Integrações da Ultralytics#

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

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: Melhora os teus modelos Ultralytics com poderosas transformações de imagem para aumentar a robustez e a capacidade de generalização dos modelos.

• Amazon SageMaker: Usa o Amazon SageMaker para criar, treinar e implementar modelos Ultralytics com eficiência, numa plataforma completa para todo o ciclo de vida de ML.

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

• 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: Descobre como o IBM Watsonx simplifica o treino e a avaliação de modelos Ultralytics com ferramentas de IA de ponta, integração fácil e um 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: Descobre como podes usar o Kaggle para treinar e avaliar modelos Ultralytics num ambiente na nuvem com bibliotecas pré-instaladas, suporte para GPU e uma comunidade ativa para colaborar e partilhar.

• Modal: Executa modelos 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 Ultralytics, da experimentação e reprodutibilidade à implementação.

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

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

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

• Ultralytics Platform: Treina, gere e implementa modelos Ultralytics no navegador e transfere modelos pré-treinados e conjuntos de dados oficiais.

• 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, utilizando o treino com 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 .aimodel da Apple, como o Core AI se compara ao Core ML, quais são 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 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 .dxnn da 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 .om do 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 as ferramentas locais da Luxonis e executa-os 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 inferência e treino de modelos de aprendizagem profunda e oferece desempenho líder na indústria para inferência e treino no dispositivo.

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

• Neural Magic: Usa técnicas de treino consciente da quantização (QAT) e poda para otimizar modelos Ultralytics, obter um desempenho superior e reduzir o tamanho dos modelos.

• 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 Ultralytics.

• OpenVINO: O conjunto de ferramentas da Intel para otimizar e implementar modelos de visão computacional com eficiência em várias plataformas de CPU e GPU Intel.

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

• 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 especializada de inferência de redes neuronais, otimizada para as plataformas de hardware da Rockchip, em particular as respetivas NPU. 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. Com o processador SG200X baseado em RISC-V, oferece inferência de IA de alto desempenho com eficiência energética. O design modular, os recursos avançados de processamento de vídeo e o suporte para implementação flexível fazem dela uma opção ideal para vários casos de utilização, incluindo monitorização de segurança, aplicações ambientais e fabrico.

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

• TensorRT: Desenvolvida pela NVIDIA, esta estrutura de inferência de aprendizagem profunda e formato de modelo 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 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 universal de serialização para modelos TensorFlow, que permite partilhá-los e implementá-los facilmente 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 modelo garante computação na periferia de alta velocidade e eficiência.

• 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).

• 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:

nms=None usa por predefinição saídas brutas para NMS externo. Define nms=False para selecionar uma cabeça sem NMS disponível; os formatos não suportados recorrem ao respetivo 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#

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 documentação das nossas integrações.

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

Para contribuir, consulta o nosso Guia de Contribuição para saberes como submeter um pedido de alteração (PR) 🛠️. Estamos à espera das tuas contribuições!

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

Perguntas frequentes#