Ultralytics 統合

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、機械学習のワークフローを合理化し、データセット管理を強化し、モデルトレーニングを簡素化し、効率的な導入を促進するために設計された、様々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提供します。

見るんだ： Ultralytics YOLOv8 展開と統合

データセット統合

• Roboflow:Ultralytics モデルのシームレスなデータセット管理を容易にし、堅牢なアノテーション、前処理、拡張機能を提供。

トレーニングの統合

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

• Comet ML:Ultralytics を使用して、機械学習実験を追跡、比較、最適化することで、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、モデルを効率的に同期します。

• MLFlow: 実験と再現性からデプロイまで、Ultralytics モデルの ML ライフサイクル全体を合理化。

• Ultralytics HUB：事前に訓練されたUltralytics モデルのコミュニティにアクセスし、貢献する。

• Neptune:MLOps のために設計されたこのメタデータストアで、Ultralytics を使用して ML 実験の包括的なログを管理します。

• Ray Tune：Ultralytics モデルのハイパーパラメータを任意のスケールで最適化します。

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

• Weights & Biases (W&B）：実験をモニターし、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する。

• 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 ライフサイクルのためのオールインワンプラットフォームを提供します。

• 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、YOLOv8 プロジェクトの作業を簡素化します。

• Google Colab：Google Colab を使用して、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Ultralytics モデルをトレーニングおよび評価します。

• Kaggle：プリインストールされたライブラリ、GPU サポート、コラボレーションと共有のための活気あるコミュニティがあるクラウドベースの環境で、Ultralytics モデルのトレーニングと評価にKaggleをどのように使用できるかを探ります。

デプロイメント・インテグレーション

• Neural Magic:Quantization Aware Training (QAT)とプルーニング技術を活用し、Ultralytics のモデルを最適化することで、優れたパフォーマンスとサイズの縮小を実現。

• Gradio🚀 NEW: 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 でUltralytics モデルをデプロイします。

• TorchScript:の一部として開発された。 PyTorchフレームワークの一部として開発されたTorchScript は、Python に依存することなく、様々な本番環境において機械学習モデルの効率的な実行とデプロイを可能にする。

• ONNX:によって作成されたオープンソースフォーマット。 Microsoft様々なフレームワーク間でのAIモデルの転送を容易にし、Ultralytics モデルの汎用性と展開の柔軟性を強化する。

• OpenVINOIntel Intel CPU 様々なプラットフォームでコンピュータビジョンモデルを効率的に最適化し、展開するためのツールキット。GPU

• TensorRT:によって開発されました。 NVIDIAこの高性能ディープラーニング推論フレームワークとモデルフォーマットは、NVIDIA GPU上でAIモデルを高速かつ効率的に最適化し、合理的な導入を実現します。

• CoreML:CoreMLアップルによって開発されたこのフレームワークは、iOS 、macOS、watchOS、tvOSの各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もので、アップルのハードウェアを使用することで、効果的かつ安全にモデルを展開することができます。

• TF SavedModel:によって開発された。 GoogleTF SavedModel は、TensorFlow モデル用のユニバーサル・シリアライゼーション・フォーマットで、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で簡単に共有し、展開することができます。

• TF GraphDef:によって開発された。 GoogleGraphDef 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にまたがる機械学習モデルの最適化された実行を可能にする。

• TFLite開発元 GoogleTFLiteは、モバイルデバイスやエッジデバイス上で機械学習モデルを展開するための軽量フレームワークで、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実現します。

• TFLite EdgeTPU: TFLiteによって開発されました。 GoogleEdge TPU上でTensorFlow Liteモデルを最適化するために開発されたこのモデルフォーマットは、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。

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

• PaddlePaddle:バイドゥ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、PaddlePaddle は、AIモデルの効率的な展開を可能にし、産業アプリケーションのスケーラビリティに焦点を当てている。

• NCNN:Tencentが開発した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ある。AIモデルをアプリに直接導入でき、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できる。

輸出フォーマット

また、さまざまな環境での展開のために、さまざまなモデルのエクスポート形式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：

各統合の詳細と、Ultralytics 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。全文を見る export 詳細は 輸出 ページを参照されたい。

統合への貢献

私たちは、コミュニティがUltralytics YOLO を他のテクノロジー、ツール、およびプラットフォームとどのように統合しているかを見ることに常に興奮しています！YOLO と新しいシステムとの統合に成功した場合、または共有する貴重な洞察をお持ちの場合は、統合ドキュメントへの貢献をご検討ください。

ガイドまたはチュートリアルを書くことで、私たちのドキュメントを拡張し、コミュニティのためになる実例を提供することができます。これは、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。

寄稿するには、寄稿ガイドでプルリクエスト (PR) 🛠️ の提出方法をご確認ください。皆様のご投稿をお待ちしております！

Ultralytics YOLO エコシステムをより広範で機能豊富なものにするために協力しよう 🙏！

よくあるご質問

Ultralytics HUBとは何か、MLのワークフローをどのように効率化するのか？

Ultralytics HUBは、Ultralytics モデルの機械学習（ML）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、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、YOLOv8 モデルのデプロイを、豊富なコーディングスキルを必要とせずに簡単に行うことができます。Ultralytics HUBのページで主な機能を調べることができ、クイックスタートガイドですぐに始めることができます。

Ultralytics YOLO モデルとRoboflow を統合してデータセットを管理するには？

Ultralytics YOLO モデルをRoboflow と統合することで、アノテーション、前処理、増強のための堅牢なツールを提供し、データセットの管理を強化します。開始するには Roboflow統合ページのステップに従ってください。このパートナーシップにより、正確でロバストなYOLO モデルの開発に不可欠な、効率的なデータセットの取り扱いが保証される。

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、できます。MLFlow をUltralytics モデルと統合することで、実験を追跡し、再現性を向上させ、ML ライフサイクル全体を効率化することができます。この統合を設定するための詳細な手順は、MLFlowの統合ページにあります。この統合は、モデルメトリクスのモニタリングやMLワークフローの効率的な管理に特に役立ちます。

YOLOv8 モデルの最適化にNeural Magic を使用するメリットは？

Neural Magic Quantization Aware Training (QAT)やプルーニングのようなテクニックを活用することで、YOLOv8 のモデルを最適化し、リソースが限られたハードウェアでより優れたパフォーマンスを発揮する、高効率でより小さなモデルを実現します。統合ページ Neural Magicインテグレーション・ページをご覧ください。これは特にエッジデバイスでの展開に有益です。

インタラクティブなデモのために、GradioでUltralytics YOLO モデルをデプロイするには？

インタラクティブな物体検出デモのために、Ultralytics YOLO モデルを Gradio でデプロイするには、Gradio統合ページに概説されている手順に従うことができます。Gradioは、リアルタイムのモデル推論のための使いやすいウェブインターフェースを作成することができ、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となっています。

これらの一般的な質問に対応することで、ユーザーエクスペリエンスを向上させ、Ultralytics 製品の強力な機能に関する貴重な洞察を提供することを目的としています。これらのFAQを取り入れることで、ドキュメントを充実させるだけでなく、Ultralytics ウェブサイトへのオーガニックなトラフィックを増やすこともできます。

コメント