCm, avec une ventilation claire de la disponibilité de MIGraphX, DirectML et Ryzen AI NPU.

• ClearML : Automatise tes flux de travail ML Ultralytics, surveille les expériences et favorise la collaboration au sein de l'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 les données, le code et les modèles.

• Google Colab : Utilise Google Colab pour entraîner et évaluer des modèles Ultralytics dans un environnement basé sur le cloud qui prend en charge 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 transparente et son système avancé de gestion des modèles.

• JupyterLab : Découvre comment utiliser l'environnement interactif et personnalisable de JupyterLab pour entraîner et évaluer des modèles Ultralytics avec facilité et efficacité.

• Kaggle : Explore comment utiliser Kaggle pour entraîner et évaluer des modèles Ultralytics dans un environnement basé sur le cloud avec des bibliothèques préinstallées, la prise en charge des GPU et une communauté dynamique pour la collaboration et le partage.

• Modal : Exécute des modèles Ultralytics sur la plateforme cloud sans serveur de Modal avec un approvisionnement automatique en GPU, une tarification à la seconde et une mise à l'échelle transparente pour les charges de travail d'inférence et d'entraînement.

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

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

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

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

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

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

• VS Code : Une extension pour VS Code qui fournit des extraits de code pour accélérer les flux de travail de développement Ultralytics et propose des exemples pour aider quiconque 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 diagrammes d'architecture SVG prêts pour la publication directement à partir des fichiers de configuration YAML de YOLO d'Ultralytics.

Intégrations pour le déploiement#

• Ambarella : Entraîne, compresse et exporte des modèles YOLO d'Ultralytics pour les SoC CVflow® d'Ambarella tels que le CV72 à l'aide de l'entraînement conscient de la compression SpongeTorch et de la chaîne d'outils CVflow hors ligne.

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

• Core AI : Découvre le nouveau format .aimodel d'Apple, la comparaison entre Core AI et Core ML, ses limites actuelles et l'intégration Ultralytics prévue pour la génération iOS 27 et macOS 27.

• CoreML : CoreML, développé par Apple, est un cadre 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 des modèles YOLO d'Ultralytics 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 en périphérie.

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

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

• Hailo : Exporte des modèles de détection, segmentation, segmentation sémantique, estimation de profondeur, classification, pose et OBB YOLO d'Ultralytics directement vers Hailo HEF ; consulte le guide d'intégration pour les modèles et cibles validés.

• Huawei Ascend : Compile des modèles YOLO d'Ultralytics vers le format hors ligne .om de Huawei Ascend avec le compilateur CANN ATC pour une inférence FP16 sur les appareils Atlas et OrangePi AIPro.

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

• NCNN : Développé par Tencent, NCNN est un cadre d'inférence de réseau de neurones efficace conçu pour les appareils mobiles. Il permet le déploiement direct de modèles d'IA dans des applications, en optimisant les performances sur diverses plateformes mobiles.

• Neural Magic : Exploite l'entraînement conscient de la quantification (QAT) et les techniques d'élagage pour optimiser les modèles Ultralytics afin d'obtenir des performances supérieures et une taille plus réduite.

• ONNX : Un format open source créé par Microsoft pour faciliter le transfert de modèles d'IA entre différents cadres, améliorant 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 des modèles YOLO d'Ultralytics localement dans le format binaire de contexte QNN (AI Engine Direct) avec le fournisseur d'exécution ONNX Runtime QNN pour une inférence accélérée sur le matériel CPU Snapdragon, GPU Adreno et NPU Hexagon dans les appareils mobiles et de périphérie.

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

• Seeed Studio reCamera : Développée par Seeed Studio, la reCamera est un appareil d'IA en périphérie 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 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 la sécurité, les applications environnementales et la fabrication.

• SONY IMX500 : Optimise et déploie des modèles Ultralytics YOLO26 sur les caméras IA Raspberry Pi avec le capteur IMX500 pour des performances rapides et à faible consommation.

• TensorRT : Développé par NVIDIA, ce cadre d'inférence de deep learning et format de modèle haute performance optimise les modèles d'IA pour une vitesse et une efficacité accrues 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 l'exécution optimisée de 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 un large éventail de plateformes, des serveurs aux appareils de périphérie.

• 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 rapide et efficace.

• LiteRT : Développé par Google, LiteRT (anciennement TensorFlow Lite) est l'environnement d'exécution sur appareil pour le format .tflite, permettant de déployer un seul modèle sur mobile, systèmes embarqués, périphérie et le navigateur (via LiteRT.js).

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

Intégrations 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 les images.

Formats d'exportation#

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

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

Contribue 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 dans un nouveau système ou si tu as des informations précieuses à partager, pense à contribuer à notre documentation sur les intégrations.

En écrivant un guide ou un tutoriel, tu peux aider à enrichir notre documentation et fournir des exemples concrets qui profitent à 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 savoir comment soumettre une pull request (PR) 🛠️. Nous attendons tes contributions avec impatience !

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

FAQ#