Integrazioni Ultralytics#

Benvenuto nella pagina delle integrazioni Ultralytics! Questa pagina offre una panoramica delle nostre collaborazioni con vari strumenti e piattaforme, progettate per semplificare 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#

• Agent Skills: insegna agli agenti di programmazione AI come Claude Code, Codex, Cursor e Gemini CLI l'intero flusso di lavoro Ultralytics YOLO con competenze ufficiali per dataset, addestramento, inferenza ed esportazione.

• Albumentations: migliora i tuoi modelli Ultralytics con potenti tecniche di aumento delle immagini per aumentare la robustezza e la capacità di generalizzazione del modello.

• Amazon SageMaker: sfrutta Amazon SageMaker per creare, addestrare e distribuire in modo efficiente i modelli Ultralytics, con una piattaforma completa per l'intero ciclo di vita del ML.

• AMD: addestra, convalida ed esegui i modelli Ultralytics su GPU AMD supportate con PyTorch ROCm, con una panoramica chiara della disponibilità di MIGraphX, DirectML e Ryzen AI NPU.

• ClearML: automatizza i tuoi flussi di lavoro ML Ultralytics, monitora gli esperimenti e promuovi la collaborazione del team.

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

• DVC: implementa il controllo delle versioni per i tuoi progetti di machine learning Ultralytics, sincronizzando dati, codice e modelli in modo efficace.

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

• IBM Watsonx: scopri come IBM Watsonx semplifica l'addestramento e la valutazione dei modelli Ultralytics con strumenti AI all'avanguardia, un'integrazione immediata e un sistema avanzato di gestione dei modelli.

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

• Kaggle: scopri come usare Kaggle per addestrare e valutare i modelli Ultralytics in un ambiente basato sul cloud con librerie preinstallate, supporto 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 al secondo e scalabilità fluida per i carichi di lavoro di inferenza e addestramento.

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

• 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 a qualsiasi scala.

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

• Ultralytics Platform: addestra, gestisci e distribuisci i modelli Ultralytics direttamente nel browser e scarica modelli e dataset preaddestrati ufficiali.

• VS Code: un'estensione per VS Code che offre frammenti di codice per accelerare i flussi di sviluppo Ultralytics e fornisce 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 Ultralytics.

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

Integrazioni per il deployment#

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

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

• Core AI: scopri il nuovo formato .aimodel di Apple, come Core AI si confronta con Core ML, le sue limitazioni attuali e come esportare i modelli YOLO26 con format="coreai" per la generazione 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, utilizzando l'hardware 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 sull'hardware NPU DEEPX, destinata ad applicazioni AI embedded ed edge.

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

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

• Hailo: esporta direttamente i modelli Ultralytics YOLO di rilevamento, segmentazione, segmentazione semantica, stima della profondità, classificazione, posa e OBB 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 sui dispositivi Atlas e OrangePi AIPro.

• Luxonis: converti i modelli Ultralytics YOLO con Luxonis Hub o strumenti locali di Luxonis ed eseguili direttamente sui dispositivi delle telecamere Luxonis OAK RVC2 e RVC4.

• 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 offre prestazioni leader del settore per l'inferenza e l'addestramento on-device.

• NCNN: sviluppato da Tencent, NCNN è un framework efficiente per l'inferenza delle reti neurali, ottimizzato per i dispositivi mobili. Consente il deployment diretto dei modelli AI nelle app, ottimizzando le prestazioni su diverse piattaforme mobili.

• Neural Magic: sfrutta le 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 dei modelli AI tra diversi framework, aumentando la versatilità e la flessibilità di deployment dei modelli Ultralytics.

• OpenVINO: la toolkit di Intel per ottimizzare e distribuire in modo efficiente i modelli di computer vision su diverse piattaforme CPU e GPU Intel.

• PaddlePaddle: una piattaforma open source di deep learning di Baidu, PaddlePaddle consente il deployment efficiente dei modelli AI e si concentra sulla scalabilità delle applicazioni industriali.

• Qualcomm QNN: compila localmente i modelli Ultralytics YOLO nel formato context-binary QNN (AI Engine Direct) con il QNN Execution Provider di ONNX Runtime per un'inferenza accelerata sull'hardware CPU Snapdragon, GPU Adreno e NPU Hexagon nei dispositivi mobili ed edge.

• Rockchip RKNN: sviluppato da Rockchip, RKNN è un framework specializzato per l'inferenza delle reti neurali, ottimizzato per le piattaforme hardware Rockchip, in particolare per le relative NPU. Facilita il deployment efficiente dei modelli AI sui dispositivi edge, consentendo inferenze ad alte prestazioni nelle applicazioni in tempo reale.

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

• SONY IMX500: ottimizza e distribuisci i modelli Ultralytics YOLO26 sulle AI Camera Raspberry Pi con sensore IMX500 per prestazioni rapide e a basso consumo.

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

• TF GraphDef: sviluppato da Google, GraphDef è il formato di TensorFlow per rappresentare i grafi computazionali e consente l'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 ne facilita la condivisione e il deployment su un'ampia gamma di piattaforme, dai server ai dispositivi edge.

• TFLite Edge TPU: sviluppato da Google per ottimizzare i modelli TensorFlow Lite sulle Edge TPU, questo formato dei modelli garantisce un'edge computing ad alta velocità ed efficienza.

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

• TorchScript: sviluppato come parte del framework PyTorch, TorchScript consente l'esecuzione e il deployment efficienti dei modelli di machine learning in diversi 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 diversi formati di esportazione dei modelli per il deployment in ambienti differenti. Ecco i formati disponibili:

nms=None utilizza i valori predefiniti per gli output grezzi per la NMS esterna. Imposta nms=False per selezionare una testa senza NMS disponibile; i formati non supportati ricorrono al loro percorso di output nativo. Le voci nms sopra indicano i formati che possono incorporare la NMS con nms=True.

Esplora i link per saperne di più su ogni integrazione e scoprire come sfruttarle al meglio con Ultralytics. Consulta i dettagli completi di export nella pagina Export.

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 informazioni preziose da condividere, considera la possibilità di contribuire alla documentazione sulle integrazioni.

Scrivendo una guida o un tutorial, puoi contribuire ad ampliare la nostra documentazione e fornire esempi concreti utili alla community. È un ottimo modo per contribuire al crescente ecosistema di Ultralytics YOLO.

Per contribuire, consulta la nostra Guida alla contribuzione per sapere come inviare una Pull Request (PR) 🛠️. Attendiamo con entusiasmo i tuoi contributi!

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

FAQ#