Integrações Ultralytics#

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

Integrações de Treino#

• Albumentations: Melhora os teus modelos Ultralytics com aumentos de imagem potentes para melhorar a robustez e a generalização do modelo.

• Amazon SageMaker: Tira partido do Amazon SageMaker para criar, treinar e implementar modelos Ultralytics de forma eficiente, fornecendo uma plataforma integrada para todo o ciclo de vida de ML.

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

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

• Comet ML: Melhora o desenvolvimento de modelos com Ultralytics através do rastreio, comparação e otimização das tuas experiências de machine learning.

• DVC: Implementa o controlo de versões para os teus projetos de machine learning com Ultralytics, sincronizando dados, código e modelos de forma eficaz.

• Google Colab: Utiliza o Google Colab para treinar e avaliar modelos Ultralytics num ambiente baseado na nuvem que suporta a colaboração e a partilha.

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

• JupyterLab: Descobre como utilizar o ambiente interativo e personalizável do JupyterLab para treinar e avaliar modelos Ultralytics com facilidade e eficiência.

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

• Modal: Executa modelos Ultralytics na plataforma em nuvem sem servidores do Modal com provisionamento automático de GPU, preços por segundo e dimensionamento fluido para cargas de trabalho de inferência e treino.

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

• Neptune: Mantém um registo abrangente das tuas experiências de ML com o Ultralytics neste arquivo de metadados concebido para MLOps.

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

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

• TensorBoard: Visualiza os teus fluxos de trabalho de ML com Ultralytics, monitoriza as métricas do modelo e promove a colaboração em equipa.

• Ultralytics Platform: Acede a uma comunidade de modelos Ultralytics pré-treinados e contribui para a mesma.

• VS Code: Uma extensão para o VS Code que fornece snippets de código para acelerar os fluxos de trabalho de desenvolvimento com 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 colaboração em projetos Ultralytics.

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

Integrações de Implementação#

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

• Axelera: Explora os aceleradores Metis e o Voyager SDK para executar modelos Ultralytics com inferência eficiente no edge.

• Core AI: Fica a saber mais sobre o novo formato .aimodel da Apple, como o Core AI se compara com o Core ML, as suas limitações atuais e a integração planeada do Ultralytics para a geração do iOS 27 e macOS 27.

• CoreML: O CoreML, desenvolvido pela Apple, é um framework concebido para integrar eficientemente modelos de machine learning em aplicações em 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 DEEPX, visando aplicações de IA em sistemas embebidos e edge.

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

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

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

• MNN: Desenvolvido pela Alibaba, o MNN é um framework de deep learning altamente eficiente e leve. Suporta inferência e treino de modelos de deep learning e tem um desempenho líder na indústria para inferência e treino no dispositivo.

• NCNN: Desenvolvido pela Tencent, o NCNN é um framework de inferência de redes neuronais eficiente adaptado para dispositivos móveis. Permite a implementação direta de modelos de IA em aplicações, otimizando o desempenho em várias plataformas móveis.

• Neural Magic: Tira partido do Quantization Aware Training (QAT) e de técnicas de poda para otimizar modelos Ultralytics para um desempenho superior e um tamanho mais compacto.

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

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

• PaddlePaddle: Uma plataforma de deep learning de código aberto da Baidu, o PaddlePaddle permite a implementação eficiente de modelos de IA e foca-se na escalabilidade de aplicações industriais.

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

• Rockchip RKNN: Desenvolvido pela Rockchip, o RKNN é um framework especializado de inferência de redes neuronais otimizado para as plataformas de hardware da Rockchip, particularmente as suas NPUs. Facilita a implementação eficiente de modelos de IA em dispositivos edge, permitindo inferência de alto desempenho em aplicações em tempo real.

• Seeed Studio reCamera: Desenvolvida pela Seeed Studio, a reCamera é um dispositivo de IA no edge avançado 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, capacidades avançadas de processamento de vídeo e suporte para implementação flexível tornam-na uma escolha ideal para vários casos de uso, incluindo monitorização de segurança, aplicações ambientais e fabrico.

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

• TensorRT: Desenvolvido pela NVIDIA, este framework de inferência de deep learning de alto desempenho e formato de modelo otimiza modelos de IA para velocidade e eficiência aceleradas em GPUs NVIDIA, garantindo uma implementação otimizada.

• TF GraphDef: Desenvolvido pelo Google, o GraphDef é o formato do TensorFlow para representar grafos de computação, permitindo a execução otimizada de modelos de machine learning em diversos hardwares.

• TF SavedModel: Desenvolvido pelo Google, o TF SavedModel é um formato de serialização universal para modelos TensorFlow, permitindo a partilha e implementação fáceis numa ampla gama de plataformas, desde servidores até dispositivos edge.

• TFLite Edge TPU: Desenvolvido pelo Google para otimizar modelos TensorFlow Lite em Edge TPUs, este formato de modelo garante edge computing de alta velocidade e eficiente.

• LiteRT: Desenvolvido pelo Google, o LiteRT (anteriormente TensorFlow Lite) é o runtime no dispositivo para o formato .tflite, implementando um único modelo em dispositivos móveis, embebidos, edge e no navegador (através do LiteRT.js).

• TorchScript: Desenvolvido como parte do framework PyTorch, o TorchScript permite a execução e implementação eficientes de modelos de machine learning em vários ambientes de produção sem a necessidade de dependências de Python.

Integrações de Datasets#

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

Formatos de Exportação#

Também suportamos uma variedade de formatos de exportação de modelos para implementação em diferentes ambientes. Aqui estão os formatos disponíveis:

Explora as hiperligações para saberes mais sobre cada integração e como tirar o máximo partido delas com o Ultralytics. Vê os detalhes completos de export na página Export.

Contribui para as Nossas Integrações#

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

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

Para contribuir, consulta o nosso Guia de Contribuição para obter instruções sobre como submeter um Pull Request (PR) 🛠️. Aguardamos ansiosamente as tuas contribuições!

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

FAQ#