Integrações 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 otimizar os teus fluxos de trabalho de machine learning, melhorar a gestão de datasets, simplificar o treino de modelos e facilitar uma implementação eficiente.

Integrações de Treino

• Albumentations: Melhora os teus modelos Ultralytics com poderosas aumentações de imagem para aumentar a robustez e generalização do modelo.

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

• 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 rastreando, comparando e otimizando as tuas experiências de machine learning.

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

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

• IBM Watsonx: Vê como o IBM Watsonx simplifica o treino e 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 usar o ambiente interativo e personalizável do JupyterLab para treinar e avaliar modelos Ultralytics com facilidade e eficiência.

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

• Modal: Executa modelos Ultralytics na plataforma de nuvem serverless do Modal com provisionamento automático de GPU, preços por segundo e escalabilidade sem interrupções para cargas de trabalho de inferência e treino.

• MLFlow: Simplifica 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 a Ultralytics neste repositório de metadados concebido para MLOps.

• Paperspace Gradient: O Paperspace Gradient simplifica o trabalho em projetos YOLO26 ao fornecer ferramentas de nuvem fáceis de usar 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 da Ultralytics, monitoriza métricas de modelos e promove a colaboração da equipa.

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

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

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

Integrações de Implementação

• Axelera: Explora os aceleradores Metis e o Voyager SDK para executar modelos Ultralytics com inferência de edge eficiente.

• 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 YOLO da Ultralytics para o formato .dxnn da DeepX para inferência INT8 com eficiência energética em hardware NPU da DeepX, visando aplicações de IA incorporada e de edge.

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

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

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

• NCNN: Desenvolvido pela Tencent, o NCNN é um framework de inferência de neural network eficiente, feito à medida para dispositivos móveis. Permite a implementação direta de modelos de IA em apps, otimizando o desempenho em várias plataformas móveis.

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

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

• OpenVINO: Toolkit da Intel para otimizar e implementar modelos de computer vision 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.

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

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

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

• TensorRT: Desenvolvido pela NVIDIA, este framework de inferência de deep learning de alto desempenho e formato de modelo otimiza modelos de IA para uma velocidade acelerada 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 machine learning em hardware diversificado.

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

• TF.js: Desenvolvido pela Google para facilitar o machine learning em navegadores e Node.js, o TF.js permite a implementação de modelos de ML baseada em JavaScript.

• TFLite: Desenvolvido pela Google, o TFLite é um framework leve para implementar modelos de machine learning em dispositivos móveis e de edge, garantindo uma inferência rápida e eficiente com um consumo de memória mínimo.

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

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

Integrações de Datasets

• Roboflow: Facilita a rotulagem e gestão de datasets 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 aprenderes mais sobre cada integração e como tirar o máximo partido delas com a 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 YOLO da Ultralytics com outras tecnologias, ferramentas e plataformas! Se integraste com sucesso o YOLO com um novo sistema ou tens conhecimentos valiosos 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 crescente em torno do YOLO da Ultralytics.

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

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

FAQ

O que é a Ultralytics Platform e como é que otimiza o fluxo de trabalho de ML?

Ultralytics Platform é uma plataforma baseada na nuvem concebida para tornar os fluxos de trabalho de machine learning para modelos Ultralytics simples e eficientes. Ao usar esta ferramenta, podes facilmente carregar datasets, treinar modelos, realizar rastreamento em tempo real e implementar modelos YOLO sem precisares de competências extensas de programação. A plataforma serve como um espaço de trabalho centralizado onde podes gerir todo o teu pipeline de ML, desde a preparação de dados até à implementação. Podes explorar as principais funcionalidades na página Ultralytics Platform e começar rapidamente com o nosso guia Quickstart.

Posso rastrear o desempenho dos meus modelos Ultralytics usando o MLFlow?

Sim, podes. Integrar o MLFlow com modelos Ultralytics permite-te rastrear experiências, melhorar a reprodutibilidade e otimizar todo o ciclo de vida de ML. Instruções detalhadas para configurar esta integração podem ser encontradas na página de integração MLFlow. Esta integração é particularmente útil para monitorizar métricas de modelos, comparar diferentes execuções de treino e gerir o fluxo de trabalho de ML de forma eficiente. O MLFlow fornece uma plataforma centralizada para registar parâmetros, métricas e artefactos, tornando mais fácil compreender o comportamento do modelo e fazer melhorias baseadas em dados.

Quais são os benefícios de usar a Neural Magic para a otimização de modelos YOLO26?

Neural Magic otimiza modelos YOLO26 tirando partido de técnicas como Quantization Aware Training (QAT) e poda, resultando em modelos altamente eficientes e mais pequenos que funcionam melhor em hardware com recursos limitados. Consulta a página de integração Neural Magic para aprenderes como implementar estas otimizações para um desempenho superior e modelos mais leves. Isto é especialmente benéfico para a implementação em dispositivos de edge onde os recursos computacionais são limitados. O motor DeepSparse da Neural Magic pode proporcionar até 6x mais rapidez na inferência em CPUs, tornando possível executar modelos complexos sem hardware especializado.

Como é que implemento modelos YOLO da Ultralytics com o Gradio para demonstrações interativas?

Para implementar modelos YOLO da Ultralytics com o Gradio para demonstrações interativas de object detection, podes seguir os passos descritos na página de integração Gradio. O Gradio permite-te criar interfaces web fáceis de usar para inferência de modelos em tempo real, tornando-o uma excelente ferramenta para mostrar as capacidades do teu modelo YOLO num formato amigável para o utilizador, adequado tanto para programadores como para utilizadores finais. Com apenas algumas linhas de código, podes construir aplicações interativas que demonstram o desempenho do teu modelo em entradas personalizadas, facilitando uma melhor compreensão e avaliação das tuas soluções de visão computacional.