Overslaan naar inhoud

Ultralytics Integraties

Welkom op de pagina Ultralytics Integraties! Deze pagina geeft een overzicht van onze samenwerkingsverbanden met verschillende tools en platforms, ontworpen om je machine learning workflows te stroomlijnen, het beheer van datasets te verbeteren, modeltraining te vereenvoudigen en efficiënte implementatie te vergemakkelijken.

Ultralytics YOLO ecosysteem en integraties



Kijken: Ultralytics YOLOv8 Inzet en integraties

Datasets Integraties

  • Roboflow: Maak naadloos datasetbeheer mogelijk voor Ultralytics modellen, met robuuste annotatie-, voorbewerkings- en augmentatiemogelijkheden.

Integratie van trainingen

  • ClearML: Automatiseer je Ultralytics ML workflows, monitor experimenten en bevorder de samenwerking tussen teams.

  • Comet ML: Verbeter je modelontwikkeling met Ultralytics door je machine-leerexperimenten bij te houden, te vergelijken en te optimaliseren.

  • DVC: Implementeer versiebeheer voor je Ultralytics machine learning projecten, waarbij gegevens, code en modellen effectief worden gesynchroniseerd.

  • MLFlow: Stroomlijn de hele ML-levenscyclus van Ultralytics modellen, van experimenteren en reproduceerbaarheid tot implementatie.

  • Ultralytics HUB: Toegang tot en bijdragen aan een community van voorgetrainde Ultralytics modellen.

  • Neptune: Houd een uitgebreid logboek bij van je ML-experimenten met Ultralytics in deze metadataopslag die is ontworpen voor MLOps.

  • Ray Tune: Optimaliseer de hyperparameters van je Ultralytics modellen op elke schaal.

  • TensorBoard: Visualiseer je Ultralytics ML workflows, bewaak modelmetriek en bevorder de samenwerking tussen teams.

  • Weights & Biases (W&B): Experimenten monitoren, metriek visualiseren en reproduceerbaarheid en samenwerking bevorderen op Ultralytics projecten.

  • Amazon SageMaker: Maak gebruik van Amazon SageMaker om efficiënt Ultralytics modellen te bouwen, trainen en implementeren, en bied een alles-in-één platform voor de ML levenscyclus.

  • Paperspace Gradient: Paperspace Gradient vereenvoudigt het werken aan YOLOv8 projecten door gebruiksvriendelijke cloud tools te bieden voor het snel trainen, testen en implementeren van je modellen.

  • Google Colab: Gebruik Google Colab om Ultralytics modellen te trainen en te evalueren in een cloud-gebaseerde omgeving die samenwerking en delen ondersteunt.

  • Kaggle: Ontdek hoe je Kaggle kunt gebruiken om Ultralytics modellen te trainen en te evalueren in een cloud-gebaseerde omgeving met vooraf geïnstalleerde bibliotheken, GPU ondersteuning en een levendige community voor samenwerking en delen.

Inzet Integraties

  • Neural Magic: Gebruik Quantization Aware Training (QAT) en snoeitechnieken om Ultralytics modellen te optimaliseren voor superieure prestaties en een kleinere omvang.

  • Gradio 🚀 NIEUW: Implementeer Ultralytics modellen met Gradio voor realtime, interactieve objectdetectiedemo's.

  • TorchScript: Ontwikkeld als onderdeel van het PyTorchTorchScript maakt efficiënte uitvoering en inzet van modellen voor machinaal leren in verschillende productieomgevingen mogelijk zonder de noodzaak van Python afhankelijkheden.

  • ONNX: Een open-source formaat gemaakt door Microsoft voor het vergemakkelijken van de overdracht van AI-modellen tussen verschillende frameworks, waardoor de veelzijdigheid en inzetbaarheid van Ultralytics modellen wordt vergroot.

  • OpenVINOIntel's toolkit voor het optimaliseren en efficiënt inzetten van computervisiemodellen op verschillende Intel CPU en GPU platforms.

  • TensorRT: Ontwikkeld door NVIDIADit high-performance deep learning inferentieraamwerk en modelformaat optimaliseert AI-modellen voor versnelde snelheid en efficiëntie op NVIDIA GPU's, wat zorgt voor een gestroomlijnde inzet.

  • CoreML: CoreML, ontwikkeld door Apple, is een raamwerk dat is ontworpen voor het efficiënt integreren van machine learning-modellen in toepassingen op iOS, macOS, watchOS en tvOS, waarbij gebruik wordt gemaakt van de hardware van Apple voor een effectieve en veilige inzet van modellen.

  • TF SavedModel: Ontwikkeld door Google, TF SavedModel is een universeel serialisatieformaat voor TensorFlow modellen, waarmee eenvoudig delen en implementeren op een groot aantal platforms mogelijk wordt, van servers tot randapparaten.

  • TF GraphDef: Ontwikkeld door GoogleGraphDef is TensorFlow's formaat voor het weergeven van computation graphs, waarmee geoptimaliseerde uitvoering van machine learning modellen op verschillende hardware mogelijk wordt.

  • TFLite: Ontwikkeld door GoogleTFLite is een lichtgewicht framework voor het implementeren van machine learning modellen op mobiele en randapparatuur, dat zorgt voor snelle, efficiënte inferentie met een minimale geheugenvoetafdruk.

  • TFLite Edge TPU: Ontwikkeld door Google voor het optimaliseren van TensorFlow Lite modellen op Edge TPU's. Dit modelformaat zorgt voor snel en efficiënt randrekenen.

  • TF.js: Ontwikkeld door Google om machine learning in browsers en Node.js mogelijk te maken. TF.js maakt JavaScript-gebaseerde inzet van ML-modellen mogelijk.

  • PaddlePaddle: PaddlePaddle , een open-source deep learning platform van Baidu, maakt de efficiënte inzet van AI-modellen mogelijk en richt zich op de schaalbaarheid van industriële toepassingen.

  • NCNN: NCNN , ontwikkeld door Tencent, is een efficiënt raamwerk voor neurale netwerkinferenties op maat gemaakt voor mobiele apparaten. Het maakt directe inzet van AI-modellen in apps mogelijk en optimaliseert de prestaties op verschillende mobiele platforms.

Exportformaten

We ondersteunen ook verschillende exportformaten voor modellen voor gebruik in verschillende omgevingen. Hier zijn de beschikbare formaten:

Formaat format Argument Model Metagegevens Argumenten
PyTorch - yolov8n.pt ✅ -
TorchScript torchscript yolov8n.torchscript ✅ imgsz, optimize, batch
ONNX onnx yolov8n.onnx ✅ imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ ✅ imgsz, half, int8, batch
TensorRT engine yolov8n.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ ✅ imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb ❌ imgsz, batch
TF Lite tflite yolov8n.tflite ✅ imgsz, half, int8, batch
TF Rand TPU edgetpu yolov8n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n_web_model/ ✅ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ ✅ imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ ✅ imgsz, half, batch

Verken de links voor meer informatie over elke integratie en hoe je er het meeste uit kunt halen met Ultralytics. Volledig bekijken export details in de Exporteer pagina.

Draag bij aan onze integraties

We zijn altijd benieuwd hoe de community Ultralytics YOLO integreert met andere technologieën, tools en platforms! Als je YOLO succesvol hebt geïntegreerd met een nieuw systeem of waardevolle inzichten hebt om te delen, overweeg dan om bij te dragen aan onze Integrations Docs.

Door het schrijven van een handleiding of zelfstudie kun je helpen onze documentatie uit te breiden en voorbeelden uit de praktijk te geven waar de gemeenschap iets aan heeft. Het is een uitstekende manier om bij te dragen aan het groeiende ecosysteem rond Ultralytics YOLO .

Om bij te dragen, bekijk onze Bijdragen Gids voor instructies over het indienen van een Pull Request (PR) 🛠️. We kijken reikhalzend uit naar jullie bijdragen!

Laten we samenwerken om het Ultralytics YOLO ecosysteem uitgebreider en rijker aan functies te maken 🙏!

FAQ

Wat is Ultralytics HUB en hoe stroomlijnt het de ML workflow?

Ultralytics HUB is een cloudgebaseerd platform dat is ontworpen om machine learning (ML) workflows voor Ultralytics modellen naadloos en efficiënt te laten verlopen. Door deze tool te gebruiken kun je eenvoudig datasets uploaden, modellen trainen, real-time tracking uitvoeren en YOLOv8 modellen implementeren zonder dat je uitgebreide codeervaardigheden nodig hebt. Je kunt de belangrijkste functies bekijken op de Ultralytics HUB pagina en snel aan de slag gaan met onze Quickstart guide.

Hoe integreer ik Ultralytics YOLO modellen met Roboflow voor datasetbeheer?

De integratie van Ultralytics YOLO modellen met Roboflow verbetert het beheer van datasets door robuuste hulpmiddelen te bieden voor annotatie, voorbewerking en vergroting. Volg de stappen op de Roboflow integratiepagina. Deze samenwerking zorgt voor een efficiënte verwerking van datasets, wat cruciaal is voor het ontwikkelen van nauwkeurige en robuuste YOLO modellen.

Kan ik de prestaties van mijn Ultralytics modellen volgen met MLFlow?

Ja, dat kan. Door MLFlow te integreren met Ultralytics modellen kun je experimenten volgen, de reproduceerbaarheid verbeteren en de hele ML levenscyclus stroomlijnen. Gedetailleerde instructies voor het opzetten van deze integratie kun je vinden op de MLFlow integratie pagina. Deze integratie is vooral handig voor het monitoren van modelmetriek en het efficiënt beheren van de ML workflow.

Wat zijn de voordelen van het gebruik van Neural Magic voor YOLOv8 modeloptimalisatie?

Neural Magic optimaliseert YOLOv8 modellen door gebruik te maken van technieken als Quantization Aware Training (QAT) en pruning, wat resulteert in zeer efficiënte, kleinere modellen die beter presteren op hardware met beperkte bronnen. Bekijk de Neural Magic integratiepagina om te leren hoe je deze optimalisaties kunt implementeren voor superieure prestaties en slankere modellen. Dit is vooral gunstig voor inzet op randapparaten.

Hoe zet ik Ultralytics YOLO modellen in met Gradio voor interactieve demo's?

Om Ultralytics YOLO modellen te implementeren met Gradio voor interactieve objectdetectiedemo's, kun je de stappen volgen die worden beschreven op de Gradio integratiepagina. Met Gradio kun je gebruiksvriendelijke webinterfaces maken voor real-time modelinferentie, waardoor het een uitstekend hulpmiddel is om de mogelijkheden van je YOLO model te laten zien in een gebruiksvriendelijk formaat dat geschikt is voor zowel ontwikkelaars als eindgebruikers.

Door deze veelgestelde vragen te behandelen, willen we de gebruikerservaring verbeteren en waardevolle inzichten geven in de krachtige mogelijkheden van Ultralytics producten. Het opnemen van deze FAQ's zal niet alleen de documentatie verbeteren, maar ook meer organisch verkeer naar de website Ultralytics leiden.



Aangemaakt 2023-11-12, Bijgewerkt 2024-07-18
Auteurs: abirami-vina (15), glenn-jocher (16), Burhan-Q (5), RizwanMunawar (1)

Reacties