Интеграции Ultralytics#

Добро пожаловать на страницу интеграций Ultralytics! Здесь представлен обзор наших партнёрств с различными инструментами и платформами, которые помогают оптимизировать рабочие процессы машинного обучения, улучшить управление наборами данных, упростить обучение моделей и обеспечить эффективное развёртывание.

Интеграции для обучения#

• Навыки агента: обучи ИИ-агентов для написания кода, таких как Claude Code, Codex, Cursor и Gemini CLI, полному рабочему процессу Ultralytics YOLO с помощью официальных навыков для работы с наборами данных, обучения, инференса и экспорта.

• Albumentations: расширь возможности моделей Ultralytics с помощью мощных аугментаций изображений, повышающих устойчивость и способность моделей к обобщению.

• Amazon SageMaker: используй Amazon SageMaker для эффективного создания, обучения и развёртывания моделей Ultralytics — универсальная платформа для всего жизненного цикла ML.

• ClearML: автоматизируй рабочие процессы ML в Ultralytics, отслеживай эксперименты и развивай командное взаимодействие.

• Comet ML: совершенствуй разработку моделей Ultralytics, отслеживая, сравнивая и оптимизируя эксперименты в области машинного обучения.

• DVC: внедри контроль версий в проекты машинного обучения Ultralytics, эффективно синхронизируя данные, код и модели.

• Google Colab: используй Google Colab для обучения и оценки моделей Ultralytics в облачной среде с поддержкой совместной работы и обмена данными.

• IBM Watsonx: узнай, как IBM Watsonx упрощает обучение и оценку моделей Ultralytics благодаря передовым инструментам ИИ, простой интеграции и усовершенствованной системе управления моделями.

• JupyterLab: узнай, как легко и эффективно обучать и оценивать модели Ultralytics в интерактивной настраиваемой среде JupyterLab.

• Kaggle: узнай, как обучать и оценивать модели Ultralytics в облачной среде Kaggle с предустановленными библиотеками, поддержкой GPU и активным сообществом для совместной работы и обмена данными.

• Modal: запускай модели Ultralytics на бессерверной облачной платформе Modal с автоматическим выделением GPU, оплатой за секунду и простым масштабированием для задач инференса и обучения.

• MLFlow: оптимизируй весь жизненный цикл ML-моделей Ultralytics — от экспериментов и воспроизводимости до развёртывания.

• Paperspace Gradient: Paperspace Gradient упрощает работу над проектами YOLO26 благодаря удобным облачным инструментам для быстрого обучения, тестирования и развёртывания моделей.

• Ray Tune: оптимизируй гиперпараметры моделей Ultralytics в любом масштабе.

• TensorBoard: визуализируй рабочие процессы ML в Ultralytics, отслеживай метрики моделей и развивай командное взаимодействие.

• Ultralytics Platform: обучай, управляй и развёртывай модели Ultralytics в браузере, а также скачивай официальные предварительно обученные модели и наборы данных.

• VS Code: расширение для VS Code с фрагментами кода, которые ускоряют рабочие процессы разработки Ultralytics, и примерами, помогающими всем желающим учиться и начать работу.

• Weights & Biases (W&B): отслеживай эксперименты, визуализируй метрики и повышай воспроизводимость и эффективность совместной работы над проектами Ultralytics.

• YAML2ModelGraph: создавай готовые к публикации SVG-диаграммы архитектуры прямо из файлов конфигурации Ultralytics YOLO в формате YAML.

Интеграции для развёртывания#

• Ambarella: обучай, сжимай и экспортируй модели Ultralytics YOLO для SoC Ambarella CVflow®, например CV72, используя обучение с учётом сжатия SpongeTorch и автономный набор инструментов CVflow.

• AMD: экспортируй Ultralytics YOLO в ONNX и запускай инференс с ускорением на GPU AMD Instinct и Radeon через провайдер выполнения ONNX Runtime MIGraphX в ROCm; также поддерживается нативное обучение PyTorch в ROCm.

• AMD Xilinx: экспортируй Ultralytics YOLO с помощью format="xilinx" для NPU AMD Versal AI Edge Series Gen 2, используя AMD Quark и Vitis AI. В руководстве также рассматриваются устройства Zynq, Kria и Versal, ускорители DPU и NPU, а также поддержка операторов YOLO.

• Axelera: узнай об ускорителях Metis и Voyager SDK для эффективного инференса моделей Ultralytics на периферийных устройствах.

• Core AI: узнай о новом формате Apple .aimodel, сравни Core AI с Core ML, ознакомься с текущими ограничениями и экспортируй модели YOLO26 с помощью format="coreai" для устройств поколения iOS 27 и macOS 27.

• CoreML: CoreML, разработанный Apple, — это платформа для эффективной интеграции моделей машинного обучения в приложения для iOS, macOS, watchOS и tvOS с использованием оборудования Apple для эффективного и безопасного развёртывания моделей.

• DEEPX: экспортируй модели Ultralytics YOLO в формат .dxnn DEEPX для энергоэффективного инференса INT8 на оборудовании NPU DEEPX встраиваемых и периферийных ИИ-приложений.

• ExecuTorch: разработанный Meta, ExecuTorch — это унифицированное решение PyTorch для развёртывания моделей Ultralytics YOLO на периферийных устройствах.

• Gradio: развёртывай модели Ultralytics с помощью Gradio для интерактивных демонстраций обнаружения объектов в реальном времени.

• Hailo: экспортируй модели Ultralytics YOLO для обнаружения объектов, сегментации, семантической сегментации, оценки глубины, классификации, поз и OBB напрямую в Hailo HEF; проверенные модели и целевые устройства смотри в руководстве по интеграции.

• Huawei Ascend: компилируй модели Ultralytics YOLO в автономный формат .om Huawei Ascend с помощью компилятора CANN ATC для инференса FP16 на устройствах Atlas и OrangePi AIPro.

• Luxonis: преобразуй модели Ultralytics YOLO с помощью Luxonis Hub или локальных инструментов Luxonis и запускай их непосредственно на камерах Luxonis OAK RVC2 и RVC4.

• MNN: разработанный Alibaba, MNN — высокоэффективный облегчённый фреймворк глубокого обучения. Он поддерживает инференс и обучение моделей глубокого обучения и обеспечивает ведущую в отрасли производительность при инференсе и обучении на устройстве.

• NCNN: разработанный Tencent, NCNN — эффективный фреймворк инференса нейронных сетей, предназначенный для мобильных устройств. Он позволяет напрямую встраивать модели ИИ в приложения, оптимизируя производительность на различных мобильных платформах.

• Neural Magic: используй квантование с учётом обучения (QAT) и методы прореживания, чтобы оптимизировать модели Ultralytics, повысить производительность и уменьшить их размер.

• ONNX: открытый формат, созданный Microsoft для переноса моделей ИИ между различными фреймворками, который повышает универсальность моделей Ultralytics и гибкость их развёртывания.

• OpenVINO: набор инструментов Intel для эффективной оптимизации и развертывания моделей компьютерного зрения на различных платформах Intel с CPU и GPU.

• PaddlePaddle: платформа глубокого обучения с открытым исходным кодом от Baidu; PaddlePaddle обеспечивает эффективное развёртывание моделей ИИ и ориентирована на масштабирование промышленных приложений.

• Qualcomm QNN: локально компилируй модели Ultralytics YOLO в двоичный формат контекста QNN (AI Engine Direct) с помощью провайдера выполнения QNN в ONNX Runtime для ускоренного инференса на CPU Snapdragon, GPU Adreno и оборудовании NPU Hexagon в мобильных и периферийных устройствах.

• Rockchip RKNN: разработанный Rockchip, RKNN — специализированный фреймворк инференса нейронных сетей, оптимизированный для аппаратных платформ Rockchip, в особенности для их NPU. Он упрощает эффективное развёртывание моделей ИИ на периферийных устройствах и обеспечивает высокопроизводительный инференс в приложениях реального времени.

• Seeed Studio reCamera: разработанная Seeed Studio, reCamera — это передовое периферийное ИИ-устройство для приложений компьютерного зрения в реальном времени. Благодаря процессору SG200X на базе RISC-V устройство обеспечивает высокопроизводительный инференс ИИ при низком энергопотреблении. Модульная конструкция, расширенные возможности обработки видео и поддержка гибкого развёртывания делают его идеальным выбором для различных задач, включая мониторинг безопасности, экологические приложения и производство.

• SONY IMX500: оптимизируй и развёртывай модели Ultralytics YOLO26 на камерах Raspberry Pi AI Camera с сенсором IMX500 для быстрой работы при низком энергопотреблении.

• TensorRT: высокопроизводительный комплекс, разработанный NVIDIA, объединяет фреймворк для инференса глубокого обучения и формат модели, а также оптимизирует модели ИИ для более быстрой и эффективной работы на GPU NVIDIA, обеспечивая упрощенное развертывание.

• TF GraphDef: разработанный Google, GraphDef — формат TensorFlow для представления вычислительных графов, обеспечивающий оптимизированное выполнение моделей машинного обучения на различном оборудовании.

• TF SavedModel: разработанный Google, TF SavedModel — универсальный формат сериализации моделей TensorFlow, упрощающий обмен ими и развёртывание на самых разных платформах — от серверов до периферийных устройств.

• TFLite Edge TPU: этот формат моделей, разработанный Google для оптимизации моделей TensorFlow Lite на Edge TPU, обеспечивает высокоскоростные и эффективные периферийные вычисления.

• LiteRT: разработанный Google, LiteRT (ранее TensorFlow Lite) — это среда выполнения на устройстве для формата .tflite, позволяющая развёртывать одну модель на мобильных, встраиваемых и периферийных устройствах, а также в браузере (через LiteRT.js).

• TorchScript: разработанный в рамках фреймворка PyTorch, TorchScript обеспечивает эффективное выполнение и развёртывание моделей машинного обучения в различных производственных средах без зависимостей от Python.

Интеграции наборов данных#

• Roboflow: упрощай разметку изображений и управление наборами данных для моделей Ultralytics с помощью инструментов аннотирования.

Форматы экспорта#

Мы также поддерживаем различные форматы экспорта моделей для развёртывания в разных средах. Доступны следующие форматы:

nms=None по умолчанию возвращает исходные выходные данные для внешней NMS. Укажи nms=False, чтобы выбрать доступную голову без NMS; неподдерживаемые форматы используют собственный путь вывода. Элементы nms выше обозначают форматы, в которые можно встроить NMS с помощью nms=True.

Перейди по ссылкам, чтобы узнать больше о каждой интеграции и о том, как максимально эффективно использовать её с Ultralytics. Полную информацию о export смотри на странице экспорта.

Внеси вклад в наши интеграции#

Нам всегда интересно видеть, как сообщество интегрирует Ultralytics YOLO с другими технологиями, инструментами и платформами! Если тебе удалось интегрировать YOLO с новой системой или у тебя есть полезные идеи, которыми хочется поделиться, подумай о том, чтобы внести вклад в документацию по интеграциям.

Написав руководство или обучающий материал, ты поможешь расширить нашу документацию и добавить практические примеры, полезные сообществу. Это отличный способ внести вклад в развивающуюся экосистему Ultralytics YOLO.

Чтобы внести вклад, ознакомься с руководством для участников, где объясняется, как отправить запрос на включение изменений (PR) 🛠️. Будем рады твоим предложениям!

Давай вместе сделаем экосистему Ultralytics YOLO ещё масштабнее и функциональнее 🙏!

Часто задаваемые вопросы#