YOLO Vision 2026:

Ultralytics インテグレーション#

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効率化、データセット管理の強化、モデルトレーニングの簡素化、および効率的なデプロイを促進するために設計された、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の概要を紹介します。

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: Claude Code、Codex、Cursor、Gemini CLI などの AI コーディングエージェントに、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を使用して、完全な Ultralytics YOLO ワークフローを教えます。

  • Albumentations: 強力な画像拡張機能で Ultralytics モデルを強化し、モデルのロバスト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 ライフサイクルに向けたオールインワンのプラットフォームを提供します。

  • AMD: PyTorch ROCm を使用して、サポートされている AMD GPU 上で Ultralytics モデルのトレーニング、検証、実行を行います。MIGraphX、DirectML、Ryzen AI NPU の可用性についても明確に解説しています。

  • ClearML: Ultralytics の ML ワークフローの自動化、実験の監視、チームのコラボレーション促進を行います。

  • Comet ML: 機械学習の実験の追跡、比較、最適化を通じて、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、モデルを効果的に同期します。

  • Google Colab: コラボレーションと共有をサポートするクラウドベースの環境で、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、簡単な統合、高度なモデル管理システムを備えた IBM Watsonx が、いかに 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 のインタラクティブでカスタマイズ可能な環境を利用して、簡単かつ効率的に Ultralytics モデルのトレーニングと評価を行う方法をご確認ください。

  • Kaggle: 事前インストールされたライブラリ、GPU サポート、コラボレーションや共有のための活気あるコミュニティを備えたクラウドベースの環境で、Kaggle を使用して Ultralytics モデルのトレーニングと評価を行う方法を探索してください。

  • Modal: 自動 GPU プロビジョニング、秒単位の従量課金制、推論およびトレーニングワークロード向けのシームレスな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 モデルのすべての ML ライフサイクルを効率化します。

  • Paperspace Gradient: Paperspace Gradient は、モデルの迅速なトレーニング、テスト、デプロイを行うための使いやすいクラウドツールを提供し、YOLO26 プロジェクトの作業を簡素化します。

  • Ray Tune: あらゆるスケールで Ultralytics モデルのハイパーパラメータを最適化します。

  • TensorBoard: Ultralytics の ML ワークフローの視覚化、モデルメトリクスの監視、チームのコラボレーション促進を行います。

  • Ultralytics Platform: 事前トレーニング済みの Ultralytics モデルのコミュニティへのアクセスおよび貢献を行います。

  • VS Code: Ultralytics の開発ワークフローを加速するためのコードスニペットを提供し、誰もが学習や作業を開始できるようにするための例を提供する VS Code 向け拡張機能です。

  • Weights & Biases (W&B): Ultralytics プロジェクトにおける実験の監視、メトリクスの視覚化、再現性とコラボレーションの促進を行います。

  • YAML2ModelGraph: Ultralytics YOLO YAML 設定ファイルから直接、出版品質の 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: SpongeTorch 圧縮対応トレーニングおよびオフライン 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 モデルのトレーニング、圧縮、エクスポートを行います。

  • 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。

  • Core AI: Appleの新しい .aimodel フォーマット、Core AIとCore MLの比較、現在の制限事項、およびiOS 27とmacOS 27世代向けに format="coreai" を使用してYOLO26モデルをエクスポートする方法について学びます。

  • CoreML: Apple によって開発された CoreML は、効果的で安全なモデルデプロイのために Apple のハードウェアを使用しながら、iOS、macOS、watchOS、tvOS 全体のアプリケーションに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す。

  • DEEPX: 埋め込みおよびエッジ AI アプリケーションをターゲットとして、DEEPX NPU ハードウェア上で電力効率の高い INT8 推論を行うために、Ultralytics YOLO モデルを DEEPX .dxnn 形式にエクスポートします。

  • 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: リアルタイムのインタラクティブな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: 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、姿勢推定、OBB モデルを Hailo HEF に直接エクスポートします。検証済みのモデルとターゲットについては統合ガイドを参照してください。

  • Huawei Ascend: Atlas および OrangePi AIPro デバイスでの FP16 推論のために、CANN ATC コンパイラを使用して Ultralytics YOLO モデルを Huawei Ascend .om オフライン形式にコンパイルします。

  • 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、オンデバイスでの推論およびトレーニングにおいて業界トップクラスのパフォーマンスを誇ります。

  • 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 モデルをアプリに直接デプロイできるようにし、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) とプルーニング手法を活用して、優れたパフォーマンスとスリムなサイズを実現するように Ultralytics モデルを最適化します。

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

  • 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焦点を当てています。

  • Qualcomm QNN: モバイルおよびエッジデバイスの Snapdragon CPU、Adreno GPU、Hexagon NPU ハードウェアでの高速推論のために、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 向け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容易にし、リアルタイムアプリケーションでの高性能推論を実現します。

  • 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、高度な画像処理機能、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、製造業など、さまざまなユースケースに理想的な選択肢となっています。

  • SONY IMX500: 高速かつ低消費電力のパフォーマンスを実現するために、IMX500 センサーを備えた Raspberry Pi AI Camera 上でUltralytics YOLO26 モデルを最適化およびデプロイします。

  • TensorRT: NVIDIA によって開発され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およびモデル形式は、NVIDIA GPU 上での速度と効率の向上のために 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、さまざまなハードウェアにわたる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 モデル用の汎用シリアル化形式であり、サーバーからエッジデバイスに至るまで、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。

  • 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。

  • LiteRT: Google によって開発された LiteRT (旧 TensorFlow Lite) は、モバイル、組み込み、エッジ、およびブラウザ (LiteRT.js 経由) 全体で単一のモデルをデプロイする .tflite 形式用のオンデバイスランタイムです。

  • TorchScript: PyTorch フレームワークの一部として開発された TorchScript は、Python 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。

データセットのインテグレーション#

  • Roboflow: Ultralytics モデルのデータセットのラベリングと管理を容易にし、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。

エクスポート形式#

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フォーマットもサポートしています。利用可能なフォーマットは以下の通りです：

形式format 引数モデルメタデータ引数
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, 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

各統合の詳細や、Ultralytics でそれらを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 の詳細については、エクスポートページを参照してください。

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、いつでもワクワクします！YOLO を新しいシステムと正常に統合した場合や、共有すべき貴重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作成することで、私たちのドキュメントを拡充し、コミュニティに役立つ現実的な例を提供できます。これは、成長を続ける Ultralytics YOLO 周辺のエコシステムに貢献する素晴らしい方法です。

貢献するには、Pull Request (PR) 🛠️ の送信方法に関する手順について、貢献ガイドをご確認ください。皆様の貢献を心よりお待ちしております！

Ultralytics YOLO エコシステムをより広く、より機能豊富なものにするために協力しましょう 🙏！

よくある質問 (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行う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、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、リアルタイム追跡の実行、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の全体の ML パイプライン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 ページの主要な機能を探索し、クイックスタートガイドを使用して素早く作業を開始できます。

  • 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、および全体の ML ライフサイクルの効率化が可能になります。この統合の設定に関する詳細な手順は、MLFlow 統合ページに記載されています。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ランの比較、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、モデルの動作を容易に理解してデータ駆動型の改善を行えるようにします。

  • 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手法を活用して 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上でより優れたパフォーマンスを発揮する、効率的でより小規模なモデルを実現します。Neural Magic 統合ページを確認して、優れたパフォーマンスとよりスリムなモデルのためにこれらの最適化を実装する方法を学びましょう。これは、計算リソースが制約され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 倍高速な推論を実現できるため、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です。

  • インタラクティブなオブジェクト検出デモのために 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ている手順に従うことができます。Gradio を使用すると、リアルタイムのモデル推論用の使いやすい 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するための優れたツールになります。わずか数行のコードで、カスタム入力に対するモデルのパフォーマンスを示すインタラクティブなアプリケーションを構築でき、コンピュータビジョンソリューションのより良い理解と評価が促進されます。

貢献者
GLglenn-jocher36ABabirami-vina18AMambitious-octopus6BUBurhan-Q6JEJESUSROYETH4RIRizwanMunawar4RAraimbekovm3PDpderrenger2DADaisuke Majima1JAJaviChulvi1RARahulbiradar91LAlakshanthad1DEdeepx-dgkim1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

コメント