Link to this sectionIntegrações Ultralytics#

Bem-vindo à página de Integrações da Ultralytics! Esta página oferece uma visão geral das nossas parcerias com diversas ferramentas e plataformas, projetadas para otimizar os seus fluxos de trabalho de machine learning, aprimorar o gerenciamento de datasets, simplificar o treinamento de modelos e facilitar a implementação eficiente.

Link to this sectionIntegrações de Treinamento#

• Albumentations: Melhore os seus modelos Ultralytics com poderosas técnicas de aumento de imagem para aprimorar a robustez e a generalização do modelo.

• Amazon SageMaker: Aproveite o Amazon SageMaker para criar, treinar e implementar modelos Ultralytics com eficiência, fornecendo uma plataforma tudo-em-um para o ciclo de vida de ML.

• ClearML: Automatize os seus fluxos de trabalho de ML da Ultralytics, monitore experimentos e promova a colaboração em equipe.

• Comet ML: Aprimore o desenvolvimento dos seus modelos com Ultralytics rastreando, comparando e otimizando os seus experimentos de machine learning.

• DVC: Implemente controle de versão para os seus projetos de machine learning da Ultralytics, sincronizando dados, código e modelos de forma eficaz.

• Google Colab: Use o Google Colab para treinar e avaliar modelos Ultralytics em um ambiente baseado na nuvem que oferece suporte à colaboração e ao compartilhamento.

• IBM Watsonx: Veja como o IBM Watsonx simplifica o treinamento e a avaliação de modelos Ultralytics com suas ferramentas de IA de ponta, integração sem esforço e sistema avançado de gerenciamento de modelos.

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

• Kaggle: Explore como você pode usar o Kaggle para treinar e avaliar modelos Ultralytics em um ambiente baseado na nuvem com bibliotecas pré-instaladas, suporte a GPU e uma comunidade vibrante para colaboração e compartilhamento.

• Modal: Execute modelos Ultralytics na plataforma de nuvem serverless da Modal com provisionamento automático de GPU, preços por segundo e escalonamento contínuo para cargas de trabalho de inferência e treinamento.

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

• Neptune: Mantenha um registro abrangente dos seus experimentos de ML com Ultralytics neste repositório de metadados projetado para MLOps.

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

• Ray Tune: Otimize os hiperparâmetros dos seus modelos Ultralytics em qualquer escala.

• TensorBoard: Visualize os seus fluxos de trabalho de ML da Ultralytics, monitore as métricas do modelo e promova a colaboração em equipe.

• Ultralytics Platform: Acesse e contribua para uma comunidade de modelos Ultralytics pré-treinados.

• VS Code: Uma extensão para o VS Code que oferece snippets 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): Monitore experimentos, visualize métricas e promova a reprodutibilidade e a colaboração em projetos Ultralytics.

Link to this sectionIntegrações de Implementação#

• Axelera: Explore os aceleradores Metis e o Voyager SDK para executar modelos Ultralytics com inferência eficiente na borda.

• CoreML: O CoreML, desenvolvido pela Apple, é um framework projetado para integrar eficientemente modelos de machine learning em aplicativos para iOS, macOS, watchOS e tvOS, usando o hardware da Apple para uma implementação de modelo eficaz e segura.

• DEEPX: Exporte 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 embarcadas e na borda.

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

• Gradio: Implemente modelos Ultralytics com Gradio para demonstrações interativas de detecção de objetos em tempo real.

• Hailo: Converta modelos de detecção YOLO da Ultralytics de ONNX para Hailo HEF com o compilador de fluxo de dados externo da Hailo para dispositivos Hailo-8, Hailo-8L, Raspberry Pi AI Kit e Hailo-15.

• MNN: Desenvolvido pela Alibaba, o MNN é um framework de deep learning altamente eficiente e leve. Ele suporta inferência e treinamento de modelos de deep learning e tem desempenho líder no setor para inferência e treinamento no próprio dispositivo.

• NCNN: Desenvolvido pela Tencent, o NCNN é um framework de inferência de neural network eficiente, adaptado para dispositivos móveis. Ele permite a implementação direta de modelos de IA em aplicativos, otimizando o desempenho em várias plataformas móveis.

• Neural Magic: Aproveite técnicas de Quantization Aware Training (QAT) e poda para otimizar modelos Ultralytics para desempenho superior e tamanho 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 a flexibilidade de implementação dos modelos Ultralytics.

• OpenVINO: O kit de ferramentas 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 na escalabilidade de aplicações industriais.

• Qualcomm QNN: Compile modelos YOLO da Ultralytics localmente no 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 borda.

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

• Seeed Studio reCamera: Desenvolvida pela Seeed Studio, a reCamera é um dispositivo de IA na borda avançado projetado para aplicações de visão computacional em tempo real. Alimentada pelo processador SG200X baseado em RISC-V, ela oferece inferência de IA de alto desempenho com eficiência energética. Seu design modular, recursos avançados de processamento de vídeo e suporte para implementação flexível a tornam uma escolha ideal para diversos casos de uso, incluindo monitoramento de segurança, aplicações ambientais e manufatura.

• SONY IMX500: Otimize e implemente modelos Ultralytics YOLO26 em Raspberry Pi AI Cameras 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 maior velocidade e eficiência em GPUs NVIDIA, garantindo uma implementação simplificada.

• 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 fácil compartilhamento e implementação em uma ampla gama de plataformas, de servidores a dispositivos de borda.

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

• TFLite Edge TPU: Desenvolvido pelo Google para otimizar modelos TensorFlow Lite em Edge TPUs, este formato de modelo garante 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 diversos ambientes de produção sem a necessidade de dependências Python.

Link to this sectionIntegrações de Datasets#

• Roboflow: Facilite a rotulagem e o gerenciamento de datasets para modelos Ultralytics, oferecendo ferramentas de anotação para rotular imagens.

Link to this sectionFormatos de exportação#

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

Explore os links para saber mais sobre cada integração e como tirar o máximo proveito delas com a Ultralytics. Veja os detalhes completos de export na página Export.

Link to this sectionContribua para as Nossas Integrações#

Estamos sempre entusiasmados em ver como a comunidade integra o Ultralytics YOLO com outras tecnologias, ferramentas e plataformas! Se você integrou o YOLO com sucesso em um novo sistema ou tem insights valiosos para compartilhar, considere contribuir para a nossa Documentação de Integrações.

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

Para contribuir, por favor, verifique o nosso Guia de Contribuição para obter instruções sobre como enviar um Pull Request (PR) 🛠️. Aguardamos ansiosamente pelas suas contribuições!

Vamos colaborar para tornar o ecossistema do Ultralytics YOLO mais abrangente e rico em recursos 🙏!

Link to this sectionFAQ#

Link to this sectionO que é a Ultralytics Platform e como ela otimiza o fluxo de trabalho de ML?#

A Ultralytics Platform é uma plataforma baseada em nuvem projetada para tornar os fluxos de trabalho de machine learning para modelos Ultralytics perfeitos e eficientes. Ao usar esta ferramenta, você pode facilmente fazer upload de datasets, treinar modelos, realizar rastreamento em tempo real e implementar modelos YOLO sem precisar de habilidades extensas de codificação. A plataforma serve como um espaço de trabalho centralizado onde você pode gerenciar todo o seu pipeline de ML, desde a preparação dos dados até a implementação. Você pode explorar os principais recursos na página da Ultralytics Platform e começar rapidamente com o nosso guia de Quickstart.

Link to this sectionPosso rastrear o desempenho dos meus modelos Ultralytics usando o MLFlow?#

Sim, você pode. Integrar o MLFlow com modelos Ultralytics permite que você rastreie experimentos, melhore a reprodutibilidade e otimize todo o ciclo de vida de ML. Instruções detalhadas para configurar esta integração podem ser encontradas na página de integração do MLFlow. Esta integração é particularmente útil para monitorar métricas de modelo, comparar diferentes execuções de treinamento e gerenciar o fluxo de trabalho de ML de forma eficiente. O MLFlow fornece uma plataforma centralizada para registrar parâmetros, métricas e artefatos, tornando mais fácil entender o comportamento do modelo e fazer melhorias baseadas em dados.

Link to this sectionQuais são os benefícios de usar a Neural Magic para otimização de modelos YOLO26?#

Neural Magic otimiza modelos YOLO26 aproveitando técnicas como Quantization Aware Training (QAT) e poda, resultando em modelos altamente eficientes e menores que apresentam melhor desempenho em hardware com recursos limitados. Confira a página de integração da Neural Magic para aprender como implementar essas otimizações para um desempenho superior e modelos mais enxutos. Isso é especialmente benéfico para a implementação em dispositivos de borda onde os recursos computacionais são limitados. O motor DeepSparse da Neural Magic pode oferecer até 6x mais velocidade de inferência em CPUs, tornando possível executar modelos complexos sem hardware especializado.

Link to this sectionComo faço para implementar modelos YOLO da Ultralytics com Gradio para demonstrações interativas?#

Para implementar modelos YOLO da Ultralytics com o Gradio para demonstrações interativas de object detection, você pode seguir os passos descritos na página de integração do Gradio. O Gradio permite criar interfaces web fáceis de usar para inferência de modelos em tempo real, tornando-o uma excelente ferramenta para demonstrar os recursos do seu modelo YOLO em um formato amigável, adequado tanto para desenvolvedores quanto para usuários finais. Com apenas algumas linhas de código, você pode criar aplicativos interativos que demonstram o desempenho do seu modelo em entradas personalizadas, facilitando a melhor compreensão e avaliação das suas soluções de visão computacional.