Начать

Интеграции Ultralytics

На этой странице перечислены инструменты и платформы, с которыми интегрируется Ultralytics для поддержки твоих рабочих процессов машинного обучения: от управления датасетами и обучения моделей до отслеживания экспериментов и развёртывания.

Ultralytics YOLO ecosystem and integrations


Смотри: Развертывание и интеграции Ultralytics YOLO

Форматы экспорта#

  • Alibaba MNN: разработанная компанией Alibaba, MNN — это лёгкий фреймворк глубокого обучения для инференса и обучения непосредственно на мобильных и встраиваемых устройствах.

  • Apple Core AI: узнай о новом формате .aimodel от Apple, о сравнении Core AI с Core ML, его текущих ограничениях и экспорте моделей YOLO26 с помощью format="coreai" для устройств поколений iOS 27 и macOS 27.

  • Apple Core ML: разработанный компанией Apple, Core ML — это фреймворк для эффективной интеграции моделей машинного обучения в приложения для iOS, macOS, watchOS и tvOS с использованием аппаратных средств Apple для эффективного и безопасного развёртывания моделей.

  • Baidu PaddlePaddle: платформа глубокого обучения с открытым исходным кодом от Baidu. PaddlePaddle поддерживает развёртывание моделей ИИ с упором на масштабируемые промышленные приложения.

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

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

  • Intel OpenVINO: набор инструментов Intel для оптимизации и развёртывания моделей компьютерного зрения на CPU, GPU и NPU Intel.

  • NVIDIA TensorRT: разработанный компанией NVIDIA высокопроизводительный фреймворк для инференса глубокого обучения и формат моделей, оптимизирующий модели ИИ для скорости и эффективности на GPU NVIDIA.

  • ONNX: формат с открытым исходным кодом, изначально разработанный Microsoft и Facebook для передачи моделей ИИ между фреймворками, благодаря чему модели Ultralytics можно использовать на разных средах выполнения и оборудовании.

  • Tencent NCNN: разработанный компанией Tencent, NCNN — это фреймворк инференса нейронных сетей, оптимизированный для мобильных устройств. Он запускает модели ИИ непосредственно в приложениях на различных мобильных платформах.

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

  • TF SavedModel: TF SavedModel, разработанный Google, — это формат сериализации моделей TensorFlow, который позволяет обмениваться моделями и развёртывать их на самых разных платформах — от серверов до периферийных устройств.

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

В таблице ниже перечислены все форматы экспорта и соответствующий аргумент format:

ФорматАргумент formatМодельМетаданныеАргументы
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, device
IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, quantize, batch, data, fraction, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device
ST Edge AIstedgeaiyolo26n_stedgeai.onnx✅imgsz, quantize, data, fraction, opset, simplify, device

nms=None по умолчанию выдаёт необработанные выходные данные для внешней NMS (YOLO26 сохраняет голову без NMS на Axelera). Укажи nms=False, чтобы выбрать доступную голову без NMS; неподдерживаемые форматы используют собственный путь вывода. Записи nms выше указывают 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.

Оборудование и устройства#

  • Ambarella: Обучай, сжимай и экспортируй модели Ultralytics YOLO для SoC Ambarella CVflow®, например CV72, с помощью форка Ultralytics от Ambarella, используя обучение с учетом сжатия SpongeTorch и автономный набор инструментов CVflow.

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

  • AMD Xilinx: экспортируй Ultralytics YOLO с помощью format="xilinx" для NPU AMD Versal AI Edge Series Gen 2, используя квантование AMD Quark INT8 и компиляцию Vitis AI; здесь также приведены сведения о целях Zynq, Kria и VEK280.

  • Axelera AI: изучи ускорители Metis и Voyager SDK для эффективного периферийного инференса моделей Ultralytics.

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

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

  • Google Coral Edge TPU на Raspberry Pi: Google Edge TPU ускоряет инференс YOLO на Raspberry Pi.

  • Hailo: экспортируй модели Ultralytics YOLO для обнаружения объектов, сегментации, семантической сегментации, оценки глубины, классификации, позы и OBB напрямую в Hailo HEF (сегментация, поза и OBB в YOLO26 пока не поддерживаются); смотри руководство по интеграции, чтобы узнать о проверенных моделях и целевых устройствах.

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

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

  • MediaTek Dimensity: развёртывай Ultralytics YOLO на телефонах Android с MediaTek Dimensity, используя экспорт в LiteRT и официальный плагин Flutter; приведены измеренные результаты для CPU и GPU, а также предварительные результаты для NPU.

  • NVIDIA DGX Spark: краткое руководство по развертыванию моделей YOLO на устройствах NVIDIA DGX Spark.

  • NVIDIA Jetson: краткое руководство по развертыванию моделей YOLO на устройствах NVIDIA Jetson.

  • NXP i.MX95: компилируй откалиброванные модели YOLO INT8 для NPU Neutron в i.MX95 с помощью Neutron SDK 3.3.0.

  • Qualcomm QNN: компилируй модели Ultralytics YOLO локально в формат контекстного бинарного файла QNN (AI Engine Direct) с помощью QNN Execution Provider из ONNX Runtime для инференса на NPU Hexagon устройств Snapdragon и Dragonwing.

  • Raspberry Pi: краткое руководство по запуску моделей YOLO на новейшем оборудовании Raspberry Pi.

  • Rockchip RKNN: RKNN, разработанный Rockchip, — это фреймворк инференса нейронных сетей, оптимизированный для аппаратных платформ Rockchip, особенно для их NPU, и предназначенный для инференса ИИ в реальном времени на периферийных устройствах.

  • Seeed Studio reCamera: reCamera, разработанная Seeed Studio, — это периферийное устройство с ИИ для приложений компьютерного зрения в реальном времени. Устройство на базе процессора SG200X с архитектурой RISC-V выполняет энергоэффективный инференс ИИ; модульная конструкция и возможности обработки видео делают его подходящим для таких задач, как мониторинг безопасности, экологические приложения и производство.

  • Sony IMX500: оптимизируй и развёртывай модели Ultralytics YOLOv8n и YOLO11n на камерах Raspberry Pi AI Camera с датчиком IMX500 для быстрой работы с низким энергопотреблением.

  • ST Edge AI: экспортируй Ultralytics YOLO с помощью format="stedgeai" в модели ONNX с плавающей точкой или INT8 для устройств STMicroelectronics STM32, проверь точность на компьютере и скомпилируй с помощью ST Edge AI Core.

Системы обслуживания и конвейеры#

  • Intel DL Streamer: краткое руководство по развёртыванию моделей YOLO26 на устройствах Intel Core Ultra Series 3 с помощью DL Streamer и OpenVINO™.

  • NVIDIA DALI: устрани узкие места предварительной обработки на CPU, выполняя letterbox-масштабирование YOLO, добавление полей и нормализацию на GPU с помощью NVIDIA DALI и интеграции с Triton Inference Server.

  • NVIDIA DeepStream: краткое руководство по развёртыванию моделей YOLO на устройствах NVIDIA Jetson с помощью DeepStream и TensorRT.

  • NVIDIA Triton: интегрируй Ultralytics YOLO26 с NVIDIA Triton Inference Server для масштабируемого и эффективного развёртывания инференса глубокого обучения.

  • ROS: узнай, как интегрировать YOLO с операционной системой для роботов (ROS) для обнаружения объектов в реальном времени в робототехнических приложениях, в том числе на облаках точек и изображениях глубины.

Данные и обучение#

  • Albumentations: применяй дополнительные аугментации изображений во время обучения Ultralytics, чтобы повысить устойчивость и способность моделей к обобщению.

  • ClearML: автоматизируй рабочие процессы машинного обучения Ultralytics, отслеживай эксперименты и работай в команде.

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

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

  • MLflow: Оптимизируй весь жизненный цикл ML-моделей Ultralytics: от экспериментов и воспроизводимости до развертывания.

  • Ray Tune: выполняй подбор гиперпараметров для моделей Ultralytics в любом масштабе.

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

  • TensorBoard: визуализируй запуски обучения Ultralytics и отслеживай метрики моделей.

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

Облако и ноутбуки#

  • Amazon SageMaker: используй Amazon SageMaker, чтобы создавать, обучать и развёртывать модели Ultralytics на одной платформе, охватывающей весь жизненный цикл машинного обучения.

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

  • Google Vertex AI: краткое руководство по упаковке моделей YOLO в контейнеры Docker и их развёртыванию в Google Cloud Vertex AI: сборка, отправка, автомасштабирование и мониторинг.

  • IBM watsonx: обучай и оценивай модели Ultralytics в ноутбуках IBM watsonx.ai, используя инструменты IBM для управления данными и моделями.

  • JupyterLab: используй интерактивную настраиваемую среду JupyterLab для обучения и оценки моделей Ultralytics.

  • Kaggle: узнай, как использовать Kaggle для обучения и оценки моделей Ultralytics в облачной среде с предварительно установленными библиотеками, поддержкой GPU и активным сообществом для совместной работы и обмена материалами.

  • Microsoft AzureML: начни работу с моделями Ultralytics YOLO на платформе машинного обучения Microsoft Azure. Узнай, как обучать, развёртывать и масштабировать проекты по обнаружению объектов в облаке.

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

  • Paperspace Gradient: используй облачные GPU и ноутбуки Paperspace Gradient для обучения, тестирования и развёртывания моделей YOLO26.

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

Инструменты разработчика#

  • 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.

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

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

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

Внеси вклад в наши интеграции#

Мы приветствуем руководства сообщества по интеграции Ultralytics YOLO с другими технологиями, инструментами и платформами. Если тебе удалось интегрировать YOLO с новой системой или у тебя есть полезные идеи, которыми ты хочешь поделиться, подумай о том, чтобы внести вклад в документацию по интеграциям.

Создай руководство или учебник, чтобы помочь расширить нашу документацию и добавить практические примеры, полезные для сообщества.

Чтобы внести вклад, следуй инструкциям в руководстве для участников о том, как отправить Pull Request (PR).

Часто задаваемые вопросы#

  • Ultralytics Platform — это облачная платформа для сквозных рабочих процессов машинного обучения с моделями Ultralytics. Ты можешь загружать и размечать датасеты, обучать модели на облачных GPU, отслеживать эксперименты и развёртывать модели YOLO без сложного программирования. Платформа служит единым рабочим пространством для всего твоего конвейера машинного обучения — от подготовки данных до развёртывания.

  • Да, можно. Интеграция MLflow с моделями Ultralytics позволяет отслеживать эксперименты, повышать воспроизводимость и оптимизировать весь жизненный цикл ML. Подробные инструкции по настройке этой интеграции приведены на странице интеграции MLflow. Эта интеграция особенно полезна для мониторинга метрик модели, сравнения разных запусков обучения и эффективного управления рабочим процессом ML. MLflow предоставляет централизованную платформу для регистрации параметров, метрик и артефактов, упрощая анализ поведения модели и внесение улучшений на основе данных.

  • Чтобы развернуть модели Ultralytics YOLO с помощью Gradio и создать интерактивные демонстрации обнаружения объектов, выполни шаги, описанные на странице интеграции с Gradio. Gradio создаёт веб-интерфейсы для инференса моделей в реальном времени, что удобно для демонстрации твоей модели YOLO разработчикам и конечным пользователям. Всего несколько строк кода — и ты создашь интерактивные приложения, которые покажут, как модель справляется с пользовательскими входными данными.

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.