Integrazioni Ultralytics

Benvenuto nella pagina delle Integrazioni di Ultralytics! Questa pagina offre una panoramica delle nostre partnership con vari strumenti e piattaforme, progettata 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: Potenzia i tuoi modelli Ultralytics con efficaci aumentazioni di immagini per migliorare la robustezza e la generalizzazione del modello.

• Amazon SageMaker: Sfrutta Amazon SageMaker per costruire, addestrare e implementare in modo efficiente i modelli Ultralytics, offrendo una piattaforma tutto-in-uno per il ciclo di vita del ML.

• ClearML: Automatizza i tuoi flussi di lavoro di ML con Ultralytics, monitora gli esperimenti e promuovi 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 efficacemente 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 con i suoi strumenti di AI all'avanguardia, un'integrazione semplice e 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 puoi utilizzare Kaggle per addestrare e valutare i modelli Ultralytics in un ambiente cloud con librerie preinstallate, supporto GPU e una comunità vivace per la collaborazione e la condivisione.

• Modal: Esegui i modelli Ultralytics sulla piattaforma cloud serverless di Modal con provisioning automatico delle GPU, prezzi al secondo e scalabilità continua per i carichi di lavoro di inferenza e addestramento.

• MLFlow: Semplifica l'intero ciclo di vita ML dei modelli Ultralytics, dalla sperimentazione e riproducibilità al deployment.

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

• Paperspace Gradient: Paperspace Gradient semplifica il lavoro sui progetti YOLO26 fornendo strumenti cloud facili da usare per addestrare, testare e implementare i tuoi modelli rapidamente.

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

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

• Ultralytics Platform: Accedi e contribuisci a una comunità di modelli Ultralytics preaddestrati.

• VS Code: Un'estensione per VS Code che fornisce snippet 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 sui progetti Ultralytics.

Integrazioni per il deployment

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

• CoreML: CoreML, sviluppato da Apple, è un framework progettato per integrare efficacemente modelli di machine learning in applicazioni su iOS, macOS, watchOS e tvOS, utilizzando l'hardware di Apple per un model deployment efficace e sicuro.

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

• ExecuTorch: Sviluppato da Meta, ExecuTorch è la soluzione unificata di PyTorch per l'implementazione di modelli Ultralytics YOLO su dispositivi edge.

• Gradio: Implementa i modelli Ultralytics con Gradio per demo interattive di rilevamento oggetti in tempo reale.

• 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 ha prestazioni leader nel settore per l'inferenza e l'addestramento on-device.

• NCNN: Sviluppato da Tencent, NCNN è un framework di inferenza per neural network efficiente e personalizzato per dispositivi mobili. Consente l'implementazione diretta di modelli AI nelle app, ottimizzando le prestazioni su varie piattaforme mobili.

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

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

• OpenVINO: Il toolkit di Intel per ottimizzare e implementare 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 l'implementazione efficiente di modelli AI e si concentra sulla scalabilità delle applicazioni industriali.

• Rockchip RKNN: Sviluppato da Rockchip, RKNN è un framework di inferenza di reti neurali specializzato e ottimizzato per le piattaforme hardware di Rockchip, in particolare per le loro NPU. Facilita l'implementazione efficiente di modelli AI 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 AI edge avanzato progettato per applicazioni di computer vision in tempo reale. Alimentato dal processore SG200X basato su RISC-V, offre un'inferenza AI ad alte prestazioni con efficienza energetica. Il suo design modulare, le avanzate capacità di elaborazione video e il supporto per un deployment flessibile lo rendono una scelta ideale per vari casi d'uso, tra cui il monitoraggio della sicurezza, applicazioni ambientali e manifatturiere.

• SONY IMX500: Ottimizza e implementa i modelli Ultralytics YOLO26 su Raspberry Pi AI Cameras con il sensore IMX500 per prestazioni veloci e a basso consumo.

• TensorRT: Sviluppato da NVIDIA, questo framework di inferenza di deep learning ad alte prestazioni e formato di modello ottimizza i modelli AI per una velocità ed efficienza accelerate sulle GPU NVIDIA, garantendo un deployment ottimizzato.

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

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

• TF.js: Sviluppato da Google per facilitare il machine learning nei browser e in Node.js, TF.js consente l'implementazione basata su JavaScript di modelli ML.

• TFLite: Sviluppato da Google, TFLite è un framework leggero per implementare modelli di machine learning su dispositivi mobili ed edge, garantendo un'inferenza veloce ed efficiente con un'impronta di memoria minima.

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

• TorchScript: Sviluppato come parte del framework PyTorch, TorchScript consente un'esecuzione e un'implementazione efficienti dei 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 inoltre una varietà di formati di esportazione dei modelli per il deployment in diversi ambienti. Ecco i formati disponibili:

Esplora i link per saperne di più su ogni integrazione e su come ottenere il massimo da esse con Ultralytics. Vedi i dettagli completi su export nella pagina Export.

Contribuisci alle nostre integrazioni

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

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

Per contribuire, consulta la nostra Guida al contributo per 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

Cos'è la Ultralytics Platform e come semplifica il flusso di lavoro ML?

Ultralytics Platform è una piattaforma basata su cloud progettata per rendere i flussi di lavoro di machine learning per i modelli Ultralytics fluidi ed efficienti. Utilizzando questo strumento, puoi facilmente caricare dataset, addestrare modelli, eseguire il tracking in tempo reale e implementare modelli YOLO senza bisogno di competenze di programmazione avanzate. La piattaforma funge da spazio di lavoro centralizzato in cui puoi gestire l'intero ciclo ML, dalla preparazione dei dati al deployment. Puoi esplorare le caratteristiche chiave nella pagina Ultralytics Platform e iniziare rapidamente con la nostra guida Quickstart.

Posso tracciare le prestazioni dei miei modelli Ultralytics utilizzando MLFlow?

Sì, puoi. Integrare MLFlow con i modelli Ultralytics ti consente di tracciare gli esperimenti, migliorare la riproducibilità e semplificare l'intero ciclo di vita ML. Le istruzioni dettagliate per configurare questa integrazione si trovano nella pagina di integrazione MLFlow. Questa integrazione è particolarmente utile per monitorare le metriche dei modelli, confrontare diverse esecuzioni di addestramento e gestire il flusso di lavoro ML in modo efficiente. MLFlow fornisce una piattaforma centralizzata per registrare parametri, metriche e artefatti, rendendo più facile comprendere il comportamento del modello e apportare miglioramenti basati sui dati.

Quali sono i vantaggi dell'utilizzo di Neural Magic per l'ottimizzazione dei modelli YOLO26?

Neural Magic ottimizza i modelli YOLO26 sfruttando tecniche come il Quantization Aware Training (QAT) e la potatura, ottenendo modelli altamente efficienti e più piccoli che funzionano meglio su hardware con risorse limitate. Consulta la pagina di integrazione Neural Magic per imparare come implementare queste ottimizzazioni per prestazioni superiori e modelli più snelli. Questo è particolarmente vantaggioso per l'implementazione su dispositivi edge dove le risorse computazionali sono limitate. Il motore DeepSparse di Neural Magic può offrire un'inferenza fino a 6 volte più veloce su CPU, rendendo possibile l'esecuzione di modelli complessi senza hardware specializzato.

Come implemento i modelli Ultralytics YOLO con Gradio per demo interattive?

Per implementare i modelli Ultralytics YOLO con Gradio per demo interattive di object detection, puoi seguire i passaggi descritti nella pagina di integrazione Gradio. Gradio ti permette di creare interfacce web facili da usare per l'inferenza di modelli in tempo reale, rendendolo uno strumento eccellente per mostrare le capacità del tuo modello YOLO in un formato user-friendly adatto sia agli sviluppatori che agli utenti finali. Con poche righe di codice, puoi costruire applicazioni interattive che dimostrano le prestazioni del tuo modello su input personalizzati, facilitando una migliore comprensione e valutazione delle tue soluzioni di computer vision.