Ultralytics Integrations

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

Integrazioni per l'addestramento

• Albumentations: Migliora i tuoi modelli Ultralytics con potenti aumentazioni delle immagini per incrementare la robustezza e la generalizzazione del modello.

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

• ClearML: Automatizza i tuoi flussi di lavoro ML di Ultralytics, monitora gli esperimenti e favorisci la collaborazione in 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 grazie ai suoi strumenti 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 della GPU, prezzi pay-per-second e scalabilità fluida per 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 store 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 distribuire rapidamente i tuoi modelli.

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

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

• Ultralytics Platform: Accedi e contribuisci a una comunità di modelli Ultralytics pre-addestrati.

• 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 favorisci 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 inferenza edge efficiente.

• 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, utilizzando l'hardware Apple per un'efficace e sicura deployment del modello.

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

• Gradio: Distribuisci i modelli Ultralytics con Gradio per demo di object detection interattive e 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 del settore per l'inferenza e l'addestramento on-device.

• NCNN: Sviluppato da Tencent, NCNN è un efficiente architetture di rete neurale framework di inferenza su misura per dispositivi mobili. Consente il deployment diretto 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 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: Toolkit di Intel per ottimizzare e distribuire computer vision modelli 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 dei 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 i loro NPU. Facilita il deployment efficiente dei modelli AI su dispositivi edge, consentendo un'inferenza ad alte prestazioni in applicazioni in tempo reale.

• Seeed Studio reCamera: Sviluppato da Seeed Studio, la 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 capacità avanzate di elaborazione video e il supporto per un deployment flessibile lo rendono una scelta ideale per vari casi d'uso, inclusi il monitoraggio della sicurezza, applicazioni ambientali e la produzione.

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

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

• TF GraphDef: Sviluppato da Google, GraphDef è il formato di TensorFlow per rappresentare grafi di computazione, 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 TensorFlow modelli, che consente una facile condivisione e deployment 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 il deployment basato su JavaScript dei modelli ML.

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

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

• TorchScript: Sviluppato come parte del PyTorch framework, TorchScript abilita un'esecuzione e un deployment 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 anche 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 sfruttarle al meglio con Ultralytics. Vedi l'elenco completo export nella pagina Esporta.

Contribuisci alle nostre integrazioni

Siamo sempre entusiasti di vedere come la comunità integra Ultralytics YOLO con altre tecnologie, strumenti e piattaforme! Se hai integrato con successo YOLO in un nuovo sistema o hai preziose intuizioni 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 a beneficio della comunità. È un modo eccellente per contribuire al crescente ecosistema attorno a Ultralytics YOLO.

Per contribuire, dai un'occhiata alle nostre Guida al contributo per le istruzioni su come inviare una Pull Request (PR) 🛠️. Attendiamo con ansia i tuoi contributi!

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

FAQ

Cos'è la piattaforma Ultralytics 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 caricare facilmente dataset, addestrare modelli, eseguire il tracking in tempo reale e distribuire modelli YOLO senza bisogno di approfondite competenze di programmazione. La piattaforma funge da spazio di lavoro centralizzato dove puoi gestire l'intera pipeline ML, dalla preparazione dei dati al deployment. Puoi esplorare le funzionalità chiave sulla pagina Ultralytics Platform e iniziare rapidamente con la nostra Quickstart.

Posso tracciare le prestazioni dei miei modelli Ultralytics usando MLFlow?

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

Quali sono i vantaggi dell'utilizzo di Neural Magic per l'ottimizzazione del modello YOLO26?

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

Come posso distribuire i modelli Ultralytics YOLO con Gradio per demo interattive?

Per distribuire i modelli Ultralytics YOLO con Gradio per demo object detection interattive, puoi seguire i passaggi descritti nella pagina Gradio di integrazione. Gradio ti consente di creare interfacce web facili da usare per l'inferenza del modello in tempo reale, rendendolo uno strumento eccellente per mostrare le capacità del tuo modello YOLO in un formato intuitivo adatto sia agli sviluppatori che agli utenti finali. Con solo 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.