Integrazioni Ultralytics#

Benvenuto nella pagina delle integrazioni Ultralytics! Questa pagina offre una panoramica delle nostre partnership con vari strumenti e piattaforme, pensate per semplificare i tuoi flussi di lavoro di apprendimento automatico, migliorare la gestione dei dataset, semplificare l'addestramento dei modelli e agevolare una distribuzione efficiente.

Integrazioni per l'addestramento#

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

• Albumentations: migliora i tuoi modelli Ultralytics con potenti tecniche di aumento dei dati delle immagini per migliorarne la robustezza e la capacità di generalizzazione.

• 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 ML.

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

• Comet ML: migliora lo sviluppo dei tuoi modelli con Ultralytics monitorando, confrontando e ottimizzando gli esperimenti di apprendimento automatico.

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

• Google Colab: usa Google Colab per addestrare e valutare i modelli Ultralytics in un ambiente 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 di IA all'avanguardia, un'integrazione semplice 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 cloud con librerie preinstallate, supporto GPU e una vivace community che favorisce 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 alla distribuzione.

• Paperspace Gradient: Paperspace Gradient semplifica lo sviluppo di progetti YOLO26 offrendo 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 con Ultralytics, monitora le metriche dei modelli e favorisci la collaborazione del team.

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

• VS Code: un'estensione per VS Code che offre frammenti di codice per accelerare i flussi di lavoro di sviluppo con Ultralytics ed esempi che aiutano chiunque a imparare o iniziare.

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

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

Integrazioni per la distribuzione#

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

• AMD: esporta Ultralytics YOLO in ONNX ed esegui l'inferenza accelerata dalla GPU sulle GPU AMD Instinct e Radeon tramite il provider di esecuzione ONNX Runtime MIGraphX su ROCm; è supportato anche l'addestramento PyTorch ROCm nativo.

• AMD Xilinx: esporta Ultralytics YOLO con format="xilinx" per le NPU AMD Versal AI Edge Series Gen 2 usando AMD Quark e Vitis AI; la guida tratta i dispositivi Zynq, Kria e Versal, gli acceleratori DPU e NPU e il supporto degli operatori YOLO.

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

• Core AI: scopri il nuovo formato .aimodel di Apple, le differenze tra Core AI e Core ML, i limiti 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 apprendimento automatico nelle applicazioni per iOS, macOS, watchOS e tvOS, sfruttando l'hardware Apple per una distribuzione dei modelli efficace e sicura.

• 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 di IA embedded e 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 creare demo interattive di rilevamento degli oggetti in tempo reale.

• Hailo: esporta direttamente in Hailo HEF i modelli Ultralytics YOLO per rilevamento, segmentazione, segmentazione semantica, stima della profondità, classificazione, posa e OBB; consulta la guida all'integrazione per i modelli e le piattaforme convalidate.

• 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 gli strumenti Luxonis locali ed eseguili direttamente sulle fotocamere Luxonis OAK RVC2 e RVC4.

• MNN: sviluppato da Alibaba, MNN è un framework di apprendimento profondo altamente efficiente e leggero. Supporta l'inferenza e l'addestramento dei modelli di apprendimento profondo e offre prestazioni di riferimento nel settore per l'inferenza e l'addestramento direttamente sul dispositivo.

• NCNN: sviluppato da Tencent, NCNN è un framework efficiente per l'inferenza delle reti neurali, progettato per i dispositivi mobili. Consente di distribuire direttamente i modelli di IA nelle app, ottimizzando le prestazioni su diverse piattaforme mobili.

• Neural Magic: sfrutta l'addestramento consapevole della quantizzazione (QAT) e le tecniche di 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 di IA tra framework diversi, aumentando la versatilità e la flessibilità di distribuzione dei modelli Ultralytics.

• OpenVINO: il toolkit Intel per ottimizzare e distribuire in modo efficiente modelli di visione artificiale su diverse piattaforme Intel CPU e GPU.

• PaddlePaddle: una piattaforma open source per l'apprendimento profondo sviluppata da Baidu, che consente di distribuire in modo efficiente i modelli di IA e si concentra sulla scalabilità delle applicazioni industriali.

• Qualcomm QNN: compila localmente i modelli Ultralytics YOLO nel formato context-binary di QNN (AI Engine Direct) con il provider di esecuzione QNN di ONNX Runtime, per accelerare l'inferenza su CPU Snapdragon, GPU Adreno e hardware 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. Semplifica la distribuzione efficiente dei modelli di IA sui dispositivi edge, consentendo inferenze ad alte prestazioni nelle applicazioni in tempo reale.

• Seeed Studio reCamera: sviluppata da Seeed Studio, reCamera è un dispositivo avanzato di IA edge progettato per applicazioni di visione artificiale in tempo reale. Grazie al processore SG200X basato su RISC-V, offre inferenze IA ad alte prestazioni con un consumo energetico efficiente. Il design modulare, le funzionalità avanzate di elaborazione video e il supporto per una distribuzione 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 fotocamere Raspberry Pi AI dotate di sensore IMX500, per prestazioni rapide e a basso consumo.

• TensorRT: sviluppato da NVIDIA, questo framework di inferenza ad alte prestazioni e formato per modelli di apprendimento profondo ottimizza i modelli di IA per garantire maggiore velocità ed efficienza sulle GPU NVIDIA, semplificandone la distribuzione.

• TF GraphDef: sviluppato da Google, GraphDef è il formato di TensorFlow per rappresentare grafi di calcolo e consente di eseguire in modo ottimizzato i modelli di apprendimento automatico 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 la distribuzione 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 garantisce un'elaborazione edge rapida ed efficiente.

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

• TorchScript: sviluppato nell'ambito del framework PyTorch, TorchScript consente di eseguire e distribuire in modo efficiente i modelli di apprendimento automatico in diversi ambienti di produzione senza dipendenze da Python.

Integrazioni per i dataset#

• Roboflow: semplifica l'etichettatura e la gestione dei dataset per i modelli Ultralytics, offrendo strumenti per annotare le immagini.

Formati di esportazione#

Supportiamo anche vari formati di esportazione dei modelli per la distribuzione in ambienti diversi. Ecco i formati disponibili:

nms=None restituisce per impostazione predefinita output grezzi per NMS esterno. Imposta nms=False per selezionare una head disponibile senza NMS; i formati non supportati utilizzano il proprio percorso di output nativo. Le voci nms qui sopra identificano i formati che possono integrare NMS con nms=True.

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

Contribuisci alle nostre integrazioni#

Ci entusiasma sempre scoprire 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 utili da condividere, valuta la possibilità di contribuire alla documentazione delle integrazioni.

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

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

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

Domande frequenti#