Vai al contenuto

Ultralytics Integrazioni

Benvenuti nella pagina delle integrazioni di Ultralytics ! Questa pagina offre una panoramica delle nostre collaborazioni con vari strumenti e piattaforme, progettate per ottimizzare i flussi di lavoro di apprendimento automatico, migliorare la gestione dei set di dati, semplificare l'addestramento dei modelli e facilitare una distribuzione efficiente.

Ultralytics YOLO ecosistema e integrazioni



Guarda: Ultralytics YOLO11 Distribuzione e integrazioni

Integrazioni di set di dati

  • Roboflow: Facilita la gestione dei set di dati senza soluzione di continuità per i modelli di Ultralytics , offrendo solide funzionalità di annotazione, preelaborazione e incremento.

Integrazioni per la formazione

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

  • ClearML: Automatizzare i flussi di lavoro di Ultralytics ML, monitorare gli esperimenti e favorire la collaborazione tra i team.

  • Comet ML: Migliorate lo sviluppo di modelli con Ultralytics tracciando, confrontando e ottimizzando gli esperimenti di apprendimento automatico.

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

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

  • IBM Watsonx: Scoprite come IBM Watsonx semplifica l'addestramento e la valutazione dei modelli di Ultralytics grazie ai suoi strumenti di IA all'avanguardia, all'integrazione semplice e al sistema avanzato di gestione dei modelli.

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

  • Kaggle: Scoprite come utilizzare Kaggle per addestrare e valutare i modelli di Ultralytics in un ambiente basato su cloud con librerie preinstallate, supporto di GPU e una vivace comunità per la collaborazione e la condivisione.

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

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

  • Paperspace Gradient: Paperspace Gradient semplifica il lavoro sui progetti di YOLO11 fornendo strumenti cloud facili da usare per formare, testare e distribuire rapidamente i modelli.

  • Ray Tune: Ottimizzare gli iperparametri dei modelli Ultralytics a qualsiasi scala.

  • TensorBoard: Visualizzate i vostri flussi di lavoro Ultralytics ML, monitorate le metriche dei modelli e promuovete la collaborazione tra i team.

  • Ultralytics HUB: accedere e contribuire a una comunità di modelli preaddestrati di Ultralytics .

  • Weights & Biases (W&B): Monitorare gli esperimenti, visualizzare le metriche e promuovere la riproducibilità e la collaborazione sui progetti di Ultralytics .

  • VS Code: Un'estensione per VS Code che fornisce snippet di codice per accelerare i flussi di sviluppo con Ultralytics e anche per chi cerca esempi per imparare o iniziare a usare Ultralytics.

  • Aumenti: Potenziate i vostri modelli Ultralytics con potenti ampliamenti delle immagini per migliorare la robustezza e la generalizzazione del modello.

  • SONY IMX500: Ottimizzare e distribuire Ultralytics YOLOv8 modelli su telecamere AI Raspberry Pi con il sensore IMX500 per prestazioni veloci e a basso consumo.

Integrazioni di distribuzione

  • CoreML: CoreML, sviluppato da Apple, è un framework progettato per integrare in modo efficiente i modelli di apprendimento automatico nelle applicazioni di iOS, macOS, watchOS e tvOS, utilizzando l'hardware di Apple per una distribuzione efficace e sicura dei modelli.

  • Gradio 🚀 NUOVO: Distribuzione dei modelli Ultralytics con Gradio per dimostrazioni interattive in tempo reale del rilevamento di oggetti.

  • NCNN: Sviluppato da Tencent, NCNN è un efficiente framework per l'inferenza delle reti neurali adattato ai dispositivi mobili. Consente l'implementazione diretta di modelli di intelligenza artificiale nelle app, ottimizzando le prestazioni su diverse piattaforme mobili.

  • 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 su dispositivo.

  • Neural Magic: Sfruttare l'addestramento consapevole della quantizzazione (Quantization Aware Training, QAT) e le tecniche di potatura per ottimizzare i modelli di Ultralytics per ottenere prestazioni superiori e dimensioni più ridotte.

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

  • OpenVINO: Intel's toolkit for optimizing and deploying computer vision models efficienti across various Intel CPU and GPU platforms.

  • PaddlePaddle: Piattaforma open-source di deep learning di Baidu, PaddlePaddle consente di distribuire in modo efficiente i modelli di IA e si concentra sulla scalabilità delle applicazioni industriali.

  • TF GraphDef: Sviluppato da GoogleGraphDef è il formato di TensorFlow per la rappresentazione dei grafi di calcolo, che consente l'esecuzione ottimizzata di modelli di apprendimento automatico su hardware diversi.

  • TF SavedModel: Sviluppato da GoogleTF SavedModel è un formato di serializzazione universale per i modelli. TensorFlow che consente di condividere e distribuire facilmente i modelli su un'ampia gamma di piattaforme, dai server ai dispositivi edge.

  • TF.js: Sviluppato da Google per facilitare l'apprendimento automatico nei browser e in Node.js, TF.js consente la distribuzione di modelli di ML basati su JavaScript.

  • TFLite: Sviluppato da GoogleTFLite è un framework leggero per la distribuzione di modelli di apprendimento automatico su dispositivi mobili ed edge, che garantisce un'inferenza rapida ed efficiente con un ingombro di memoria minimo.

  • TFLite Edge TPU: sviluppato da Google per l'ottimizzazione dei modelli TensorFlow Lite sulle TPU Edge, questo formato di modello garantisce un edge computing efficiente e ad alta velocità.

  • TensorRT: Sviluppato da NVIDIA, questo framework di inferenza per l'apprendimento profondo ad alte prestazioni e il formato dei modelli ottimizza i modelli di intelligenza artificiale per accelerare la velocità e l'efficienza sulle GPU NVIDIA , garantendo un'implementazione semplificata.

  • TorchScript: Sviluppato come parte del PyTorchTorchScript consente l'esecuzione e la distribuzione efficiente di modelli di apprendimento automatico in vari ambienti di produzione senza la necessità di dipendenze da Python .

Formati di esportazione

Supportiamo anche una varietà di formati di esportazione dei modelli per l'impiego in ambienti diversi. Ecco i formati disponibili:

Formato format Argomento Modello Metadati Argomenti
PyTorch - yolo11n.pt -
TorchScript torchscript yolo11n.torchscript imgsz, optimize, batch
ONNX onnx yolo11n.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolo11n_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolo11n.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolo11n.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolo11n.pb imgsz, batch
TF Lite tflite yolo11n.tflite imgsz, half, int8, batch
TF Bordo TPU edgetpu yolo11n_edgetpu.tflite imgsz
TF.js tfjs yolo11n_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolo11n_paddle_model/ imgsz, batch
MNN mnn yolo11n.mnn imgsz, batch, int8, half
NCNN ncnn yolo11n_ncnn_model/ imgsz, half, batch
IMX500 imx yolov8n_imx_model/ imgsz, int8

Esplorate i link per saperne di più su ciascuna integrazione e su come sfruttarla al meglio con Ultralytics. Vedere il sito completo export dettagli nel Esportazione pagina.

Contribuire alle nostre integrazioni

Siamo sempre entusiasti di vedere come la comunità integra Ultralytics YOLO con altre tecnologie, strumenti e piattaforme! Se siete riusciti a integrare con successo YOLO con un nuovo sistema o se avete delle informazioni preziose da condividere, prendete in considerazione l'idea di contribuire ai nostri documenti sulle integrazioni.

Scrivendo una guida o un tutorial, si può contribuire ad ampliare la nostra documentazione e a fornire esempi reali a beneficio della comunità. È un modo eccellente per contribuire al crescente ecosistema di Ultralytics YOLO .

Per contribuire, consultate la nostra Guida alla contribuzione per le istruzioni su come inviare una richiesta di prelievo (PR) 🛠️. Aspettiamo con ansia i vostri contributi!

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

FAQ

Che cos'è Ultralytics HUB e come ottimizza il flusso di lavoro di ML?

Ultralytics HUB è una piattaforma basata sul cloud progettata per rendere i flussi di lavoro di apprendimento automatico (ML) per i modelli Ultralytics continui ed efficienti. Utilizzando questo strumento, è possibile caricare facilmente i set di dati, addestrare i modelli, eseguire il monitoraggio in tempo reale e distribuire i modelli YOLO11 senza dover disporre di competenze di codifica approfondite. È possibile esplorare le caratteristiche principali sulla pagina Ultralytics HUB e iniziare rapidamente con la nostra guida Quickstart.

Come posso integrare i modelli Ultralytics YOLO con Roboflow per la gestione dei set di dati?

L'integrazione dei modelli Ultralytics YOLO con Roboflow migliora la gestione dei set di dati fornendo strumenti robusti per l'annotazione, la preelaborazione e l'incremento. Per iniziare, seguite i passi della Roboflow pagina di integrazione. Questa collaborazione garantisce una gestione efficiente dei dataset, fondamentale per lo sviluppo di modelli YOLO accurati e robusti.

Posso monitorare le prestazioni dei miei modelli Ultralytics utilizzando MLFlow?

Sì, è possibile. L'integrazione di MLFlow con i modelli di Ultralytics consente di tracciare gli esperimenti, migliorare la riproducibilità e semplificare l'intero ciclo di vita del ML. Le istruzioni dettagliate per impostare questa integrazione sono disponibili nella pagina di integrazione di MLFlow. Questa integrazione è particolarmente utile per monitorare le metriche dei modelli e gestire in modo efficiente il flusso di lavoro ML.

Quali sono i vantaggi dell'utilizzo di Neural Magic per l'ottimizzazione del modello YOLO11 ?

Neural Magic ottimizza i modelli di YOLO11 sfruttando tecniche come Quantization Aware Training (QAT) e il pruning, ottenendo modelli più piccoli e altamente efficienti che funzionano meglio su hardware a risorse limitate. Consultate la Neural Magic per scoprire come implementare queste ottimizzazioni per ottenere prestazioni superiori e modelli più snelli. Ciò è particolarmente vantaggioso per l'implementazione su dispositivi edge.

Come posso distribuire i modelli di Ultralytics YOLO con Gradio per le dimostrazioni interattive?

Per distribuire i modelli Ultralytics YOLO con Gradio per le dimostrazioni interattive di rilevamento degli oggetti, è possibile seguire la procedura descritta nella pagina di integrazione di Gradio. Gradio consente di creare interfacce web di facile utilizzo per l'inferenza del modello in tempo reale e rappresenta uno strumento eccellente per mostrare le capacità del modello YOLO in un formato facile da usare, adatto sia agli sviluppatori che agli utenti finali.

Rispondendo a queste domande comuni, intendiamo migliorare l'esperienza dell'utente e fornire preziose informazioni sulle potenti funzionalità dei prodotti Ultralytics . L'integrazione di queste domande frequenti non solo migliorerà la documentazione, ma aumenterà anche il traffico organico verso il sito web Ultralytics .

📅C reato 1 anno fa ✏️ Aggiornato 1 mese fa

Commenti