Link to this sectionIntegrazioni Ultralytics#

Benvenuto nella pagina delle Integrazioni di Ultralytics! Questa pagina offre una panoramica delle nostre partnership 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.

Link to this sectionIntegrazioni per l'addestramento#

• Albumentations: Potenzia i tuoi modelli Ultralytics con efficaci aumentazioni delle immagini per migliorarne la robustezza e la generalizzazione.

• Amazon SageMaker: Sfrutta Amazon SageMaker per costruire, addestrare e implementare in modo efficiente i modelli Ultralytics, fornendo 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 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 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 per 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 di GPU, prezzi al secondo e scalabilità continua per 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.

• 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 del modello e favorisci 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 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.

Link to this sectionIntegrazioni per il deployment#

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

• 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 del modello 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 di DEEPX, destinato ad applicazioni AI embedded ed edge.

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

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

• Hailo: Converti i modelli di rilevamento Ultralytics YOLO da ONNX a Hailo HEF con il Dataflow Compiler esterno di Hailo per dispositivi Hailo-8, Hailo-8L, Raspberry Pi AI Kit e Hailo-15.

• 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 framework di inferenza per reti neurali efficiente su misura per dispositivi mobili. Consente il deployment diretto di modelli AI 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 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 il deployment efficiente di modelli AI e si concentra sulla scalabilità delle applicazioni industriali.

• Qualcomm QNN: Compila i modelli Ultralytics YOLO localmente nel formato contest-binary QNN (AI Engine Direct) con il QNN Execution Provider di ONNX Runtime per un'inferenza accelerata su hardware Snapdragon CPU, Adreno GPU e Hexagon NPU 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'implementazione efficiente di modelli AI su dispositivi edge, consentendo un'inferenza ad alte prestazioni in applicazioni in tempo reale.

• Seeed Studio reCamera: Sviluppata da Seeed Studio, la 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 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 la rendono una scelta ideale per vari casi d'uso, inclusi il monitoraggio della sicurezza, applicazioni ambientali e la produzione.

• 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 ad alte prestazioni per il deep learning e il formato modello ottimizza i modelli AI per una velocità ed efficienza accelerate sulle GPU NVIDIA, garantendo un deployment semplificato.

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

• 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 l'implementazione di modelli di machine learning su dispositivi mobili ed edge, garantendo un'inferenza rapida ed efficiente con un'impronta di memoria minima.

• TFLite Edge TPU: Sviluppato da Google per l'ottimizzazione di modelli TensorFlow Lite su Edge TPU, questo formato modello garantisce un'edge computing rapido ed efficiente.

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

Link to this sectionIntegrazioni per i Dataset#

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

Link to this sectionFormati 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 ogni integrazione e su come ottenere il massimo da esse con Ultralytics. Vedi i dettagli completi su export nella pagina Export.

Link to this sectionContribuisci 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 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 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 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 🙏!

Link to this sectionFAQ#

Link to this sectionCos'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 implementare modelli YOLO senza bisogno di competenze di programmazione avanzate. La piattaforma funge da spazio di lavoro centralizzato dove puoi gestire l'intero ciclo di vita ML, dalla preparazione dei dati al deployment. Puoi esplorare le funzionalità chiave nella pagina Ultralytics Platform e iniziare rapidamente con la nostra guida Quickstart.

Link to this sectionPosso tracciare le prestazioni dei miei modelli Ultralytics utilizzando MLFlow?#

Sì, puoi. L'integrazione di 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 di MLFlow. Questa integrazione è particolarmente utile per monitorare le metriche del modello, confrontare diverse sessioni 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.

Link to this sectionQuali 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 il pruning, risultando in modelli altamente efficienti e più piccoli che funzionano meglio su hardware con risorse limitate. Dai un'occhiata alla pagina di integrazione di 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.

Link to this sectionCome 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 di Gradio. 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 creare applicazioni interattive che dimostrano le prestazioni del tuo modello su input personalizzati, facilitando una migliore comprensione e valutazione delle tue soluzioni di computer vision.