Ultralytics Intégrations
Bienvenue sur la page Ultralytics Integrations ! Cette page donne un aperçu de nos partenariats avec divers outils et plateformes, conçus pour rationaliser tes flux de travail d'apprentissage automatique, améliorer la gestion des ensembles de données, simplifier l'entraînement des modèles et faciliter un déploiement efficace.
Regarde : Ultralytics YOLOv8 Déploiement et intégrations
Intégrations d'ensembles de données
- Roboflow: Facilite la gestion transparente des ensembles de données pour les modèles Ultralytics , en offrant de solides capacités d'annotation, de prétraitement et d'augmentation.
Intégrations de formation
-
ClearML: Automatise tes flux de travail Ultralytics ML, 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 d'apprentissage automatique.
-
DVC: mets en place un contrôle de version pour tes projets d'apprentissage automatique Ultralytics , en synchronisant efficacement les données, le code et les modèles.
-
MLFlow: rationalise l'ensemble du cycle de vie ML des modèles Ultralytics , de l'expérimentation et de la reproductibilité au déploiement.
-
Ultralytics HUB: Accède et contribue à une communauté de modèles pré-entraînés Ultralytics .
-
Neptune: Maintiens un journal complet de tes expériences de ML avec Ultralytics dans ce magasin de métadonnées conçu pour les MLOps.
-
Ray Tune: Optimise les hyperparamètres de tes modèles Ultralytics à n'importe quelle échelle.
-
TensorBoard: Visualise tes flux de travail Ultralytics ML, surveille les métriques des modèles et favorise la collaboration au sein de l'équipe.
-
Weights & Biases (W&B): Surveille les expériences, visualise les mesures et encourage la reproductibilité et la collaboration sur les projets Ultralytics .
-
Amazon SageMaker: Tire parti d'Amazon SageMaker pour construire, former et déployer efficacement les modèles Ultralytics , en fournissant une plateforme tout-en-un pour le cycle de vie ML.
-
Paperspace Gradient: Paperspace Gradient simplifie le travail sur les projets YOLOv8 en fournissant des outils cloud faciles à utiliser pour former, tester et déployer tes modèles rapidement.
-
Google Colab: Utilise Google Colab pour former et évaluer les modèles Ultralytics dans un environnement basé sur le cloud qui prend en charge la collaboration et le partage.
Intégrations de déploiement
-
Neural Magic: Exploite la formation consciente de la quantification (QAT) et les techniques d'élagage pour optimiser les modèles Ultralytics afin d'obtenir des performances supérieures et une taille réduite.
-
Gradio 🚀 NOUVEAU : Déploie les modèles Ultralytics avec Gradio pour des démonstrations interactives de détection d'objets en temps réel.
-
TorchScript: Développé dans le cadre du PyTorch framework, TorchScript permet d'exécuter et de déployer efficacement des modèles d'apprentissage automatique dans divers environnements de production sans avoir besoin de Python dépendances.
-
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 les modèles de vision par ordinateur sur les différentes plates-formes Intel CPU et GPU.
-
TensorRT: Développé par NVIDIA, ce cadre d'inférence et ce format de modèle de deep learning hautes performances optimisent les modèles d'IA pour une vitesse et une efficacité accélérées sur les GPU NVIDIA, garantissant ainsi un déploiement rationalisé.
-
CoreML: CoreML, développé par Apple, est un cadre conçu pour intégrer efficacement les modèles d'apprentissage automatique dans les applications sur iOS, macOS, watchOS et tvOS, en utilisant le matériel d'Apple pour un déploiement efficace et sécurisé des modèles.
-
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 périphériques.
-
TF GraphDef: Développé par Google, GraphDef est le format de TensorFlow's pour représenter les graphes de calcul, ce qui permet d'optimiser l'exécution des modèles d'apprentissage automatique sur divers matériels.
-
TFLite: Développé par Google, TFLite est un cadre léger pour déployer des modèles d'apprentissage automatique sur les appareils mobiles et périphériques, 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 TPU Edge, ce format de modèle garantit une informatique périphérique rapide et efficace.
-
TF.js: Développé par Google pour faciliter l'apprentissage automatique dans les navigateurs et Node.js, TF.js permet de déployer des modèles ML basés sur JavaScript.
-
PaddlePaddle: Plateforme d'apprentissage profond open-source de Baidu, PaddlePaddle permet le déploiement efficace de modèles d'IA et se concentre sur l'évolutivité des applications industrielles.
-
NCNN: Développé par Tencent, NCNN est un cadre d'inférence de réseau neuronal efficace adapté aux appareils mobiles. Il permet de déployer directement des modèles d'IA dans les apps, en optimisant les performances sur les différentes plateformes mobiles.
Formats d'exportation
Nous prenons également en charge une variété de formats d'exportation de modèles pour un déploiement dans différents environnements. Voici les formats disponibles :
Format | format Argument |
Modèle | Métadonnées | Arguments |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
âś… | - |
TorchScript | torchscript |
yolov8n.torchscript |
âś… | imgsz , optimize , batch |
ONNX | onnx |
yolov8n.onnx |
âś… | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
âś… | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
âś… | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolov8n.mlpackage |
âś… | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
âś… | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n.tflite |
âś… | imgsz , half , int8 , batch |
TF Bord TPU | edgetpu |
yolov8n_edgetpu.tflite |
âś… | imgsz , batch |
TF.js | tfjs |
yolov8n_web_model/ |
âś… | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
âś… | imgsz , batch |
NCNN | ncnn |
yolov8n_ncnn_model/ |
âś… | imgsz , half , batch |
Explore les liens pour en savoir plus sur chaque intégration et comment en tirer le meilleur parti avec Ultralytics. Voir l'intégralité export
détails dans le Exporter page.
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 réussi à intégrer YOLO à un nouveau système ou si tu as de précieuses idées à partager, pense à contribuer à nos documents sur les intégrations.
En rédigeant un guide ou un tutoriel, tu peux aider à étoffer notre documentation et à fournir des exemples concrets qui profitent à la communauté. C'est un excellent moyen de contribuer à l'écosystème grandissant autour de Ultralytics YOLO .
Pour contribuer, consulte notre Guide de contribution pour obtenir des instructions sur la façon de soumettre une demande de Pull (PR) 🛠️. Nous attendons avec impatience tes contributions !
Collaborons pour rendre l'écosystème Ultralytics YOLO plus expansif et plus riche en fonctionnalités 🙏 !
Créé le 2023-11-12, Mis à jour le 2024-05-08
Auteurs : Burhan-Q (4), glenn-jocher (12), abirami-vina (14), RizwanMunawar (1)