Vai al contenuto

Ultralytics Integrazioni

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 apprendimento automatico, migliorare la gestione dei set di dati, semplificare l'addestramento dei modelli e facilitare una distribuzione efficiente.

Ultralytics YOLO ecosistema e integrazioni

Integrazioni di set di dati

  • Roboflow: Facilita la gestione dei set di dati per i modelli di Ultralytics , offrendo solide funzionalità di annotazione, pre-elaborazione e incremento.

Integrazioni per la formazione

  • ClearML: Automatizza i flussi di lavoro di Ultralytics ML, monitora gli esperimenti e favorisci la collaborazione tra i team.

  • Comet ML: Migliora lo sviluppo dei tuoi modelli con Ultralytics tracciando, confrontando e ottimizzando i tuoi esperimenti di apprendimento automatico.

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

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

  • Ultralytics HUB: Accedi e contribuisci a una comunità di modelli preaddestrati di Ultralytics .

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

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

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

  • Weights & Biases (W&B): Controlla gli esperimenti, visualizza le metriche e favorisce la riproducibilità e la collaborazione sui progetti di Ultralytics .

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

Integrazioni di distribuzione

  • Neural Magic: Sfrutta le tecniche di Quantization Aware Training (QAT) e di pruning per ottimizzare i modelli di Ultralytics e ottenere prestazioni superiori e dimensioni più ridotte.

  • Gradio 🚀 NUOVO: distribuisci i modelli di Ultralytics con Gradio per dimostrazioni interattive e in tempo reale del rilevamento di oggetti.

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

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

  • TensorRT: Sviluppato da NVIDIA, questo framework di inferenza di deep learning ad alte prestazioni e formato di modello ottimizza i modelli di intelligenza artificiale per accelerare la velocità e l'efficienza sulle GPU NVIDIA, garantendo una distribuzione semplificata.

  • 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.

  • TFLite: Sviluppato da Google, TFLite è un framework leggero per l'implementazione di modelli di apprendimento automatico su dispositivi mobili ed edge, che garantisce un'inferenza veloce ed efficiente con un ingombro di memoria minimo.

  • TorchScript: Sviluppato come parte del PyTorchTorchScript consente di eseguire e distribuire in modo efficiente i modelli di apprendimento automatico in vari ambienti di produzione, senza dover ricorrere alle dipendenze di Python .

Formati di esportazione

Inoltre, supportiamo una serie di formati di esportazione dei modelli per l'utilizzo in ambienti diversi. Ecco i formati disponibili:

Formato format Argomento Modello Metadati Argomenti
PyTorch - yolov8n.pt ✅ -
TorchScript torchscript yolov8n.torchscript ✅ imgsz, optimize
ONNX onnx yolov8n.onnx ✅ imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n_openvino_model/ ✅ imgsz, half, int8
TensorRT engine yolov8n.engine ✅ imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n.mlpackage ✅ imgsz, half, int8, nms
TF SavedModel saved_model yolov8n_saved_model/ ✅ imgsz, keras, int8
TF GraphDef pb yolov8n.pb ❌ imgsz
TF Lite tflite yolov8n.tflite ✅ imgsz, half, int8
TF Bordo TPU edgetpu yolov8n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n_web_model/ ✅ imgsz, half, int8
PaddlePaddle paddle yolov8n_paddle_model/ ✅ imgsz
NCNN ncnn yolov8n_ncnn_model/ ✅ imgsz, half

Esplora i link per saperne di più su ogni integrazione e su come sfruttarla al meglio con Ultralytics.

Contribuisci alle nostre integrazioni

Siamo sempre entusiasti di vedere come la comunità integra Ultralytics YOLO con altre tecnologie, strumenti e piattaforme! Se sei riuscito a integrare con successo YOLO con un nuovo sistema o se hai delle informazioni preziose da condividere, considera la possibilità di contribuire ai nostri documenti sulle integrazioni.

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

Per contribuire, consulta la nostra Guida alla contribuzione per le istruzioni su come inviare una Pull Request (PR) 🛠️. Aspettiamo con ansia i tuoi contributi!

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



Creato 2023-11-12, Aggiornato 2024-03-01
Autori: abirami-vina (6), glenn-jocher (9)

Commenti