はじめる

Ultralyticsインテグレーション

このページでは、データセット管理やモデルのトレーニングから、実験の追跡やデプロイまで、機械学習ワークフローを支援するためにUltralyticsが統合しているツールとプラットフォームを紹介します。

Ultralytics YOLO ecosystem and integrations


視聴: Ultralytics YOLOのデプロイとインテグレーション

トレーニングのインテグレーション#

  • Agent Skills: データセット、トレーニング、推論、エクスポートを網羅する公式スキルを使って、Claude Code、Codex、Cursor、Gemini CLIなどのAIコーディングエージェントに、Ultralytics YOLOのワークフロー全体を学習させます。

  • Albumentations:Ultralyticsのトレーニング中に追加の画像拡張を適用して、モデルの堅牢性と汎化性能を高めます。

  • Amazon SageMaker:Amazon SageMakerを使用して、MLライフサイクル全体にわたり、単一のプラットフォームでUltralyticsモデルの構築、トレーニング、デプロイを行えます。

  • ClearML:UltralyticsのMLワークフローを自動化し、実験を追跡して、チームで共同作業できます。

  • Comet ML: 機械学習の実験を追跡、比較、最適化することで、Ultralyticsを使ったモデル開発を強化します。

  • DVC: Ultralyticsの機械学習プロジェクトにバージョン管理を導入し、データ、コード、モデルを効率的に同期します。

  • Google Colab: コラボレーションと共有に対応したクラウド環境のGoogle Colabを使用して、Ultralyticsモデルをトレーニング、評価できます。

  • IBM Watsonx:IBM watsonx.aiノートブックでUltralyticsモデルをトレーニング、評価でき、データ管理やモデルガバナンスのためのIBMツールも併用できます。

  • JupyterLab:JupyterLabの対話型でカスタマイズ可能な環境を使用して、Ultralyticsモデルをトレーニング、評価できます。

  • Kaggle:事前インストール済みライブラリ、GPUサポート、共同作業や情報共有に活発なコミュニティを備えたクラウド環境で、Kaggleを使用してUltralyticsモデルをトレーニング、評価する方法をご覧ください。

  • MLflow: 実験や再現性の確保からデプロイまで、UltralyticsモデルのMLライフサイクル全体を効率化します。

  • Modal:ModalのサーバーレスクラウドプラットフォームでUltralyticsモデルを実行できます。GPUの自動プロビジョニング、秒単位の従量課金、推論およびトレーニングワークロードの自動スケーリングに対応しています。

  • Paperspace Gradient:Paperspace GradientのクラウドGPUとノートブックを使用して、YOLO26モデルのトレーニング、テスト、デプロイを行えます。

  • Ray Tune:あらゆる規模で、Ultralyticsモデルのハイパーパラメーター調整を実行できます。

  • TensorBoard:Ultralyticsのトレーニング実行を可視化し、モデルのメトリクスを監視できます。

  • Ultralytics Platform:ブラウザー上でUltralyticsモデルをトレーニング、管理、デプロイでき、公式の事前学習済みモデルやデータセットをダウンロードできます。

  • VS Code: Ultralyticsの開発ワークフローを効率化するコードスニペットを提供し、誰でも学習や利用を始められるようにサンプルを用意したVS Code拡張機能です。

  • Weights & Biases (W&B): 実験を監視し、メトリクスを可視化して、Ultralyticsプロジェクトの再現性とコラボレーションを促進します。

  • YAML2ModelGraph: Ultralytics YOLOのYAML設定ファイルから、出版物にそのまま使用できるSVGアーキテクチャ図を生成します。

デプロイのインテグレーション#

  • Ambarella: AmbarellaのUltralyticsフォークを使用し、SpongeTorchの圧縮対応トレーニングとオフラインのCVflowツールチェーンによって、CV72などのAmbarella CVflow® SoC向けにUltralytics YOLOモデルをトレーニング、圧縮、エクスポートします。

  • AMD: Ultralytics YOLOをONNXにエクスポートし、ROCm上のONNX Runtime MIGraphX実行プロバイダーを介してAMD InstinctおよびRadeon GPUでGPUアクセラレーション推論を実行できます。ネイティブのPyTorch ROCmトレーニングにも対応しています。

  • AMD Xilinx:AMD QuarkとVitis AIを使用して、AMD Versal AI Edge Series Gen 2 NPU向けにformat="xilinx"でUltralytics YOLOをエクスポートします。Zynq、Kria、Versalデバイス、DPUとNPUのアクセラレーター、およびYOLOオペレーターのサポートについて説明するガイドもご覧ください。

  • Axelera: MetisアクセラレーターとVoyager SDKを活用して、効率的なエッジ推論でUltralyticsモデルを実行する方法をご紹介します。

  • Core AI: Appleの新しい.aimodel形式、Core AIとCore MLの比較、現在の制限事項、ならびにiOS 27およびmacOS 27世代向けにformat="coreai"でYOLO26モデルをエクスポートする方法をご紹介します。

  • CoreML: Appleが開発したCoreMLは、Appleのハードウェアを活用して、iOS、macOS、watchOS、tvOS向けアプリに機械学習モデルを効率的に統合するためのフレームワークであり、安全かつ効果的なモデルデプロイを実現します。

  • DEEPX: Ultralytics YOLOモデルをDEEPXの.dxnn形式にエクスポートし、組み込みおよびエッジAIアプリケーション向けのDEEPX NPUハードウェアで、電力効率に優れたINT8推論を実行します。

  • ExecuTorch: Metaが開発したExecuTorchは、エッジデバイスにUltralytics YOLOモデルをデプロイするためのPyTorch統合ソリューションです。

  • Gradio: Gradioを使用してUltralyticsモデルをデプロイし、リアルタイムの対話型物体検出デモを作成します。

  • Hailo: Ultralytics YOLOの検出、セグメンテーション、セマンティックセグメンテーション、深度推定、分類、ポーズ、OBBモデルをHailo HEFに直接エクスポートできます。検証済みのモデルとターゲットについては、インテグレーションガイドをご覧ください。

  • Huawei Ascend: CANN ATCコンパイラーを使用してUltralytics YOLOモデルをHuawei Ascendの.omオフライン形式にコンパイルし、AtlasおよびOrange Pi AIproデバイスでFP16推論を実行します。

  • LiteRT: Googleが開発したLiteRT(旧称TensorFlow Lite)は、.tflite形式向けのオンデバイスランタイムです。単一のモデルをモバイル、組み込み、エッジ、ブラウザー(LiteRT.js経由)にデプロイできます。

  • Luxonis OAK: Luxonis HubまたはローカルのLuxonisツールを使用してUltralytics YOLOモデルを変換し、Luxonis OAK RVC2およびRVC4カメラ上で実行します。

  • MediaTek: LiteRT エクスポートと公式 Flutter プラグインを使用して、MediaTek Dimensity 搭載 Android スマートフォンに Ultralytics YOLO をデプロイし、CPU、GPU、プロトタイプ NPU の実測結果も紹介します。

  • MNN:Alibabaが開発したMNNは、モバイルや組み込みハードウェア上でのオンデバイス推論とトレーニングに対応する軽量なディープラーニングフレームワークです。

  • NCNN:Tencentが開発したNCNNは、モバイルデバイス向けに最適化されたニューラルネットワーク推論フレームワークです。さまざまなモバイルプラットフォーム上のアプリ内でAIモデルを直接実行できます。

  • NXP: Neutron SDK 3.3.0 を使用して、i.MX95 Neutron NPU 向けにキャリブレーション済みの INT8 YOLO モデルをコンパイルします。

  • ONNX:MicrosoftとFacebookが当初開発したオープンソース形式です。フレームワーク間でAIモデルを転送できるため、さまざまなランタイムやハードウェアでUltralyticsモデルを利用できます。

  • OpenVINO:Intel CPU、GPU、NPU上でコンピュータービジョンモデルを最適化、デプロイするためのIntelのツールキットです。

  • PaddlePaddle:Baiduが開発したオープンソースのディープラーニングプラットフォームであるPaddlePaddleは、スケーラブルな産業用途に重点を置いたAIモデルのデプロイに対応しています。

  • Qualcomm QNN: ONNX Runtime QNN Execution Providerを使い、Ultralytics YOLOモデルをQNN(AI Engine Direct)のコンテキストバイナリー形式にローカルでコンパイルできます。これにより、モバイルおよびエッジデバイスのSnapdragon CPU、Adreno GPU、Hexagon NPUハードウェアで高速推論を実行できます。

  • Rockchip RKNN:Rockchipが開発したRKNNは、Rockchipのハードウェアプラットフォーム、特にNPU向けに最適化されたニューラルネットワーク推論フレームワークです。エッジデバイス上でリアルタイムAI推論を実現します。

  • Seeed Studio reCamera:Seeed Studioが開発したreCameraは、リアルタイムのコンピュータービジョン用途向けエッジAIデバイスです。RISC-VベースのSG200Xプロセッサを搭載し、電力効率の高いAI推論を実行します。モジュール設計と動画処理機能により、安全監視、環境関連用途、製造業などに適しています。

  • SONY IMX500: IMX500センサーを搭載したRaspberry Pi AI Camera上でUltralytics YOLOv8nおよびYOLO11nモデルを最適化してデプロイし、高速かつ低消費電力で動作させます。

  • ST Edge AI:format="stedgeai"を使用してUltralytics YOLOをエクスポートし、STMicroelectronics STM32デバイス向けのFloatまたはINT8 ONNXモデルを作成します。コンピューターで精度を確認し、ST Edge AI Coreでコンパイルします。

  • TensorRT:NVIDIAが開発した高性能なディープラーニング推論フレームワーク兼モデル形式で、NVIDIA GPU上でAIモデルの速度と効率を最適化します。

  • TF GraphDef: Googleが開発したGraphDefは、計算グラフを表現するTensorFlowの形式であり、さまざまなハードウェア上で機械学習モデルを最適に実行できます。

  • TF SavedModel:Googleが開発したTF SavedModelは、TensorFlowモデルのシリアライズ形式です。サーバーからエッジデバイスまで、幅広いプラットフォーム間での共有とデプロイを可能にします。

  • TFLite Edge TPU:GoogleがEdge TPU上でTensorFlow Liteモデルを最適化するために開発したこのモデル形式は、高速で効率的なエッジコンピューティングを実現します。

  • TorchScript: PyTorchフレームワークの一部として開発されたTorchScriptを使うと、Python依存関係なしで、さまざまな本番環境において機械学習モデルを効率的に実行、デプロイできます。

データセットのインテグレーション#

  • Roboflow: 画像にラベルを付けるアノテーションツールを提供し、Ultralyticsモデル向けのデータセットのラベリングと管理を支援します。

エクスポート形式#

さまざまな環境へのデプロイに対応する、複数のモデルエクスポート形式もサポートしています。利用可能な形式は次のとおりです。

形式format引数モデルメタデータ引数
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, device
IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, quantize, batch, data, fraction, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device
ST Edge AIstedgeaiyolo26n_stedgeai.onnx✅imgsz, quantize, data, fraction, opset, simplify, device

nms=None は、外部NMS用にデフォルトでraw出力を返します(YOLO26はAxelera上でNMSフリーヘッドを維持します)。利用可能なNMSフリーヘッドを選択するには、nms=Falseを設定します。非対応の形式では、ネイティブの出力経路にフォールバックします。上記のnmsの項目は、nms=Trueを使用してNMSを埋め込める形式を示しています。

各インテグレーションの詳細と、Ultralyticsで最大限に活用する方法については、リンクをご覧ください。全exportの詳細はエクスポートページをご確認ください。

インテグレーションに貢献する#

Ultralytics YOLOと他のテクノロジー、ツール、プラットフォームとの統合に関するコミュニティガイドを歓迎します。YOLOを新しいシステムに統合した経験や、共有できる有用な知見がある場合は、統合ドキュメントへの貢献をご検討ください。

ガイドやチュートリアルを執筆することで、ドキュメントの充実に貢献し、コミュニティに役立つ実例を提供できます。

貢献するには、プルリクエスト(PR)の提出方法に関する貢献ガイドの手順に従ってください。

よくある質問#

  • Ultralytics Platformは、Ultralyticsモデルを使用した機械学習ワークフロー全体を支援するクラウドベースのプラットフォームです。データセットのアップロードとアノテーション、クラウドGPUでのモデルのトレーニング、実験の追跡、複雑なコーディングを伴わないYOLOモデルのデプロイが可能です。データ準備からデプロイまで、MLパイプライン全体を一元管理するワークスペースとして機能します。

  • はい、可能です。MLflowをUltralyticsモデルと統合すると、実験を追跡し、再現性を高め、MLライフサイクル全体を効率化できます。この統合の設定手順については、MLflow統合ページをご覧ください。この統合は、モデルのメトリクスの監視、さまざまなトレーニング実行の比較、MLワークフローの効率的な管理に特に役立ちます。MLflowは、パラメーター、メトリクス、アーティファクトを記録するための一元化されたプラットフォームを提供し、モデルの動作を理解してデータに基づく改善を行いやすくします。

  • インタラクティブな物体検出デモ用にGradioでUltralytics YOLOモデルをデプロイするには、Gradio統合ページに記載された手順に従ってください。Gradioはリアルタイムのモデル推論用Webインターフェースを作成するため、開発者とエンドユーザーの双方にYOLOモデルを紹介するのに役立ちます。数行のコードで、カスタム入力に対するモデルの性能を実演するインタラクティブなアプリケーションを構築できます。

コメント

質問したり、結果を共有したり、ほかの人をサポートしたりできます。