GitHubでページを編集 (EN)

Ultralytics 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、そして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

トレーニング統合

  • 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用性を向上させます。

  • Amazon SageMaker: Amazon SageMaker を活用して、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 Ultralytics モデルを効率的に構築、トレーニング、デプロイします。

  • ClearML: Ultralytics ML ワークフローの自動化、実験の監視、チーム間のコラボレーションを促進します。

  • Comet ML: 機械学習実験の追跡、比較、最適化を行うことで、Ultralytics を活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させます。

  • Google Colab: クラウドベースの環境で Google Colab を使用して、コラボレーションと共有をサポートしながら Ultralytics モデルをトレーニングおよび評価します。

  • IBM Watsonx: IBM Watsonx の最先端 AI ツール、容易な統合、高度なモデル管理システムによって、Ultralytics モデルのトレーニングと評価がどのように簡素化され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確認してください。

  • Kaggle: 事前インストールされたライブラリ、GPU サポート、そして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 モデルをトレーニングおよび評価する方法を探求します。

  • Modal: 自動 GPU プロビジョニング、秒単位の課金、推論およびトレーニングワークロードに対する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 ML ライフサイクル全体を効率化します。

  • Neptune: MLOps 用に設計されたこのメタデータストアを使用して、Ultralytics を用いた ML 実験を包括的に記録します。

  • Paperspace Gradient: Paperspace Gradient は、トレーニング、テスト、モデルの迅速なデプロイの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、チーム間のコラボレーションを促進します。

  • Ultralytics Platform: 事前トレーニング済みの Ultralytics モデルコミュニティにアクセスし、貢献します。

  • VS Code: Ultralytics 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、学習や作業開始を支援する例を提供する VS Code 拡張機能です。

  • Weights & Biases (W&B): 実験の監視、メトリクスの可視化、そして 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。

デプロイメント統合

  • 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 について調べます。

  • CoreML: Apple によって開発された CoreML は、iOS、macOS、watchOS、および tvOS 全体で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ため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 フォーマットにエクスポートし、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 推論を行います。

  • 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: リアルタイムかつインタラクティブな物体検出デモのために、Gradio を使用して Ultralytics モデルをデプロイします。

  • MNN: Alibaba によって開発された MNN は、非常に効率的で軽量な深層学習フレームワークです。深層学習モデルの推論とトレーニングをサポートしており、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最高レベル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 モデルをアプリへ直接デプロイすることを可能にし、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: 量子化対応トレーニング (QAT) とプルーニング手法を活用して Ultralytics モデルを最適化し、優れたパフォーマンスと軽量化を実現します。

  • 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するために Microsoft によって作成されたオープンソースフォーマットであり、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 製ツールキットです。

  • PaddlePaddle: Baidu によるオープンソースの深層学習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。

  • 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、特に同社の 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可能にします。

  • 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 推論を提供します。モジュール式の設計、高度なビデオ処理機能、柔軟なデプロイサポートにより、安全監視、環境アプリケーション、製造現場など、さまざまなユースケースに最適です。

  • SONY IMX500: IMX500 センサーを搭載した 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、高速かつ低電力な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な深層学習推論フレームワークおよびモデルフォーマットは、NVIDIA GPU 上での速度と効率を加速するために AI モデルを最適化し、合理的なデプロイを確実にします。

  • 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 のフォーマットであり、多様なハードウェア上で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 モデルのための汎用シリアル化フォーマットであり、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容易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 ベースでの 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に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、最小限のメモリ消費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フォーマットは、高速かつ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 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。

データセット統合

  • Roboflow: Ultralytics モデルのデータセット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。

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、多種多様なモデルエクスポートフォーマットを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, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, dynamic, simplify, opset, nms, batch, 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, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DeepXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device

各統合の詳細や、Ultralytics 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 に関する完全な詳細は、エクスポートページを参照してください。

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は、私たちにとって常に刺激的です！YOLO を新しいシステムと正常に統合した、あるいは共有すべき貴重な洞察がある場合は、統合ドキュメントへの貢献を検討してください。

ガイドやチュートリアルを作成することで、ドキュメントの拡充を助け、コミュニティの利益となる実用的な例を提供することができます。これは、成長する Ultralytics YOLO 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、プルリクエスト (PR) 🛠️ の提出方法について、貢献ガイドを確認してください。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拡張性があり、機能豊かなものにするために協力しましょう 🙏！

FAQ

Ultralytics Platform とは何ですか？また、どのように ML ワークフローを効率化しますか？

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、リアルタイムトラッキングの実行、そして 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中央集権的なワークスペースとして機能します。主要な機能については 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素早く始めることができます。

MLFlow 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、そして ML ライフサイクル全体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、モデルのメトリクスを監視し、異なるトレーニング実行を比較し、ML ワークフローを効率的に管理するのに特に役立ちます。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、モデルの挙動を理解し、データに基づいた改善を行うことを容易にします。

YOLO26 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、量子化対応トレーニング (QAT) やプルーニングといった手法を活用して YOLO26 モデルを最適化し、リソースが限られたハードウェア上でより優れたパフォーマンスを発揮する、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、より高いパフォーマンスと軽量なモデルを得る方法については、Neural Magic 統合ページをご確認ください。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。

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.

Contributors
GitHubでページを編集 (EN)
GLglenn-jocher28ABabirami-vina18BUBurhan-Q6AMambitious-octopus4RIRizwanMunawar4RAraimbekovm1PDpderrenger1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

コメント