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 de 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 leur robustesse et leur généralisation.

• Amazon SageMaker : Tire parti d'Amazon SageMaker pour construire, entraîner et déployer efficacement tes modèles Ultralytics, en profitant d'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 en 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 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 : Découvre comment utiliser l'environnement interactif et personnalisable de JupyterLab pour entraîner et évaluer tes modèles Ultralytics avec facilité et efficacité.

• Kaggle : Explore comment tu peux utiliser Kaggle pour entraîner et évaluer tes modèles Ultralytics dans un environnement cloud doté de bibliothèques préinstallées, du support GPU et d'une communauté dynamique pour la collaboration et le partage.

• 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 tout le cycle de vie ML de tes modèles Ultralytics, de l'expérimentation et la reproductibilité jusqu'au déploiement.

• Neptune : Maintiens 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 tes 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 avec Ultralytics, surveille les métriques de tes modèles et favorise la collaboration en 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 avec Ultralytics et propose des exemples pour aider quiconque à apprendre ou à démarrer.

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

Intégrations pour le déploiement

• Axelera : Explore les accélérateurs Metis et le Voyager SDK pour exécuter tes modèles Ultralytics avec une inférence en périphérie 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 au format .dxnn de DeepX pour une inférence INT8 écoénergétique sur le matériel NPU DeepX, ciblant les applications d'IA embarquée et en périphérie.

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

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

• MNN : Développé par Alibaba, MNN est un framework de deep learning très efficace et léger. Il prend en charge l'inférence et l'entraînement de 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, conçu pour les 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 de la quantification lors de l'entraînement (QAT) et des techniques d'élagage pour optimiser tes modèles Ultralytics afin d'obtenir des performances supérieures et une taille réduite.

• ONNX : Un format open-source créé par Microsoft pour faciliter le transfert de modèles d'IA entre différents 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 créée par Baidu, PaddlePaddle permet le déploiement efficace de modèles d'IA et met l'accent sur l'évolutivité des applications industrielles.

• 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 en périphérie, 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 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 tout en étant économe en 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'utilisation, y compris la surveillance de la sécurité, les applications environnementales et la fabrication.

• SONY IMX500 : Optimise et déploie tes modèles Ultralytics YOLO26 sur des caméras Raspberry Pi AI équipées du capteur IMX500 pour des performances rapides et à faible 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 un large éventail de plateformes, des serveurs aux appareils en périphérie.

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

• TFLite : Développé par Google, TFLite est un framework léger pour déployer des modèles de machine learning sur des appareils mobiles et en périphérie, 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 un edge computing rapide 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.

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 tes 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 sur la façon d'en tirer le meilleur parti avec Ultralytics. Consulte les détails complets de la fonction export sur la page Export.

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 YOLO avec succès dans un nouveau système ou si tu as des idées précieuses à partager, pense à contribuer à notre documentation sur les intégrations.

En rédigeant 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 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 🙏 !

FAQ

Qu'est-ce que la plateforme Ultralytics 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 fluides 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 approfondies en codage. La plateforme sert d'espace de travail centralisé où tu peux gérer l'ensemble de ton pipeline ML, de la préparation des données jusqu'au déploiement. Tu peux explorer les fonctionnalités clés sur la page Ultralytics Platform et démarrer rapidement avec notre guide Quickstart.

Puis-je suivre les performances de mes modèles Ultralytics en utilisant MLFlow ?

Oui, tu peux. L'intégration de 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 se trouvent sur la page d'intégration MLFlow. Cette intégration est particulièrement utile pour surveiller les métriques des modèles, comparer différents entraînements et gérer efficacement ton 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 réalisation d'améliorations basées sur les données.

Quels sont les avantages d'utiliser Neural Magic pour l'optimisation des modèles YOLO26 ?

Neural Magic optimise les modèles YOLO26 en tirant parti de techniques telles que la quantification lors de l'entraînement (QAT) et l'élagage, ce qui permet d'obtenir 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 afin d'obtenir des performances supérieures et des modèles plus légers. C'est particulièrement bénéfique pour le déploiement sur des appareils en périphérie où les ressources informatiques sont limitées. Le moteur DeepSparse de Neural Magic peut offrir une inférence jusqu'à 6 fois plus rapide sur CPU, rendant possible l'exécution de modèles complexes sans matériel spécialisé.

Comment déployer les modèles Ultralytics YOLO avec Gradio pour des démonstrations interactives ?

Pour déployer des modèles Ultralytics YOLO avec Gradio pour des démonstrations 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 créer 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.