Integrações da Ultralytics
Esta página lista as ferramentas e plataformas com as quais a Ultralytics se integra para dar suporte aos seus fluxos de trabalho de aprendizado de máquina, desde o gerenciamento de conjuntos de dados e o treinamento de modelos até o rastreamento de experimentos e a implantação.
Assista: Implantação e integrações do Ultralytics YOLO
Integrações de treino#
-
Agent Skills: Ensina aos agentes de programação de IA, como Claude Code, Codex, Cursor e Gemini CLI, todo o fluxo de trabalho do Ultralytics YOLO com competências oficiais que abrangem conjuntos de dados, treino, inferência e exportação.
-
Albumentations: aplique aumentos de dados adicionais às imagens durante o treinamento da Ultralytics para melhorar a robustez e a capacidade de generalização do modelo.
-
Amazon SageMaker: use o Amazon SageMaker para criar, treinar e implantar modelos Ultralytics em uma única plataforma para todo o ciclo de vida de aprendizado de máquina.
-
ClearML: automatize seus fluxos de trabalho de aprendizado de máquina da Ultralytics, acompanhe experimentos e colabore em equipe.
-
Comet ML: Melhora o desenvolvimento dos teus modelos com a Ultralytics, acompanhando, comparando e otimizando as tuas experiências de aprendizagem automática.
-
DVC: Implementa o controlo de versões nos teus projetos de aprendizagem automática da Ultralytics e sincroniza dados, código e modelos com eficiência.
-
Google Colab: Usa o Google Colab para treinar e avaliar modelos Ultralytics num ambiente na nuvem que permite colaborar e partilhar.
-
IBM Watsonx: treine e avalie modelos Ultralytics em notebooks do IBM watsonx.ai, com as ferramentas da IBM para gerenciamento de dados e governança de modelos.
-
JupyterLab: use o ambiente interativo e personalizável do JupyterLab para treinar e avaliar modelos Ultralytics.
-
Kaggle: explore como usar o Kaggle para treinar e avaliar modelos Ultralytics em um ambiente na nuvem com bibliotecas pré-instaladas, suporte a GPU e uma comunidade ativa para colaboração e compartilhamento.
-
MLflow: Simplifica todo o ciclo de vida de ML dos modelos Ultralytics, da experimentação e reprodutibilidade à implantação.
-
Modal: execute modelos Ultralytics na plataforma de nuvem sem servidor do Modal, com provisionamento automático de GPU, cobrança por segundo e escalabilidade automática para cargas de trabalho de inferência e treinamento.
-
Paperspace Gradient: use as GPUs e os notebooks na nuvem do Paperspace Gradient para treinar, testar e implantar modelos YOLO26.
-
Ray Tune: execute o ajuste de hiperparâmetros dos seus modelos Ultralytics em qualquer escala.
-
TensorBoard: visualize suas execuções de treinamento da Ultralytics e monitore as métricas dos modelos.
-
Ultralytics Platform: treine, gerencie e implante modelos Ultralytics no navegador e baixe modelos pré-treinados oficiais e conjuntos de dados.
-
VS Code: Uma extensão para o VS Code que disponibiliza trechos 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): Acompanha experiências, visualiza métricas e promove a reprodutibilidade e a colaboração em projetos da Ultralytics.
-
YAML2ModelGraph: Gera diagramas de arquitetura SVG prontos para publicação diretamente a partir de ficheiros de configuração YAML do Ultralytics YOLO.
Integrações de implementação#
-
Ambarella: Treina, comprime e exporta modelos Ultralytics YOLO para SoCs Ambarella CVflow® como o CV72 com o fork Ultralytics da Ambarella, usando o treinamento com reconhecimento de compressão SpongeTorch e a cadeia de ferramentas CVflow offline.
-
AMD: Exporta o Ultralytics YOLO para ONNX e executa inferência acelerada por GPU em GPUs AMD Instinct e Radeon através do fornecedor de execução ONNX Runtime MIGraphX no ROCm; também é suportado o treino nativo com PyTorch ROCm.
-
AMD Xilinx: Exporte Ultralytics YOLO com
format="xilinx"para NPUs AMD Versal AI Edge Series Gen 2 usando AMD Quark e Vitis AI; o guia aborda dispositivos Zynq, Kria e Versal, aceleradores DPU versus NPU e suporte a operadores YOLO. -
Axelera: Descobre os aceleradores Metis e o Voyager SDK para executar modelos Ultralytics com inferência eficiente na periferia.
-
Core AI: Aprende sobre o novo formato
.aimodelda Apple, como o Core AI se compara ao Core ML, quais são as suas limitações atuais e como exportar modelos YOLO26 comformat="coreai"para a geração iOS 27 e macOS 27. -
CoreML: O CoreML, desenvolvido pela Apple, é uma estrutura concebida para integrar modelos de aprendizagem automática com eficiência em aplicações para iOS, macOS, watchOS e tvOS, usando o hardware da Apple para uma implementação de modelos eficaz e segura.
-
DEEPX: Exporta modelos Ultralytics YOLO para o formato
.dxnnda DEEPX, para inferência INT8 eficiente em termos energéticos no hardware NPU da DEEPX, destinado a aplicações de IA incorporada e de 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 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
.omdo Huawei Ascend com o compilador CANN ATC para inferência FP16 em dispositivos Atlas e Orange Pi AIpro. -
LiteRT: Desenvolvido pela Google, o LiteRT (anteriormente conhecido como TensorFlow Lite) é o ambiente de execução no dispositivo para o formato
.tflite, que permite implementar um único modelo em dispositivos móveis, incorporados e de periferia, bem como no navegador (através do LiteRT.js). -
Luxonis OAK: Converte modelos Ultralytics YOLO com o Luxonis Hub ou as ferramentas locais da Luxonis e executa-os no dispositivo em câmeras Luxonis OAK
RVC2eRVC4. -
MediaTek: implementa o Ultralytics YOLO em telemóveis Android MediaTek Dimensity com a exportação LiteRT e o plugin oficial para Flutter, com resultados medidos de CPU, GPU e NPU em protótipo.
-
MNN: desenvolvido pela Alibaba, o MNN é uma estrutura leve de aprendizado profundo para inferência e treinamento no dispositivo em hardware móvel e integrado.
-
NCNN: desenvolvido pela Tencent, o NCNN é uma estrutura de inferência de redes neurais otimizada para dispositivos móveis. Ele executa modelos de IA diretamente em aplicativos em diversas plataformas móveis.
-
NXP: Compile modelos YOLO INT8 calibrados para a NPU Neutron do i.MX95 com Neutron SDK 3.3.0.
-
ONNX: formato de código aberto originalmente desenvolvido pela Microsoft e pelo Facebook para transferir modelos de IA entre estruturas, tornando os modelos Ultralytics portáveis entre ambientes de execução e hardware.
-
OpenVINO: kit de ferramentas da Intel para otimizar e implantar modelos de visão computacional em CPUs, GPUs e NPUs da Intel.
-
PaddlePaddle: plataforma de aprendizado profundo de código aberto da Baidu; o PaddlePaddle oferece suporte à implantação de modelos de IA, com foco em aplicações industriais escaláveis.
-
Qualcomm QNN: Compila localmente modelos Ultralytics YOLO para o formato binário de contexto QNN (AI Engine Direct) com o fornecedor de execução QNN do ONNX Runtime, para acelerar a inferência 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 de inferência de redes neurais otimizada para as plataformas de hardware da Rockchip, especialmente suas NPUs, para inferência de IA em tempo real em dispositivos de borda.
-
Seeed Studio reCamera: desenvolvida pela Seeed Studio, a reCamera é um dispositivo de IA de borda para aplicações de visão computacional em tempo real. Equipada com o processador SG200X baseado em RISC-V, ela executa inferência de IA com eficiência energética, e seu design modular e seus recursos de processamento de vídeo são adequados para casos de uso como monitoramento de segurança, aplicações ambientais e manufatura.
-
SONY IMX500: Otimiza e implanta modelos Ultralytics YOLOv8n e YOLO11n em câmeras Raspberry Pi AI com sensor IMX500 para desempenho rápido e de baixo consumo.
-
ST Edge AI: exporte modelos Ultralytics YOLO com
format="stedgeai"para modelos ONNX de ponto flutuante ou INT8 para dispositivos STM32 da STMicroelectronics, verifique a precisão no seu computador e compile com o ST Edge AI Core. -
TensorRT: desenvolvido pela NVIDIA, esta estrutura de inferência de aprendizado profundo de alto desempenho e formato de modelo otimiza modelos de IA para velocidade e eficiência em GPUs NVIDIA.
-
TF GraphDef: Desenvolvido pela Google, o GraphDef é o formato do TensorFlow para representar grafos computacionais, permitindo a execução otimizada de modelos de aprendizagem automática em diversos tipos de hardware.
-
TF SavedModel: desenvolvido pela Google, o TF SavedModel é um formato de serialização para modelos TensorFlow, que permite compartilhá-los e implantá-los em diversas plataformas, de servidores a dispositivos de borda.
-
TFLite Edge TPU: desenvolvido pela Google para otimizar modelos TensorFlow Lite em Edge TPUs, este formato de modelo possibilita a computação de borda rápida e eficiente.
-
TorchScript: Desenvolvido como parte da estrutura PyTorch, o TorchScript permite executar e implementar modelos de aprendizagem automática com eficiência em vários ambientes de produção, sem dependências de Python.
Integrações de conjuntos de dados#
- Roboflow: Facilita a rotulagem e a gestão de conjuntos de dados para modelos Ultralytics, disponibilizando ferramentas de anotação para rotular imagens.
Formatos de exportação#
Também oferecemos suporte a vários formatos de exportação de modelos para implementação em diferentes ambientes. Estes são os formatos disponíveis:
| Formato | Argumento format | Modelo | Metadados | Argumentos |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, quantize, dynamic, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, quantize, dynamic, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, quantize, nms, batch, device |
| Apple Core AI | coreai | yolo26n.aimodel | ✅ | imgsz, batch, quantize |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, quantize, opset, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, opset, batch, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, quantize, opset, data, fraction, device |
| LiteRT | litert | yolo26n.tflite | ✅ | imgsz, quantize, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, dynamic, quantize, simplify, opset, nms, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, quantize, device |
| IMX500 | imx | yolo11n_imx_model/ | ✅ | imgsz, quantize, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, quantize, batch, data, fraction, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, quantize, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, quantize, simplify, opset, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn.onnx | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| Hailo | hailo | yolo26n_hailo_model/ | ✅ | imgsz, name, quantize, data, fraction, simplify, conf, iou, device |
| Huawei Ascend | ascend | yolo26n_ascend_model/ | ✅ | imgsz, batch, name, quantize, opset, simplify, nms, device |
| AMD Xilinx | xilinx | yolo26n_xilinx_model/ | ✅ | imgsz, name, quantize, data, fraction, opset, simplify, device |
| NXP | nxp | yolo26n_nxp.tflite | ✅ | imgsz, quantize, data, fraction, device |
| ST Edge AI | stedgeai | yolo26n_stedgeai.onnx | ✅ | imgsz, quantize, data, fraction, opset, simplify, device |
nms=None usa por padrão saídas brutas para NMS externo (YOLO26 mantém sua cabeça sem NMS na Axelera). Define nms=False para selecionar uma cabeça sem NMS disponível; os formatos não compatíveis recorrem ao caminho de saída nativo. As entradas nms acima identificam os formatos que podem incorporar NMS com nms=True.
Consulta os links para saber mais sobre cada integração e tirar o máximo partido das mesmas com a Ultralytics. Consulta todos os detalhes de export na página de exportação.
Contribui para as nossas integrações#
Aceitamos guias da comunidade sobre a integração do Ultralytics YOLO com outras tecnologias, ferramentas e plataformas. Se você integrou com sucesso o YOLO a um novo sistema ou tem informações valiosas para compartilhar, considere contribuir para a documentação de integrações.
Ao escrever um guia ou tutorial, você pode ajudar a ampliar nossa documentação e fornecer exemplos práticos que beneficiem a comunidade.
Para contribuir, siga as instruções do nosso guia de contribuição sobre como enviar uma Pull Request (PR).
Perguntas frequentes#
Ultralytics Platform é uma plataforma na nuvem para fluxos de trabalho de aprendizado de máquina de ponta a ponta com modelos Ultralytics. Você pode carregar e anotar conjuntos de dados, treinar modelos em GPUs na nuvem, acompanhar experimentos e implantar modelos YOLO sem precisar de muita programação. A plataforma funciona como um espaço de trabalho centralizado para todo o seu pipeline de aprendizado de máquina, da preparação dos dados à implantação.
Sim, é possível. Integrar o MLflow aos modelos Ultralytics permite acompanhar experimentos, melhorar a reprodutibilidade e simplificar todo o ciclo de vida de ML. Instruções detalhadas para configurar essa integração estão disponíveis na página de integração do MLflow. Essa integração é particularmente útil para monitorar métricas do modelo, comparar diferentes execuções de treinamento e gerenciar o fluxo de trabalho de ML com eficiência. O MLflow oferece uma plataforma centralizada para registrar parâmetros, métricas e artefatos, facilitando a compreensão do comportamento do modelo e a implementação de melhorias baseadas em dados.
Para implantar modelos Ultralytics YOLO com o Gradio e criar demonstrações interativas de detecção de objetos, você pode seguir as etapas descritas na página de integração do Gradio. O Gradio cria interfaces web para inferência de modelos em tempo real, o que o torna útil para apresentar seu modelo YOLO a desenvolvedores e usuários finais. Com algumas linhas de código, você pode criar aplicações interativas que demonstram o desempenho do seu modelo com entradas personalizadas.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

