Meet YOLO26: next-gen vision AI.

Link to this sectionUltralytics 統合#

Ultralytics 統合ページへようこそ！このページでは、機械学習ワークフローの合理化、データセット管理の強化、モデルトレーニングの簡素化、効率的なデプロイを目的として設計された、さまざまなツールやプラットフォームとの連携機能の概要を紹介します。

Ultralytics YOLO ecosystem and integrations


Watch: Ultralytics YOLO Deployment and Integrations

Link to this sectionトレーニング連携#

  • Albumentations: 強力な画像拡張機能を使用して Ultralytics モデルを強化し、モデルの堅牢性と汎化性能を向上させます。

  • Amazon SageMaker: Amazon SageMaker を活用して Ultralytics モデルを効率的に構築、トレーニング、デプロイし、ML ライフサイクルのためのオールインワンプラットフォームとして利用します。

  • ClearML: Ultralytics ML ワークフローを自動化し、実験を監視し、チームのコラボレーションを促進します。

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

  • DVC: Ultralytics 機械学習プロジェクトのバージョン管理を実装し、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をサポートするクラウド環境で、Google Colab を使用して Ultralytics モデルのトレーニングと評価を行います。

  • IBM Watsonx: 最先端の AI ツール、容易な統合、高度なモデル管理システムを備えた IBM Watsonx が、どのように Ultralytics モデルのトレーニングと評価を簡素化するかをご覧ください。

  • JupyterLab: JupyterLab の対話型でカスタマイズ可能な環境を使用して、効率的に Ultralytics モデルをトレーニングおよび評価する方法を確認してください。

  • Kaggle: 事前にインストールされたライブラリ、GPU サポート、そしてコラボレーションと共有のための活発なコミュニティを備えたクラウド環境である Kaggle で、Ultralytics モデルをトレーニングおよび評価する方法を学びます。

  • Modal: 自動 GPU プロビジョニング、秒単位の料金設定、推論およびトレーニングワークロードのスケーリングを備えた Modal のサーバーレスクラウドプラットフォーム上で Ultralytics モデルを実行します。

  • MLFlow: 実験や再現性からデプロイに至るまで、Ultralytics モデルの ML ライフサイクル全体を合理化します。

  • Neptune: MLOps 向けに設計されたこのメタデータストアを使用して、Ultralytics を使用した ML 実験の包括的なログを維持します。

  • Paperspace Gradient: Paperspace Gradient は、モデルのトレーニング、テスト、デプロイを迅速に行うための使いやすいクラウドツールを提供することで、YOLO26 プロジェクトでの作業を簡素化します。

  • Ray Tune: あらゆる規模で Ultralytics モデルのハイパーパラメータを最適化します。

  • TensorBoard: Ultralytics ML ワークフローを可視化し、モデルのメトリクスを監視し、チームのコラボレーションを促進します。

  • Ultralytics Platform: 事前学習済み Ultralytics モデルのコミュニティにアクセスして貢献します。

  • VS Code: Ultralytics の開発ワークフローを高速化するためのコードスニペットを提供し、学習や開始を支援する例を提供する VS Code 用の拡張機能です。

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

Link to this sectionデプロイ連携#

  • Axelera: 効率的なエッジ推論で Ultralytics モデルを実行するための Metis アクセラレータと Voyager SDK を探索してください。

  • CoreML: Apple によって開発された CoreML は、iOS、macOS、watchOS、tvOS 全体で機械学習モデルを効率的に統合するように設計されたフレームワークであり、Apple のハードウェアを使用して効果的かつ安全なモデルデプロイを実現します。

  • DEEPX: Ultralytics YOLO モデルを DEEPX .dxnn 形式にエクスポートして、組み込みやエッジ AI アプリケーションをターゲットとした DEEPX NPU ハードウェア上での電力効率の高い INT8 推論を実現します。

  • ExecuTorch: Meta によって開発された ExecuTorch は、エッジデバイス上で Ultralytics YOLO モデルをデプロイするための PyTorch の統合ソリューションです。

  • Gradio: リアルタイムの対話型オブジェクト検出デモのために、Gradio を使用して Ultralytics モデルをデプロイします。

  • Hailo: Hailo-8、Hailo-8L、Raspberry Pi AI Kit、および Hailo-15 デバイス向けに、Hailo の外部 Dataflow Compiler を使用して、Ultralytics YOLO 検出モデルを ONNX から Hailo HEF に変換します。

  • MNN: Alibaba によって開発された MNN は、非常に効率的で軽量なディープラーニングフレームワークです。ディープラーニングモデルの推論とトレーニングをサポートし、デバイス上での推論とトレーニングにおいて業界をリードするパフォーマンスを備えています。

  • NCNN: Tencent によって開発された NCNN は、モバイルデバイス向けに調整された効率的なニューラルネットワーク推論フレームワークです。AI モデルを直接アプリにデプロイ可能にし、さまざまなモバイルプラットフォーム全体でパフォーマンスを最適化します。

  • Neural Magic: 量子化認識トレーニング (QAT) とプルーニング技術を活用し、Ultralytics モデルを最適化して、優れたパフォーマンスとより軽量なサイズを実現します。

  • ONNX: Microsoft によって作成されたオープンソース形式で、さまざまなフレームワーク間での AI モデル転送を容易にし、Ultralytics モデルの汎用性とデプロイの柔軟性を向上させます。

  • OpenVINO: さまざまな Intel CPU および GPU プラットフォーム全体でコンピュータビジョンモデルを効率的に最適化およびデプロイするための Intel のツールキットです。

  • PaddlePaddle: Baidu による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、AI モデルの効率的なデプロイを可能にし、産業用アプリケーションのスケーラビリティに重点を置いています。

  • Qualcomm QNN: ONNX Runtime QNN Execution Provider を使用して、モバイルおよびエッジデバイスの Snapdragon CPU、Adreno GPU、および Hexagon NPU ハードウェアでの高速推論用に、Ultralytics YOLO モデルを QNN (AI Engine Direct) コンテキストバイナリ形式にローカルでコンパイルします。

  • Rockchip RKNN: Rockchip によって開発された RKNN は、Rockchip のハードウェアプラットフォーム、特に NPU に最適化された特殊な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の AI モデルの効率的なデプロイを促進し、リアルタイムアプリケーションでの高性能な推論を実現します。

  • Seeed Studio reCamera: Seeed Studio によって開発された reCamera は、リアルタイムのコンピュータビジョンアプリケーション向けに設計された高度なエッジ AI デバイスです。RISC-V ベースの SG200X プロセッサを搭載し、エネルギー効率に優れた高性能な AI 推論を実現します。そのモジュール式設計、高度なビデオ処理機能、柔軟なデプロイのサポートにより、安全監視、環境アプリケーション、製造など、さまざまなユースケースに最適です。

  • SONY IMX500: IMX500 センサーを備えた Raspberry Pi AI カメラ上でUltralytics YOLO26 モデルを最適化およびデプロイし、高速かつ低電力のパフォーマンスを実現します。

  • TensorRT: NVIDIA によって開発されたこの高性能ディープラーニング推論フレームワークおよびモデル形式は、NVIDIA GPU 上での高速化と効率化のために AI モデルを最適化し、合理化されたデプロイを保証します。

  • TF GraphDef: Google によって開発された GraphDef は、計算グラフを表現するための TensorFlow の形式であり、多様なハードウェア全体での機械学習モデルの最適化された実行を可能にします。

  • TF SavedModel: Google によって開発された TF SavedModel は、TensorFlow モデルの汎用的なシリアル化形式であり、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簡単な共有とデプロイを可能にします。

  • TF.js: ブラウザおよび Node.js での機械学習を容易にするために Google によって開発された TF.js は、JavaScript ベースの ML モデルのデプロイを可能にします。

  • TFLite: Google によって開発された TFLite は、モバイルおよびエッジデバイス上で機械学習モデルをデプロイするための軽量フレームワークであり、最小限のメモリフットプリントで高速かつ効率的な推論を保証します。

  • TFLite Edge TPU: Edge TPU 上で TensorFlow Lite モデルを最適化するために Google によって開発され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保証します。

  • TorchScript: PyTorch フレームワークの一部として開発された TorchScript は、Python の依存関係を必要とせずに、さまざまな本番環境で機械学習モデルの効率的な実行とデプロイを可能にします。

Link to this sectionデータセット連携#

  • Roboflow: Ultralytics モデルのデータセットのラベリングと管理を促進し、画像にラベルを付けるためのアノテーションツールを提供します。

Link to this sectionエクスポートフォーマット#

また、さまざまな環境へのデプロイのために、多様なモデルエクスポート形式もサポートしています。利用可能な形式は以下の通りです。

形式format引数モデルメタデータ引数
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Litetfliteyolo26n.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, int8, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn_model/✅imgsz, batch, name, int8, data, fraction, device

各統合の詳細と、Ultralytics でそれらを最大限に活用する方法については、リンク先をご確認ください。export の全詳細はエクスポートページを参照してください。

Link to this section統合への貢献#

コミュニティが Ultralytics YOLO を他の技術、ツール、プラットフォームとどのように統合しているかを知ることをいつも楽しみにしています！YOLO を新しいシステムと正常に統合した、または共有する価値のある洞察がある場合は、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作成することで、当社のドキュメントを拡張し、コミュニティに利益をもたらす現実世界の例を提供できます。これは、成長を続ける Ultralytics YOLO エコシステムに貢献するための優れた方法です。

貢献するには、プルリクエスト (PR) 🛠️ を提出する方法についての貢献ガイドを確認してください。皆様のご貢献をお待ちしております！

協力して、Ultralytics YOLO エコシステムをより広く、機能豊富なものにしましょう 🙏！

Link to this sectionFAQ#

Link to this sectionUltralytics Platform とは何ですか？また、どのように ML ワークフローを合理化しますか？#

Ultralytics Platform は、Ultralytics モデルの機械学習ワークフローをシームレスかつ効率的にするために設計されたクラウドベースのプラットフォームです。このツールを使用することで、高度なコーディングスキルを必要とせずに、データセットのアップロード、モデルのトレーニング、リアルタイム追跡、および YOLO モデルのデプロイを簡単に行うことができます。このプラットフォームは、データ準備からデプロイまで、ML パイプライン全体を管理できる一元化されたワークスペースとして機能します。主な機能については Ultralytics Platform ページで確認でき、クイックスタートガイドを使用してすぐに使い始めることができます。

Link to this sectionMLFlow を使用して Ultralytics モデルのパフォーマンスを追跡できますか？#

はい、可能です。MLFlow と Ultralytics モデルを統合することで、実験の追跡、再現性の向上、ML ライフサイクル全体の合理化が可能になります。この統合を設定するための詳細な手順は、MLFlow 統合ページで確認できます。この統合は、モデルメトリクスの監視、さまざまなトレーニング実行の比較、および 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、メトリクス、アーティファクトを記録する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、データに基づいた改善を行うことを容易にします。

Link to this sectionYOLO26 モデルの最適化に Neural Magic を使用する利点は何ですか？#

Neural Magic は、量子化認識トレーニング (QAT) やプルーニングといった技術を活用して YOLO26 モデルを最適化し、リソースが制限されたハードウェアでも優れたパフォーマンスを発揮する、より効率的で小さなモデルを実現します。これらの最適化を実装して優れたパフォーマンスと軽量なモデルを実現する方法については、Neural Magic 統合ページをご覧ください。これは、計算リソースが制限されているエッジデバイスへのデプロイに特に有益です。Neural Magic の DeepSparse エンジンは、CPU 上で最大 6 倍高速な推論を提供できるため、特殊なハードウェアなしで複雑なモデルを実行することが可能になります。

Link to this sectionインタラクティブなデモのために、Gradio を使用して Ultralytics YOLO モデルをデプロイするにはどうすればよいですか？#

To deploy Ultralytics YOLO models with Gradio for interactive object detection demos, you can follow the steps outlined on the Gradio integration page. Gradio allows you to create easy-to-use web interfaces for real-time model inference, making it an excellent tool for showcasing your YOLO model's capabilities in a user-friendly format suitable for both developers and end-users. With just a few lines of code, you can build interactive applications that demonstrate your model's performance on custom inputs, facilitating better understanding and evaluation of your computer vision solutions.

貢献者
GLglenn-jocher29ABabirami-vina18BUBurhan-Q6AMambitious-octopus5RIRizwanMunawar4DEdeepx-dgkim1RAraimbekovm1PDpderrenger1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

コメント