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.
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
.aimodelот Apple, о сравнении Core AI с Core ML, его текущих ограничениях и экспорте моделей YOLO26 с помощьюformat="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:
| Формат | Аргумент format | Модель | Метаданные | Аргументы |
|---|---|---|---|---|
| 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 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
.dxnnDEEPX 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
.omс 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
RVC2иRVC4. -
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.

