Intégrations Ultralytics#

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

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 : améliore tes modèles Ultralytics grâce à de puissantes augmentations d’images qui renforcent leur robustesse et leur capacité de généralisation.

• Amazon SageMaker : exploite Amazon SageMaker pour créer, entraîner et déployer efficacement des modèles Ultralytics, avec une plateforme tout-en-un couvrant le cycle de vie du ML.

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

• JupyterLab : découvre comment utiliser l’environnement interactif et personnalisable de JupyterLab pour entraîner et évaluer facilement et efficacement des modèles Ultralytics.

• Kaggle : découvre comment utiliser Kaggle pour entraîner et évaluer des modèles Ultralytics dans un environnement cloud doté de bibliothèques préinstallées, de la prise en charge du GPU et d’une communauté dynamique favorisant la collaboration et le partage.

• Modal : exécute des modèles Ultralytics sur la plateforme cloud sans serveur de Modal, qui offre l’allocation automatique de GPU, une facturation à la seconde et une mise à l’échelle fluide pour l’inférence et l’entraînement.

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

• Paperspace Gradient : Paperspace Gradient simplifie la réalisation de projets YOLO26 grâce à 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 : entraîne, gère et déploie des modèles Ultralytics dans le navigateur, et télécharge des modèles préentraînés et des jeux de données officiels.

• 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® tels que le CV72, à l’aide de l’entraînement tenant compte de la compression SpongeTorch et de 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 .aimodel d’Apple, les différences entre Core AI et Core ML, ses limites actuelles et la procédure d’exportation des modèles YOLO26 avec format="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 .dxnn de 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 .om de Huawei Ascend à l’aide du compilateur CANN ATC pour l’inférence FP16 sur les appareils Atlas et OrangePi AIPro.

• Luxonis : convertis des modèles Ultralytics YOLO avec Luxonis Hub ou les outils locaux Luxonis, puis exécute-les directement sur les caméras Luxonis OAK RVC2 et RVC4.

• MNN : développé par Alibaba, MNN est un framework d’apprentissage profond léger et très efficace. Il prend en charge l’inférence et l’entraînement des modèles d’apprentissage profond et offre des performances de pointe pour l’inférence et l’entraînement sur appareil.

• NCNN : développé par Tencent, NCNN est un framework d’inférence de réseaux neuronaux efficace, conçu pour les appareils mobiles. Il permet de déployer directement des modèles d’IA dans des applications et d’optimiser leurs performances sur diverses plateformes mobiles.

• Neural Magic : exploite l’entraînement tenant compte de la quantification (QAT) et les techniques d’élagage pour optimiser les modèles Ultralytics, améliorer leurs performances et réduire leur taille.

• ONNX : format open source créé par Microsoft pour faciliter le transfert de modèles d’IA entre différents frameworks, et ainsi accroître la polyvalence et la flexibilité de déploiement des modèles Ultralytics.

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

• PaddlePaddle : plateforme open source d’apprentissage profond développée par Baidu, PaddlePaddle permet le déploiement efficace de modèles d’IA et privilégie l’évolutivité des applications industrielles.

• 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 spécialisé d’inférence de réseaux neuronaux optimisé pour les plateformes matérielles Rockchip, en particulier leurs NPU. Il facilite le déploiement efficace de modèles d’IA sur des appareils en périphérie et permet une inférence haute performance dans les applications en temps réel.

• Seeed Studio reCamera : développée par Seeed Studio, reCamera est un appareil d’IA en périphérie avancé conçu pour les applications de vision par ordinateur en temps réel. Équipée du processeur SG200X à architecture RISC-V, elle offre une inférence IA haute performance avec une faible consommation d’énergie. 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’usage, notamment la surveillance de la sécurité, les applications environnementales et la fabrication.

• SONY IMX500 : optimise et déploie les modèles Ultralytics YOLO26 sur les caméras Raspberry Pi AI équipées du capteur IMX500, pour des performances rapides et à faible consommation.

• TensorRT : développé par NVIDIA, ce framework d’inférence haute performance pour l’apprentissage profond est également un format de modèle qui optimise les modèles d’IA pour en accélérer l’exécution et en améliorer l’efficacité sur les GPU NVIDIA, garantissant ainsi un déploiement simplifié.

• 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 universel pour les modèles TensorFlow, qui facilite leur partage et leur déploiement sur un large éventail de plateformes, des serveurs aux appareils en périphérie.

• TFLite Edge TPU : développé par Google pour optimiser les modèles TensorFlow Lite sur les Edge TPU, ce format de modèle garantit un calcul en périphérie rapide et efficace.

• 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).

• 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 :

nms=None produit par défaut des sorties brutes pour la NMS externe. Définis nms=False pour sélectionner une tête disponible sans NMS ; les formats non pris en charge utilisent leur voie de sortie native. Les entrées nms ci-dessus désignent 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 sommes toujours ravis de voir comment la communauté intègre Ultralytics YOLO à d’autres technologies, outils et plateformes ! Si tu as intégré avec succès YOLO à un nouveau système ou que tu as des informations utiles à partager, envisage de contribuer à la documentation de nos intégrations.

En rédigeant un guide ou un tutoriel, tu peux enrichir notre documentation et proposer des exemples concrets utiles à la communauté. C’est un excellent moyen de contribuer à l’écosystème Ultralytics YOLO en pleine expansion.

Pour contribuer, consulte notre Guide de contribution afin de savoir comment soumettre une demande de tirage (PR) 🛠️. Nous attendons tes contributions avec impatience !

Collaborons pour développer l’écosystème Ultralytics YOLO et l’enrichir de nouvelles fonctionnalités 🙏 !

FAQ#