Link to this sectionIntégrations Ultralytics#

Bienvenue sur la page des intégrations Ultralytics ! Cette page propose une vue d'ensemble 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.

Link to this sectionIntégrations pour l'entraînement#

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

• Amazon SageMaker : Exploite 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 au sein de ton équipe.

• Comet ML : Perfectionne 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, une prise en charge GPU et une communauté dynamique pour collaborer et partager.

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

• MLFlow : Rationalise l'intégralité du cycle de vie ML de tes modèles Ultralytics, de l'expérimentation et la reproductibilité jusqu'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 tes projets YOLO26 en fournissant des outils cloud intuitifs pour entraîner, tester et déployer rapidement tes modèles.

• Ray Tune : Optimise les hyperparamètres de tes modèles Ultralytics, quelle que soit l'échelle.

• TensorBoard : Visualise tes flux de travail ML 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 son enrichissement.

• VS Code : Une extension pour VS Code qui fournit des extraits de code pour accélérer tes flux de travail de développement Ultralytics et propose des exemples pour t'aider 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.

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 embarquée 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 créer des démonstrations interactives de détection d'objets en temps réel.

• Hailo : Convertis tes modèles de détection Ultralytics YOLO depuis 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 très efficace et léger. Il prend en charge l'inférence et l'entraînement de modèles de deep learning et affiche des performances de pointe dans l'industrie pour l'inférence et l'entraînement sur appareil.

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

• Neural Magic : Exploite le Quantization Aware Training (QAT) et les techniques d'élagage pour optimiser tes modèles Ultralytics pour une performance supérieure et une taille réduite.

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

• OpenVINO : La boîte à outils d'Intel pour optimiser et déployer efficacement tes 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 en se concentrant 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 de neurones spécialisé et 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 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, y compris la surveillance de sécurité, les applications environnementales et la fabrication.

• SONY IMX500 : Optimise et déploie tes modèles Ultralytics YOLO26 sur les caméras Raspberry Pi AI équipées du capteur IMX500 pour des performances rapides 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 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, facilitant le partage et le déploiement 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 basés 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 Edge TPUs, ce format de modèle garantit un edge computing rapide et efficace.

• TorchScript : Développé dans le cadre du framework PyTorch, TorchScript permet une exécution et un déploiement efficaces des 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 tes modèles Ultralytics, en proposant 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 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 sur 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 réussi à intégrer YOLO à un nouveau système ou si tu as des idées précieuses à partager, envisage de 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 obtenir des instructions sur la façon de 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 🙏 !

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 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 tes modèles YOLO sans avoir besoin de compétences approfondies 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 jusqu'au déploiement. Tu peux explorer les fonctionnalités clés sur la page Ultralytics Platform et démarrer rapidement avec notre guide Quickstart.

Link to this sectionPuis-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'intégralité 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 du modèle, comparer différentes exécutions d'entraînement et gérer efficacement ton flux de travail ML. MLFlow fournit une plateforme centralisée pour consigner les paramètres, les métriques et les artefacts, ce qui permet de mieux comprendre le comportement du modèle et d'apporter des 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 tes modèles YOLO26 en exploitant des techniques telles que le Quantization Aware Training (QAT) et l'élagage, ce qui permet d'obtenir des modèles très efficaces et plus légers, plus performants sur du matériel aux ressources limitées. Consulte la page d'intégration Neural Magic pour apprendre à implémenter ces optimisations pour obtenir une performance supérieure et des modèles plus compacts. Ceci 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 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 aux développeurs comme 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.