コンテンツへスキップ

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。

Ultralytics YOLO エコシステムと統合



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。

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:マイクロソフトが作成したオープンソースフォーマットで、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高める。

  • OpenVINO:様々なインテルCPUおよびGPU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、展開するためのインテルのツールキット。

  • TensorRT:NVIDIAによって開発された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上での高速化と効率化のためにAIモデルを最適化し、合理的な導入を保証します。

  • CoreML:CoreMLAppleによって開発されたこのフレームワークは、iOS、macOS、watchOS、tvOSにまたがる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、Apple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:Google が開発したTF 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・展開できる。

  • TF GraphDef:Googleによって開発されたGraphDef は、TensorFlow の計算グラフを表現するためのフォーマットであり、多様なハードウェア間での機械学習モデルの最適化された実行を可能にする。

  • TFLite:Googleによって開発されたTFLiteは、モバイル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あり、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保証する。

  • TFLite EdgeTPU:GoogleがEdge TPU上の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保証します。

  • TF.js:ブラウザと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:

フォーマット format 議論 モデル メタデータ 論争
PyTorch - yolov8n.pt ✅ -
TorchScript torchscript yolov8n.torchscript ✅ imgsz, optimize
ONNX onnx yolov8n.onnx ✅ imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n_openvino_model/ ✅ imgsz, half, int8
TensorRT engine yolov8n.engine ✅ imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n.mlpackage ✅ imgsz, half, int8, nms
TF SavedModel saved_model yolov8n_saved_model/ ✅ imgsz, keras, int8
TF GraphDef pb yolov8n.pb ❌ imgsz
TF ライト tflite yolov8n.tflite ✅ imgsz, half, int8
TF エッジTPU edgetpu yolov8n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n_web_model/ ✅ imgsz, half, int8
PaddlePaddle paddle yolov8n_paddle_model/ ✅ imgsz
NCNN ncnn yolov8n_ncnn_model/ ✅ imgsz, half

各統合の詳細と、Ultralytics を使ってそれらを最大限に活用する方法については、リンクを参照してください。

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 🙏!



作成日:2023-11-12 更新日:2024-04-03
著者:abirami-vina(12),Burhan-Q(1),RizwanMunawar(1),glenn-jocher(10)

コメント