Integrações da Ultralytics#

Bem-vindo à página de integrações da Ultralytics! Esta página fornece uma visão geral das nossas parcerias com várias ferramentas e plataformas, concebidas para simplificar os teus fluxos de trabalho de aprendizagem automática, melhorar a gestão de conjuntos de dados, simplificar o treino de modelos e facilitar uma implementação eficiente.

Integrações de treino#

• Competências de agentes: Ensina aos agentes de programação de IA, como Claude Code, Codex, Cursor e Gemini CLI, o fluxo de trabalho completo da Ultralytics YOLO com competências oficiais que abrangem conjuntos de dados, treino, inferência e exportação.

• Albumentations: Melhora os teus modelos da Ultralytics com poderosas técnicas de aumento de imagens para melhorar a robustez e a generalização do modelo.

• Amazon SageMaker: Usa o Amazon SageMaker para criar, treinar e implementar modelos da Ultralytics de forma eficiente, com uma plataforma completa para o ciclo de vida de ML.

• AMD: Treina, valida e executa modelos da Ultralytics em GPUs AMD compatíveis com PyTorch ROCm, com uma descrição clara da disponibilidade do MIGraphX, DirectML e NPU Ryzen AI.

• ClearML: Automatiza os teus fluxos de trabalho de ML da Ultralytics, monitoriza experiências e promove a colaboração da equipa.

• Comet ML: Melhora o desenvolvimento dos teus modelos com a Ultralytics acompanhando, comparando e otimizando as tuas experiências de aprendizagem automática.

• DVC: Implementa controlo de versões nos teus projetos de aprendizagem automática da Ultralytics, sincronizando dados, código e modelos de forma eficaz.

• Google Colab: Usa o Google Colab para treinar e avaliar modelos da Ultralytics num ambiente baseado na nuvem que permite colaboração e partilha.

• IBM Watsonx: Vê como o IBM Watsonx simplifica o treino e a avaliação de modelos da Ultralytics com as suas ferramentas de IA de ponta, integração simples e sistema avançado de gestão de modelos.

• JupyterLab: Descobre como usar o ambiente interativo e personalizável do JupyterLab para treinar e avaliar modelos da Ultralytics de forma simples e eficiente.

• Kaggle: Explora como podes usar o Kaggle para treinar e avaliar modelos da Ultralytics num ambiente baseado na nuvem, com bibliotecas pré-instaladas, suporte para GPU e uma comunidade ativa para colaboração e partilha.

• Modal: Executa modelos da Ultralytics na plataforma de nuvem sem servidor da Modal, com aprovisionamento automático de GPU, preços por segundo e escalabilidade simples para cargas de trabalho de inferência e treino.

• MLFlow: Simplifica todo o ciclo de vida de ML dos modelos da Ultralytics, desde a experimentação e reprodutibilidade até à implementação.

• Paperspace Gradient: O Paperspace Gradient simplifica o trabalho em projetos YOLO26 ao fornecer ferramentas de nuvem fáceis de usar para treinar, testar e implementar rapidamente os teus modelos.

• Ray Tune: Otimiza os hiperparâmetros dos teus modelos da Ultralytics em qualquer escala.

• TensorBoard: Visualiza os teus fluxos de trabalho de ML da Ultralytics, monitoriza as métricas dos modelos e promove a colaboração da equipa.

• Ultralytics Platform: treina, gere e implementa modelos do Ultralytics no navegador, e descarrega modelos pré-treinados oficiais e conjuntos de dados.

• VS Code: Uma extensão para o VS Code que fornece fragmentos de código para acelerar os fluxos de trabalho de desenvolvimento da Ultralytics e oferece exemplos para ajudar qualquer pessoa a aprender ou começar.

• Weights & Biases (W&B): Monitoriza experiências, visualiza métricas e promove a reprodutibilidade e a colaboração nos projetos da Ultralytics.

• YAML2ModelGraph: Gera diagramas de arquitetura SVG prontos para publicação diretamente a partir de ficheiros de configuração YAML da Ultralytics YOLO.

Integrações de implementação#

• Ambarella: Treina, comprime e exporta modelos Ultralytics YOLO para SoCs CVflow® da Ambarella, como o CV72, usando treino consciente da compressão SpongeTorch e a cadeia de ferramentas CVflow offline.

• Axelera: Explora os aceleradores Metis e o Voyager SDK para executar modelos da Ultralytics com inferência eficiente na periferia.

• Core AI: Aprende sobre o novo formato .aimodel da Apple, como o Core AI se compara com o Core ML, as suas limitações atuais e como exportar modelos YOLO26 com format="coreai" para a geração iOS 27 e macOS 27.

• CoreML: O CoreML, desenvolvido pela Apple, é uma estrutura concebida para integrar eficientemente modelos de aprendizagem automática em aplicações para iOS, macOS, watchOS e tvOS, utilizando o hardware da Apple para uma implementação de modelos eficaz e segura.

• DEEPX: Exporta modelos Ultralytics YOLO para o formato .dxnn da DEEPX, para inferência INT8 energeticamente eficiente em hardware NPU da DEEPX, direcionada para aplicações de IA incorporada e na periferia.

• ExecuTorch: Desenvolvido pela Meta, o ExecuTorch é a solução unificada do PyTorch para implementar modelos Ultralytics YOLO em dispositivos de periferia.

• Gradio: Implementa modelos da Ultralytics com o Gradio para demonstrações interativas de deteção de objetos em tempo real.

• Hailo: Exporta diretamente para Hailo HEF modelos Ultralytics YOLO de deteção, segmentação, segmentação semântica, estimativa de profundidade, classificação, pose e OBB; consulta o guia de integração para ver os modelos e destinos validados.

• Huawei Ascend: Compila modelos Ultralytics YOLO para o formato offline .om da Huawei Ascend com o compilador CANN ATC, para inferência FP16 em dispositivos Atlas e OrangePi AIPro.

• Luxonis: Converte modelos Ultralytics YOLO com o Luxonis Hub ou ferramentas locais da Luxonis e executa-os diretamente no dispositivo em câmaras Luxonis OAK RVC2 e RVC4.

• MNN: Desenvolvido pela Alibaba, o MNN é uma estrutura de aprendizagem profunda altamente eficiente e leve. Suporta a inferência e o treino de modelos de aprendizagem profunda e oferece desempenho líder no setor para inferência e treino no dispositivo.

• NCNN: Desenvolvido pela Tencent, o NCNN é uma estrutura eficiente de inferência de redes neuronais, adaptada a dispositivos móveis. Permite implementar diretamente modelos de IA em aplicações, otimizando o desempenho em várias plataformas móveis.

• Neural Magic: Usa técnicas de treino consciente da quantização (QAT) e de poda para otimizar os modelos da Ultralytics, obtendo um desempenho superior e modelos mais compactos.

• ONNX: Um formato de código aberto criado pela Microsoft para facilitar a transferência de modelos de IA entre várias estruturas, aumentando a versatilidade e a flexibilidade de implementação dos modelos da Ultralytics.

• OpenVINO: O kit de ferramentas da Intel para otimizar e implementar modelos de visão computacional de forma eficiente em várias plataformas de CPU e GPU da Intel.

• PaddlePaddle: Plataforma de aprendizagem profunda de código aberto da Baidu, o PaddlePaddle permite a implementação eficiente de modelos de IA e centra-se na escalabilidade das aplicações industriais.

• Qualcomm QNN: Compila localmente modelos Ultralytics YOLO para o formato de contexto binário QNN (AI Engine Direct) com o QNN Execution Provider do ONNX Runtime, para inferência acelerada em hardware de CPU Snapdragon, GPU Adreno e NPU Hexagon em dispositivos móveis e de periferia.

• Rockchip RKNN: Desenvolvido pela Rockchip, o RKNN é uma estrutura especializada de inferência de redes neuronais otimizada para as plataformas de hardware da Rockchip, especialmente as suas NPUs. Facilita a implementação eficiente de modelos de IA em dispositivos de periferia, permitindo inferência de alto desempenho em aplicações em tempo real.

• Seeed Studio reCamera: Desenvolvida pela Seeed Studio, a reCamera é um dispositivo avançado de IA na periferia, concebido para aplicações de visão computacional em tempo real. Alimentada pelo processador SG200X baseado em RISC-V, oferece inferência de IA de alto desempenho com eficiência energética. O seu design modular, as capacidades avançadas de processamento de vídeo e o suporte para uma implementação flexível fazem dela uma escolha ideal para vários casos de utilização, incluindo monitorização de segurança, aplicações ambientais e produção.

• SONY IMX500: Otimiza e implementa modelos Ultralytics YOLO26 em câmaras Raspberry Pi AI com o sensor IMX500, para um desempenho rápido e de baixo consumo.

• TensorRT: Desenvolvida pela NVIDIA, esta estrutura de inferência de aprendizagem profunda e formato de modelos de alto desempenho otimiza modelos de IA para maior velocidade e eficiência em GPUs NVIDIA, garantindo uma implementação simplificada.

• TF GraphDef: Desenvolvido pela Google, o GraphDef é o formato do TensorFlow para representar grafos de computação, permitindo a execução otimizada de modelos de aprendizagem automática em hardware diverso.

• TF SavedModel: Desenvolvido pela Google, o TF SavedModel é um formato universal de serialização para modelos TensorFlow, permitindo a partilha e a implementação simples numa vasta gama de plataformas, desde servidores a dispositivos de periferia.

• TFLite Edge TPU: Desenvolvido pela Google para otimizar modelos TensorFlow Lite em Edge TPUs, este formato de modelos garante computação de periferia de alta velocidade e eficiência.

• LiteRT: Desenvolvido pela Google, o LiteRT (anteriormente TensorFlow Lite) é o runtime no dispositivo para o formato .tflite, implementando um único modelo em dispositivos móveis, incorporados e de periferia, bem como no navegador (através do LiteRT.js).

• TorchScript: Desenvolvido como parte da estrutura PyTorch, o TorchScript permite a execução e a implementação eficientes de modelos de aprendizagem automática em vários ambientes de produção, sem necessidade de dependências do Python.

Integrações de conjuntos de dados#

• Roboflow: Facilita a rotulagem e a gestão de conjuntos de dados para modelos da Ultralytics, oferecendo ferramentas de anotação para rotular imagens.

Formatos de exportação#

Também suportamos vários formatos de exportação de modelos para implementação em diferentes ambientes. Estes são os formatos disponíveis:

nms=None por padrão utiliza saídas brutas para NMS externo. Define nms=False para selecionar uma cabeça livre de NMS disponível; os formatos não suportados recorrem ao seu caminho de saída nativo. As entradas nms acima identificam formatos que podem incorporar NMS com nms=True.

Explora os links para saber mais sobre cada integração e descobrir como tirar o máximo partido delas com a Ultralytics. Consulta os detalhes completos de export na página de Exportação.

Contribui para as nossas integrações#

Estamos sempre entusiasmados por ver como a comunidade integra a Ultralytics YOLO com outras tecnologias, ferramentas e plataformas! Se integraste YOLO com sucesso num novo sistema ou tens informações valiosas para partilhar, considera contribuir para a nossa documentação de integrações.

Ao escreveres um guia ou tutorial, podes ajudar a expandir a nossa documentação e fornecer exemplos do mundo real que beneficiem a comunidade. É uma excelente forma de contribuir para o ecossistema crescente em torno da Ultralytics YOLO.

Para contribuíres, consulta o nosso Guia de contribuição para obter instruções sobre como submeter um Pull Request (PR) 🛠️. Aguardamos com entusiasmo as tuas contribuições!

Vamos colaborar para tornar o ecossistema da Ultralytics YOLO mais amplo e rico em funcionalidades 🙏!

Perguntas frequentes#