Integrazioni Ultralytics#

Benvenuto nella pagina delle integrazioni di Ultralytics! Questa pagina offre una panoramica delle nostre collaborazioni con vari strumenti e piattaforme, progettate per ottimizzare i tuoi flussi di lavoro di machine learning, migliorare la gestione dei dataset, semplificare l'addestramento dei modelli e facilitare un deployment efficiente.

Integrazioni per l'addestramento#

• Albumentations: Arricchisci i tuoi modelli Ultralytics con potenti augmentation delle immagini per migliorare la robustezza e la generalizzazione del modello.

• Amazon SageMaker: Sfrutta Amazon SageMaker per creare, addestrare ed eseguire il deployment dei modelli Ultralytics in modo efficiente, ottenendo una piattaforma all-in-one per il ciclo di vita del machine learning.

• AMD: Addestra, valida ed esegui i modelli Ultralytics sulle GPU AMD supportate con PyTorch ROCm, con una chiara ripartizione della disponibilità di MIGraphX, DirectML e Ryzen AI NPU.

• ClearML: Automatizza i tuoi flussi di lavoro di machine learning con Ultralytics, monitora gli esperimenti e favorisci la collaborazione del team.

• Comet ML: Migliora lo sviluppo dei tuoi modelli con Ultralytics tracciando, confrontando e ottimizzando i tuoi esperimenti di machine learning.

• DVC: Implementa il controllo di versione per i tuoi progetti di machine learning con Ultralytics, sincronizzando in modo efficace dati, codice e modelli.

• Google Colab: Usa Google Colab per addestrare e valutare i modelli Ultralytics in un ambiente basato su cloud che supporta la collaborazione e la condivisione.

• IBM Watsonx: Scopri come IBM Watsonx semplifica l'addestramento e la valutazione dei modelli Ultralytics grazie ai suoi strumenti di intelligenza artificiale all'avanguardia, alla facile integrazione e a un sistema avanzato di gestione dei modelli.

• JupyterLab: Scopri come utilizzare l'ambiente interattivo e personalizzabile di JupyterLab per addestrare e valutare i modelli Ultralytics con facilità ed efficienza.

• Kaggle: Esplora come utilizzare Kaggle per addestrare e valutare i modelli Ultralytics in un ambiente cloud con librerie preinstallate, supporto per GPU e una vivace community per la collaborazione e la condivisione.

• Modal: Esegui i modelli Ultralytics sulla piattaforma cloud serverless di Modal con provisioning automatico delle GPU, tariffazione pay-per-second e scalabilità senza interruzioni per i carichi di lavoro di inferenza e addestramento.

• MLFlow: Ottimizza l'intero ciclo di vita del machine learning dei modelli Ultralytics, dalla sperimentazione e riproducibilità fino al deployment.

• Neptune: Mantieni un registro completo dei tuoi esperimenti di machine learning con Ultralytics in questo archivio di metadati progettato per MLOps.

• Paperspace Gradient: Paperspace Gradient semplifica il lavoro sui progetti YOLO26 fornendo strumenti cloud di facile utilizzo per addestrare, testare ed effettuare il deployment dei tuoi modelli rapidamente.

• Ray Tune: Ottimizza gli iperparametri dei tuoi modelli Ultralytics a qualsiasi scala.

• TensorBoard: Visualizza i tuoi flussi di lavoro di machine learning con Ultralytics, monitora le metriche dei modelli e favorisci la collaborazione del team.

• Ultralytics Platform: Accedi a una community di modelli Ultralytics preaddestrati e contribuisci ad essa.

• VS Code: Un'estensione per VS Code che fornisce frammenti di codice per accelerare i flussi di lavoro di sviluppo con Ultralytics e offre esempi per aiutare chiunque a imparare o iniziare.

• Weights & Biases (W&B): Monitora gli esperimenti, visualizza le metriche e promuovi la riproducibilità e la collaborazione nei progetti con Ultralytics.

• YAML2ModelGraph: Genera diagrammi di architettura SVG pronti per la pubblicazione direttamente dai file di configurazione YAML di Ultralytics YOLO.

Integrazioni per il deployment#

• Ambarella: Addestra, comprimi ed esporta i modelli Ultralytics YOLO per i SoC Ambarella CVflow® come il CV72 utilizzando l'addestramento consapevole della compressione SpongeTorch e la toolchain offline CVflow.

• Axelera: Esplora gli acceleratori Metis e il Voyager SDK per eseguire i modelli Ultralytics con un'efficiente inferenza edge.

• Core AI: Scopri il nuovo formato .aimodel di Apple, il confronto tra Core AI e Core ML, le sue attuali limitazioni e la prevista integrazione con Ultralytics per la generazione di iOS 27 e macOS 27.

• CoreML: CoreML, sviluppato da Apple, è un framework progettato per integrare in modo efficiente i modelli di machine learning nelle applicazioni su iOS, macOS, watchOS e tvOS, sfruttando l'hardware di Apple per un deployment dei modelli efficace e sicuro.

• DEEPX: Esporta i modelli Ultralytics YOLO nel formato .dxnn di DEEPX per un'inferenza INT8 a basso consumo energetico su hardware NPU DEEPX, puntando ad applicazioni di IA embedded ed edge.

• ExecuTorch: Sviluppato da Meta, ExecuTorch è la soluzione unificata di PyTorch per il deployment dei modelli Ultralytics YOLO su dispositivi edge.

• Gradio: Effettua il deployment dei modelli Ultralytics con Gradio per demo di object detection interattive in tempo reale.

• Hailo: Esporta i modelli Ultralytics YOLO di object detection, segmentazione, segmentazione semantica, stima della profondità, classificazione, pose e OBB direttamente in Hailo HEF; consulta la guida all'integrazione per i modelli e i target convalidati.

• Huawei Ascend: Compila i modelli Ultralytics YOLO nel formato offline .om di Huawei Ascend con il compilatore CANN ATC per l'inferenza FP16 su dispositivi Atlas e OrangePi AIPro.

• MNN: Sviluppato da Alibaba, MNN è un framework di deep learning altamente efficiente e leggero. Supporta l'inferenza e l'addestramento di modelli di deep learning e vanta prestazioni leader del settore per l'inferenza e l'addestramento on-device.

• NCNN: Sviluppato da Tencent, NCNN è un efficiente framework di inferenza per reti neurali progettato su misura per i dispositivi mobili. Consente il deployment diretto di modelli di intelligenza artificiale nelle app, ottimizzando le prestazioni su varie piattaforme mobili.

• Neural Magic: Sfrutta tecniche di Quantization Aware Training (QAT) e pruning per ottimizzare i modelli Ultralytics ottenendo prestazioni superiori e dimensioni ridotte.

• ONNX: Un formato open-source creato da Microsoft per facilitare il trasferimento di modelli di intelligenza artificiale tra vari framework, migliorando la versatilità e la flessibilità di deployment dei modelli Ultralytics.

• OpenVINO: Il toolkit di Intel per ottimizzare ed effettuare il deployment di modelli di computer vision in modo efficiente su varie piattaforme CPU e GPU Intel.

• PaddlePaddle: Una piattaforma di deep learning open-source di Baidu, PaddlePaddle consente il deployment efficiente di modelli di intelligenza artificiale e si concentra sulla scalabilità delle applicazioni industriali.

• Qualcomm QNN: Compila localmente i modelli Ultralytics YOLO nel formato binario di contesto QNN (AI Engine Direct) con il QNN Execution Provider di ONNX Runtime per un'inferenza accelerata su hardware CPU Snapdragon, GPU Adreno e NPU Hexagon in dispositivi mobili ed edge.

• Rockchip RKNN: Sviluppato da Rockchip, RKNN è un framework di inferenza per reti neurali specializzato e ottimizzato per le piattaforme hardware di Rockchip, in particolare le loro NPU. Facilita l'efficiente deployment di modelli di intelligenza artificiale su dispositivi edge, consentendo un'inferenza ad alte prestazioni in applicazioni in tempo reale.

• Seeed Studio reCamera: Sviluppato da Seeed Studio, reCamera è un dispositivo edge AI avanzato progettato per applicazioni di computer vision in tempo reale. Alimentato dal processore SG200X basato su RISC-V, offre inferenza AI ad alte prestazioni con efficienza energetica. Il suo design modulare, le capacità di elaborazione video avanzate e il supporto per un deployment flessibile lo rendono la scelta ideale per vari casi d'uso, tra cui il monitoraggio della sicurezza, le applicazioni ambientali e la produzione.

• SONY IMX500: Ottimizza ed effettua il deployment dei modelli Ultralytics YOLO26 sulle Raspberry Pi AI Cameras con il sensore IMX500 per prestazioni elevate e a basso consumo energetico.

• TensorRT: Sviluppato da NVIDIA, questo framework di inferenza per il deep learning ad alte prestazioni e formato di modello ottimizza i modelli di intelligenza artificiale per velocità ed efficienza accelerate su GPU NVIDIA, garantendo un deployment semplificato.

• TF GraphDef: Sviluppato da Google, GraphDef è il formato di TensorFlow per rappresentare i grafi di calcolo, consentendo l'esecuzione ottimizzata di modelli di machine learning su diversi hardware.

• TF SavedModel: Sviluppato da Google, TF SavedModel è un formato di serializzazione universale per i modelli TensorFlow, che consente una facile condivisione e un facile deployment su un'ampia gamma di piattaforme, dai server ai dispositivi edge.

• TFLite Edge TPU: Sviluppato da Google per ottimizzare i modelli TensorFlow Lite su Edge TPU, questo formato di modello garantisce edge computing ad alta velocità ed efficiente.

• LiteRT: Sviluppato da Google, LiteRT (in precedenza TensorFlow Lite) è il runtime on-device per il formato .tflite, che esegue il deployment di un singolo modello su dispositivi mobili, embedded, edge e browser (tramite LiteRT.js).

• TorchScript: Sviluppato come parte del framework PyTorch, TorchScript consente l'esecuzione e il deployment efficienti di modelli di machine learning in vari ambienti di produzione senza la necessità di dipendenze Python.

Integrazioni per i Dataset#

• Roboflow: Facilita l'etichettatura e la gestione dei dataset per i modelli Ultralytics, offrendo strumenti di annotazione per etichettare le immagini.

Formati di esportazione#

Supportiamo anche una varietà di formati di esportazione dei modelli per l'implementazione in ambienti diversi. Ecco i formati disponibili:

Esplora i link per saperne di più su ciascuna integrazione e su come trarne il massimo vantaggio con Ultralytics. Vedi i dettagli completi di export nella pagina Esporta.

Contribuisci alle nostre integrazioni#

Siamo sempre entusiasti di vedere come la community integra Ultralytics YOLO con altre tecnologie, strumenti e piattaforme! Se hai integrato con successo YOLO con un nuovo sistema o hai preziosi spunti da condividere, prendi in considerazione l'idea di contribuire alla nostra documentazione sulle integrazioni.

Scrivendo una guida o un tutorial, puoi aiutare ad ampliare la nostra documentazione e fornire esempi reali che avvantaggiano la comunità. È un ottimo modo per contribuire al crescente ecosistema intorno a Ultralytics YOLO.

Per contribuire, consulta la nostra Guida ai contributi per le istruzioni su come inviare una Pull Request (PR) 🛠️. Attendiamo con ansia i tuoi contributi!

Collaboriamo per rendere l'ecosistema di Ultralytics YOLO più ampio e ricco di funzionalità 🙏!

FAQ#