Ultralytics YOLO27:
Get Started

Ultralyticsインテグレーション#

Ultralyticsインテグレーションのページへようこそ！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、モデルのトレーニングの簡素化、効率的なデプロイの実現を目的とした、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の概要をご紹介します。

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: 強力な画像拡張を使用して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を利用できます。

  • 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: 最先端のAIツール、簡単なインテグレーション、高度なモデル管理システムにより、IBM WatsonxがUltralyticsモデルのトレーニングと評価をどのように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活用し、Ultralyticsモデルを簡単かつ効率的にトレーニング、評価する方法をご確認ください。

  • Kaggle: プリインストール済みライブラリ、GPUサポート、コラボレーションや共有に適した活発なコミュニティを備えるクラウド環境で、Kaggleを使ってUltralyticsモデルをトレーニング、評価する方法をご紹介します。

  • 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のワークロードに応じたシームレスなスケーリングを備える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。

  • 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。

  • 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に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: ブラウザー上でUltralyticsモデルをトレーニング、管理、デプロイし、公式の事前学習済みモデルと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: SpongeTorchの圧縮を考慮したトレーニングとオフラインの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、AtlasおよびOrangePi AIProデバイスでのFP16推論向けに、Ultralytics YOLOモデルをHuawei Ascendの.omオフライン形式にコンパイルします。

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

  • 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に対応し、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: 量子化を考慮したトレーニング（QAT）やプルーニングの技術を活用し、Ultralyticsモデルを最適化して、優れたパフォーマンスと小さなモデルサイズを実現します。

  • ONNX: Microsoftが開発したオープンソース形式です。さまざまなフレームワーク間でAIモデルを転送しやすくし、Ultralyticsモデルの汎用性とデプロイの柔軟性を高めます。

  • OpenVINO: Intelのツールキットです。コンピュータービジョンモデルを、さまざまなIntel CPUおよびGPUプラットフォームで効率的に最適化、デプロイできます。

  • 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、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専用の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支援し、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、リアルタイムの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プロセッサーを搭載し、電力効率に優れた高性能AI推論を実現します。モジュール式の設計、高度なビデオ処理機能、柔軟なデプロイへの対応により、安全監視、環境関連アプリケーション、製造など、さまざまな用途に適しています。

  • SONY IMX500: IMX500センサーを搭載したRaspberry Pi AIカメラでUltralytics YOLO26モデルを最適化、デプロイし、高速かつ低消費電力で動作させます。

  • 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およびモデル形式です。AIモデルを最適化してNVIDIA GPUでの速度と効率を高め、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に実行できます。

  • TF SavedModel: Googleが開発したTF SavedModelは、TensorFlowモデルの汎用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簡単に共有、デプロイできます。

  • TFLite Edge TPU: Edge TPU上でTensorFlow Liteモデルを最適化するためにGoogleが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。

  • 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, 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
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

nms=None は外部NMS向けにraw出力をデフォルトで使用します。利用可能なNMSフリーヘッドを選択するには、nms=Falseを設定してください。未対応のフォーマットでは、ネイティブの出力パス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を埋め込めるフォーマットを示しています。

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#

コミュニティの皆様がUltralytics YOLOを他のテクノロジー、ツール、プラットフォームと連携させる方法を知るのを、いつも楽しみにしています！YOLOを新しいシステムに正常に統合した場合や、共有したい有益な知見がある場合は、インテグレーションの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と、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。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）の提出方法について、貢献ガイドをご確認ください 🛠️。皆様からのご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広げ、機能を充実させましょう 🙏！

よくある質問#

  • 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。このツールを使うと、高度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の実行、YOLOモデルのデプロイを簡単に行えます。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。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を使ってすぐに始められます。

  • 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。このインテグレーションは、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、モデルの動作を把握してデータに基づく改善を行いやすくします。

  • Neural Magicは、量子化を考慮したトレーニング（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。Neural Magicインテグレーションページで、より優れたパフォーマンスと小型化を実現する最適化の実装方法をご確認ください。計算リソースが限られ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、専用ハードウェアがなくても複雑なモデルを実行できます。

  • 対話型の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を使うと、リアルタイムのモデル推論に対応した使いやすい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双方に適した形式でYOLOモデルの機能を紹介するのに最適です。数行のコードだけで、カスタム入力に対するモデルのパフォーマンスを実演する対話型アプリケーションを構築でき、コンピュータービジョンソリューションへの理解と評価を促進できます。

コントリビューター
GLglenn-jocher40ABabirami-vina18AMambitious-octopus6BUBurhan-Q6JEJESUSROYETH4RIRizwanMunawar4RAraimbekovm3LAlakshanthad2PDpderrenger2IVIvan Tikhonov1KLklemen19991DADaisuke Majima1JAJaviChulvi1RARahulbiradar91DEdeepx-dgkim1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

コメント