Ultralytics YOLO27:

Ultralyticsのインテグレーション#

Ultralyticsのインテグレーションページへようこそ。このページでは、機械学習ワークフローの効率化、データセット管理の強化、モデル学習の簡素化、効率的なデプロイを目的とした、さまざまなツールやプラットフォームとのパートナーシップをご紹介します。

Ultralytics YOLO ecosystem and integrations


Watch: Ultralytics YOLO Deployment and Integrations

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した公式スキルにより、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の完全なワークフローを教えられます。

  • Albumentations：強力な画像拡張により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モデルの構築、トレーニング、デプロイを効率的に行い、MLライフサイクル向けのオールインワンプラットフォームを提供します。

  • AMD：PyTorch ROCmを使用し、対応するAMD GPU上でUltralyticsモデルのトレーニング、検証、実行を行えます。MIGraphX、DirectML、Ryzen AI NPUの利用可否も明確に整理されています。

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

  • Comet ML：機械学習実験を追跡、比較、最適化することで、Ultralyticsによる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、モデルを効果的に同期します。

  • Google Colab：コラボレーションと共有に対応したクラウド環境で、Google Colabを使用してUltralyticsモデルのトレーニングと評価を行えます。

  • IBM Watsonx：最先端のAIツール、容易なインテグレーション、高度なモデル管理システムを備えたIBM Watsonxによって、Ultralyticsモデルのトレーニングと評価を簡素化する方法をご覧ください。

  • JupyterLab：JupyterLabのインタラクティブでカスタマイズ可能な環境を使用して、Ultralyticsモデルを簡単かつ効率的にトレーニングおよび評価する方法をご確認ください。

  • Kaggle：事前インストール済みライブラリ、GPUサポート、コラボレーションと共有を支える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および評価する方法をご確認ください。

  • Modal：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シームレスなスケーリングに対応したModalのサーバーレスクラウドプラットフォームで、Ultralyticsモデルを実行します。

  • MLFlow：実験、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。

  • Paperspace Gradient：Paperspace Gradientは、モデルのトレーニング、テスト、デプロイをすばやく行える使いやすいクラウドツールを提供し、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ーを最適化します。

  • TensorBoard：Ultralyticsの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て、チームのコラボレーションを促進します。

  • Ultralytics Platform：ブラウザ上でのUltralyticsモデルのトレーニング、管理、デプロイ、および公式の事前学習済みモデルやデータセットのダウンロードを行います。

  • VS Code：Ultralyticsの開発ワークフローを高速化するコードスニペットを提供し、誰でも学習や使い始めることができるサンプルを備えた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、出版に適したSVGアーキテクチャ図を直接生成します。

デプロイのインテグレーション#

  • Ambarella：SpongeTorchの圧縮対応トレーニングとオフラインCVflowツールチェーンを使用して、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。

  • Axelera：MetisアクセラレーターとVoyager SDKを活用し、効率的なエッジ推論でUltralyticsモデルを実行する方法をご確認ください。

  • 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、およびformat="coreai"を使用してiOS 27およびmacOS 27世代向けにYOLO26モデルをエクスポートする方法について説明します。

  • CoreML：Appleが開発したCoreMLは、Appleのハードウェアを使用して、iOS、macOS、watchOS、tvOS向けアプリケーションに機械学習モデルを効率的に統合し、安全かつ効果的にモデルをデプロイするためのフレームワークです。

  • 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アプリケーションを対象として、DEEPX NPUハードウェア上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の統合ソリューションです。

  • Gradioを使用してUltralyticsモデルをデプロイし、リアルタイムでインタラクティブな物体検出デモを実行します。

  • 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します。検証済み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OrangePi AIProデバイス上でFP16推論を実行します。

  • Luxonis: Ultralytics YOLOモデルをLuxonis HubまたはローカルのLuxonisツールで変換し、Luxonis OAK RVC2およびRVC4カメラ上でデバイスに直接実行します。

  • MNN：Alibabaが開発したMNNは、高効率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発揮します。

  • 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モデルをアプリに直接デプロイでき、さまざまなモバイルプラットフォーム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、優れた性能とより軽量なサイズを実現するようUltralyticsモデルを最適化します。

  • Microsoftが作成したオープンソース形式であるONNXは、さまざまなフレームワーク間でAIモデルを移行しやすくし、Ultralyticsモデルの汎用性とデプロイの柔軟性を高めます。

  • OpenVINO：さまざまなIntel CPUおよびGPUプラットフォームでコンピューター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。

  • 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、Ultralytics YOLOモデルをローカルでQNN（AI Engine Direct）コンテキストバイナリ形式にコンパイルし、モバイルおよびエッジデバイスのSnapdragon CPU、Adreno GPU、Hexagon NPUハードウェア上で高速な推論を実行します。

  • 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専用ニューラルネットワーク推論フレームワークです。エッジデバイスへのAIモデルの効率的なデプロイを可能にし、リアルタイムアプリケーションで高性能な推論を実現します。

  • Seeed Studio reCamera：Seeed Studioが開発したreCameraは、リアルタイムコンピュータービジョンアプリケーション向けに設計された先進的なエッジAIデバイスです。RISC-VベースのSG200Xプロセッサーを搭載し、優れたエネルギー効率で高性能なAI推論を実現します。モジュール設計、高度なビデオ処理機能、柔軟なデプロイのサポートを備えており、安全監視、環境関連アプリケーション、製造など、さまざまなユースケースに適しています。

  • SONY IMX500：IMX500センサーを搭載したRaspberry Pi AI Cameras上でUltralytics YOLO26モデルを最適化およびデプロイし、高速かつ低消費電力の性能を実現します。

  • TensorRT：NVIDIAが開発したこの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は、NVIDIA GPU上でAIモデルの速度と効率を向上させ、スムーズなデプロイを実現します。

  • 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化して実行できます。

  • TF SavedModel：Googleが開発したTF SavedModelは、TensorFlowモデル向けの汎用シリアライズ形式であり、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簡単に共有およびデプロイできます。

  • 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。

  • LiteRT：Googleが開発したLiteRT（旧TensorFlow Lite）は、.tflite形式向けのデバイス上ランタイムであり、モバイル、組み込み、エッジ、ブラウザー（LiteRT.js経由）に単一のモデルをデプロイできます。

  • PyTorchフレームワークの一部として開発されたTorchScriptは、Pythonの依存関係なしで、さまざまな本番環境における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。

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、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
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz、keras、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
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz、batch、device
MNNmnnyolo26n.mnn✅imgsz、batch、dynamic、quantize、simplify、opset、nms、device
NCNNncnnyolo26n_ncnn_model/✅imgsz、quantize、batch、device
IMX500imxyolo26n_imx_model/✅imgsz、quantize、data、fraction、nms、device
RKNNrknnyolo26n_rknn_model/✅imgsz、batch、name、quantize、simplify、opset、data、fraction、device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz、batch、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
LiteRTlitertyolo26n.tflite✅imgsz、quantize、batch、data、fraction、device
Hailohailoyolo26n_hailo_model/✅imgsz、name、quantize、data、fraction、simplify、conf、iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz、batch、name、quantize、opset、simplify、nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz、batch、quantize

nms=None は、外部 NMS の場合は生出力をデフォルトとします。nms=False を設定して利用可能な NMS なしのヘッドを選択します。サポートされていないフォーマットは、ネイティブ出力パスにフォールバックします。上記の nms エントリは、nms=True を使用して NMS を埋め込むことができるフォーマットを特定します。

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。完全なexportの詳細は、エクスポートページをご覧ください。

インテグレーションへの貢献#

コミュニティがUltralytics YOLOを他のテクノロジー、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見るのは、いつも楽しみです。YOLOを新しいシステムに正常に統合した場合や、共有したい有用な知見がある場合は、インテグレーション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、ドキュメントの拡充に貢献し、コミュニティに役立つ実際の例を提供できます。Ultralytics YOLOを取り巻く成長中のエコシステムに貢献する優れた方法です。

貢献するには、プルリクエスト (PR) 🛠️の送信方法を説明したコントリビューションガイドをご確認ください。皆さまからの貢献をお待ちしています。

協力してUltralytics YOLOのエコシステムをさらに拡大し、機能を充実させましょう 🙏！

FAQ#

  • 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と、広範なコーディングスキルがなくても、データセットのアップロード、モデルのトレーニング、リアルタイムトラッキング、YOLOモデルのデプロイを簡単に行えます。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。Ultralytics Platformページで主な機能を確認し、クイックスタートガイドですぐに使い始めることができます。

  • はい、可能です。MLFlowをUltralyticsモデルと統合すると、実験の追跡、再現性の向上、MLライフサイクル全体の効率化が可能になります。このインテグレーションの設定手順については、MLFlowインテグレーションページをご覧ください。モデルのメトリクスの監視、異なる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。

  • Neural Magicは、量子化認識トレーニング (QAT) やプルーニングなどの技術を活用してYOLO26モデルを最適化し、リソースが限られたハードウェアでも優れた性能を発揮する高効率で小型のモデルを実現します。これらの最適化を実装して優れた性能と軽量なモデルを実現する方法については、Neural Magicインテグレーションページをご覧ください。計算リソースが制限されるエッジデバイスへのデプロイで特に有効です。Neural MagicのDeepSparseエンジンはCPU上で最大6倍高速な推論を実現できるため、専用ハードウェアなしで複雑なモデルを実行できます。

  • インタラクティブな物体検出デモ向けにGradioでUltralytics YOLOモデルをデプロイするには、Gradioインテグレーションページに記載された手順に従ってください。Gradioを使用すると、リアルタイムのモデル推論向けの使いやすいWebインターフェースを作成できるため、開発者とエンドユーザーの両方に適したユーザーフレンドリーな形式でYOLOモデルの機能を紹介できます。数行のコードだけで、カスタム入力に対するモデルの性能を示すインタラクティブなアプリケーションを構築し、コンピュータービジョンソリューションの理解と評価を促進できます。

貢献者
GLglenn-jocher37ABabirami-vina18AMambitious-octopus6BUBurhan-Q6JEJESUSROYETH4RIRizwanMunawar4RAraimbekovm3PDpderrenger2KLklemen19991DADaisuke Majima1JAJaviChulvi1RARahulbiradar91LAlakshanthad1DEdeepx-dgkim1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

コメント