Skip to content

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.

Ultralytics YOLO écosystème et intégrations

Intégrations d'ensembles de données

  • Roboflow: Faciliter la gestion transparente des ensembles de donnĂ©es pour les modèles Ultralytics , en offrant de solides capacitĂ©s d'annotation, de prĂ©traitement et d'augmentation.

Intégrations de formation

  • ClearML: Automatise tes flux de travail Ultralytics ML, surveille les expĂ©riences et favorise la collaboration au sein de l'Ă©quipe.

  • Comet ML: AmĂ©liore le dĂ©veloppement de tes modèles avec Ultralytics en suivant, comparant et optimisant tes expĂ©riences d'apprentissage automatique.

  • DVC: mets en place un contrĂ´le de version pour tes projets d'apprentissage automatique Ultralytics , en synchronisant efficacement les donnĂ©es, le code et les modèles.

  • MLFlow: rationalise l'ensemble du cycle de vie ML des modèles Ultralytics , de l'expĂ©rimentation et de la reproductibilitĂ© au dĂ©ploiement.

  • Ultralytics HUB: Accède et contribue Ă  une communautĂ© de modèles prĂ©-entraĂ®nĂ©s Ultralytics .

  • Neptune: Maintiens un journal complet de tes expĂ©riences de ML avec Ultralytics dans ce magasin de mĂ©tadonnĂ©es conçu pour les MLOps.

  • Ray Tune: Optimise les hyperparamètres de tes modèles Ultralytics Ă  n'importe quelle Ă©chelle.

  • TensorBoard: Visualise tes flux de travail Ultralytics ML, surveille les mĂ©triques des modèles et favorise la collaboration au sein de l'Ă©quipe.

  • Weights & Biases (W&B): Surveille les expĂ©riences, visualise les mesures et encourage la reproductibilitĂ© et la collaboration sur les projets Ultralytics .

  • Amazon SageMaker: Tire parti d'Amazon SageMaker pour construire, former et dĂ©ployer efficacement les modèles Ultralytics , en fournissant une plateforme tout-en-un pour le cycle de vie ML.

Intégrations de déploiement

  • Neural Magic: Exploite la formation consciente de la quantification (QAT) et les techniques d'Ă©lagage pour optimiser les modèles Ultralytics afin d'obtenir des performances supĂ©rieures et une taille rĂ©duite.

  • Gradio 🚀 NOUVEAU : DĂ©ploie les modèles Ultralytics avec Gradio pour des dĂ©monstrations interactives de dĂ©tection d'objets en temps rĂ©el.

  • OpenVINO: La boĂ®te Ă  outils d'Intel pour optimiser et dĂ©ployer efficacement les modèles de vision par ordinateur sur les diffĂ©rentes plates-formes Intel CPU et GPU.

  • ONNX: Un format open-source crĂ©Ă© par Microsoft pour faciliter le transfert de modèles d'IA entre diffĂ©rents frameworks, amĂ©liorant ainsi la polyvalence et la flexibilitĂ© de dĂ©ploiement des modèles Ultralytics .

  • TensorRT: DĂ©veloppĂ© par NVIDIA, ce cadre d'infĂ©rence et ce format de modèle de deep learning hautes performances optimisent les modèles d'IA pour une vitesse et une efficacitĂ© accĂ©lĂ©rĂ©es sur les GPU NVIDIA, garantissant ainsi un dĂ©ploiement rationalisĂ©.

  • CoreML: CoreML, dĂ©veloppĂ© par Apple, est un cadre conçu pour intĂ©grer efficacement les modèles d'apprentissage automatique dans les applications sur iOS, macOS, watchOS et tvOS, en utilisant le matĂ©riel d'Apple pour un dĂ©ploiement efficace et sĂ©curisĂ© des modèles.

  • TFLite: DĂ©veloppĂ© par Google, TFLite est un cadre lĂ©ger pour dĂ©ployer des modèles d'apprentissage automatique sur les appareils mobiles et pĂ©riphĂ©riques, garantissant une infĂ©rence rapide et efficace avec une empreinte mĂ©moire minimale.

  • TorchScript: DĂ©veloppĂ© dans le cadre du PyTorch framework, TorchScript permet d'exĂ©cuter et de dĂ©ployer efficacement des modèles d'apprentissage automatique dans divers environnements de production sans avoir besoin de Python dĂ©pendances.

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
ONNX onnx yolov8n.onnx âś… imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n_openvino_model/ âś… imgsz, half, int8
TensorRT engine yolov8n.engine âś… imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n.mlpackage âś… imgsz, half, int8, nms
TF SavedModel saved_model yolov8n_saved_model/ âś… imgsz, keras, int8
TF GraphDef pb yolov8n.pb ❌ imgsz
TF Lite tflite yolov8n.tflite âś… imgsz, half, int8
TF Bord TPU edgetpu yolov8n_edgetpu.tflite âś… imgsz
TF.js tfjs yolov8n_web_model/ âś… imgsz, half, int8
PaddlePaddle paddle yolov8n_paddle_model/ âś… imgsz
NCNN ncnn yolov8n_ncnn_model/ âś… imgsz, half

Explore les liens pour en savoir plus sur chaque intégration et comment en tirer le meilleur parti avec Ultralytics.

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 2024-03-01
Auteurs : abirami-vina (6), glenn-jocher (9)

Commentaires