Интеграции Ultralytics

Добро пожаловать на страницу интеграций Ultralytics! Здесь представлен обзор нашего партнерства с различными инструментами и платформами, призванными оптимизировать твои рабочие процессы машинного обучения, улучшить управление наборами данных, упростить обучение моделей и обеспечить эффективное развертывание.

Интеграции для обучения

• Albumentations: Улучшай свои модели Ultralytics с помощью мощных методов аугментации изображений для повышения их устойчивости и обобщающей способности.

• Amazon SageMaker: Используй Amazon SageMaker для эффективного создания, обучения и развертывания моделей Ultralytics, получая комплексную платформу для полного жизненного цикла машинного обучения.

• ClearML: Автоматизируй свои рабочие процессы машинного обучения с Ultralytics, отслеживай эксперименты и развивай командное сотрудничество.

• Comet ML: Совершенствуй процесс разработки моделей с Ultralytics, отслеживая, сравнивая и оптимизируя свои эксперименты в области машинного обучения.

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

• Google Colab: Используй Google Colab для обучения и оценки моделей Ultralytics в облачной среде, которая поддерживает совместную работу и обмен данными.

• IBM Watsonx: Узнай, как IBM Watsonx упрощает обучение и оценку моделей Ultralytics благодаря передовым AI-инструментам, легкой интеграции и современной системе управления моделями.

• JupyterLab: Узнай, как использовать интерактивную и настраиваемую среду JupyterLab для простого и эффективного обучения и оценки моделей Ultralytics.

• Kaggle: Узнай, как можно использовать Kaggle для обучения и оценки моделей Ultralytics в облачной среде с предустановленными библиотеками, поддержкой GPU и активным сообществом для сотрудничества и обмена опытом.

• Modal: Запускай модели Ultralytics на бессерверной облачной платформе Modal с автоматическим выделением GPU, оплатой за секунды использования и легким масштабированием для задач вывода и обучения.

• MLFlow: Оптимизируй полный жизненный цикл машинного обучения моделей Ultralytics, от экспериментов и воспроизводимости до развертывания.

• Neptune: Веди полный журнал своих экспериментов машинного обучения с Ultralytics в этом хранилище метаданных, специально созданном для MLOps.

• Paperspace Gradient: Paperspace Gradient упрощает работу над проектами YOLO26, предоставляя простые в использовании облачные инструменты для быстрого обучения, тестирования и развертывания твоих моделей.

• Ray Tune: Оптимизируй гиперпараметры своих моделей Ultralytics в любом масштабе.

• TensorBoard: Визуализируй свои рабочие процессы машинного обучения с Ultralytics, отслеживай метрики моделей и развивай командное сотрудничество.

• Ultralytics Platform: Получай доступ к сообществу предобученных моделей Ultralytics и вноси свой вклад.

• VS Code: Расширение для VS Code, которое предоставляет фрагменты кода для ускорения рабочих процессов разработки Ultralytics и предлагает примеры, помогающие любому пользователю учиться или начать работу.

• Weights & Biases (W&B): Отслеживай эксперименты, визуализируй метрики и развивай воспроизводимость и сотрудничество в проектах Ultralytics.

Интеграции для развертывания

• Axelera: Изучи возможности ускорителей Metis и Voyager SDK для запуска моделей Ultralytics с эффективным выводом на периферийных устройствах.

• CoreML: CoreML, разработанный компанией Apple, — это фреймворк, созданный для эффективной интеграции моделей машинного обучения в приложения для iOS, macOS, watchOS и tvOS с использованием аппаратного обеспечения Apple для эффективного и безопасного развертывания моделей.

• DeepX: Экспортируй модели Ultralytics YOLO в формат .dxnn от DeepX для энергоэффективного вывода INT8 на аппаратном обеспечении NPU от DeepX, ориентированном на встраиваемые системы и периферийный AI.

• ExecuTorch: ExecuTorch, разработанный компанией Meta, представляет собой единое решение PyTorch для развертывания моделей Ultralytics YOLO на периферийных устройствах.

• Gradio: Развертывай модели Ultralytics с помощью Gradio для создания интерактивных демо-версий обнаружения объектов в реальном времени.

• MNN: Разработанный компанией Alibaba, MNN является высокоэффективным и легким фреймворком глубокого обучения. Он поддерживает вывод и обучение моделей глубокого обучения и обладает передовой в отрасли производительностью для работы на устройствах.

• NCNN: Разработанный компанией Tencent, NCNN представляет собой эффективный фреймворк для вывода нейронных сетей, адаптированный для мобильных устройств. Он позволяет напрямую развертывать модели AI в приложениях, оптимизируя производительность на различных мобильных платформах.

• Neural Magic: Используй методы Quantization Aware Training (QAT) и прунинга для оптимизации моделей Ultralytics с целью достижения превосходной производительности и меньшего размера модели.

• ONNX: Формат с открытым исходным кодом, созданный компанией Microsoft для облегчения передачи моделей AI между различными фреймворками, повышая универсальность и гибкость развертывания моделей Ultralytics.

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

• PaddlePaddle: Платформа глубокого обучения с открытым исходным кодом от компании Baidu, PaddlePaddle обеспечивает эффективное развертывание моделей AI и фокусируется на масштабируемости промышленных приложений.

• Rockchip RKNN: Разработанный компанией Rockchip, RKNN представляет собой специализированный фреймворк вывода нейронных сетей, оптимизированный для аппаратных платформ Rockchip, в частности для их NPU. Он облегчает эффективное развертывание моделей AI на периферийных устройствах, обеспечивая высокопроизводительный вывод в приложениях реального времени.

• Seeed Studio reCamera: Разработанная компанией Seeed Studio, reCamera — это передовое устройство периферийного AI, предназначенное для задач компьютерного зрения в реальном времени. Работающая на базе процессора SG200X с архитектурой RISC-V, она обеспечивает высокопроизводительный AI-вывод при высокой энергоэффективности. Модульная конструкция, расширенные возможности видеообработки и поддержка гибкого развертывания делают её идеальным выбором для различных вариантов использования, включая мониторинг безопасности, экологические приложения и промышленное производство.

• SONY IMX500: Оптимизируй и развертывай модели Ultralytics YOLO26 на камерах Raspberry Pi AI с сенсором IMX500 для быстрой и энергоэффективной работы.

• TensorRT: Разработанный компанией NVIDIA, этот высокопроизводительный фреймворк вывода глубокого обучения и формат моделей оптимизирует модели AI для ускоренной работы и эффективности на GPU NVIDIA, обеспечивая оптимизированное развертывание.

• TF GraphDef: Разработанный компанией Google, GraphDef — это формат TensorFlow для представления вычислительных графов, позволяющий оптимизировать выполнение моделей машинного обучения на различном оборудовании.

• TF SavedModel: Разработанный компанией Google, TF SavedModel — это универсальный формат сериализации для моделей TensorFlow, обеспечивающий удобный обмен и развертывание на широком спектре платформ, от серверов до периферийных устройств.

• TF.js: Разработанный компанией Google для облегчения машинного обучения в браузерах и Node.js, TF.js позволяет развертывать модели машинного обучения на основе JavaScript.

• TFLite: Разработанный компанией Google, TFLite — это легкий фреймворк для развертывания моделей машинного обучения на мобильных и периферийных устройствах, обеспечивающий быстрый и эффективный вывод с минимальным использованием памяти.

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

• TorchScript: Разработанный как часть фреймворка PyTorch, TorchScript позволяет эффективно выполнять и развертывать модели машинного обучения в различных производственных средах без необходимости наличия зависимостей Python.

Интеграции для наборов данных

• Roboflow: Упрощай разметку и управление наборами данных для моделей Ultralytics, используя инструменты аннотирования изображений.

Форматы экспорта

Мы также поддерживаем множество форматов экспорта моделей для развертывания в различных средах. Вот доступные форматы:

Изучи ссылки, чтобы узнать больше о каждой интеграции и о том, как получить от них максимум пользы вместе с Ultralytics. Полную информацию об export смотри на странице Экспорт.

Внеси свой вклад в наши интеграции

Мы всегда рады видеть, как сообщество интегрирует Ultralytics YOLO с другими технологиями, инструментами и платформами! Если ты успешно интегрировал YOLO с новой системой или у тебя есть полезные идеи, которыми ты можешь поделиться, подумай о том, чтобы внести вклад в нашу документацию по интеграциям.

Написав руководство или учебник, ты поможешь расширить нашу документацию и предоставишь реальные примеры, полезные для сообщества. Это отличный способ внести вклад в растущую экосистему вокруг Ultralytics YOLO.

Чтобы внести свой вклад, ознакомься с нашим Руководством по участию с инструкциями о том, как отправить Pull Request (PR) 🛠️. Мы с нетерпением ждем твоего участия!

Давай сотрудничать, чтобы сделать экосистему Ultralytics YOLO более обширной и функциональной 🙏!

Часто задаваемые вопросы (FAQ)

Что такое Ultralytics Platform и как она оптимизирует рабочий процесс машинного обучения?

Ultralytics Platform — это облачная платформа, созданная для того, чтобы сделать рабочие процессы машинного обучения для моделей Ultralytics бесшовными и эффективными. Используя этот инструмент, ты можешь легко загружать наборы данных, обучать модели, выполнять отслеживание в реальном времени и развертывать модели YOLO, не обладая глубокими навыками программирования. Платформа служит централизованным рабочим пространством, где ты можешь управлять всем своим конвейером машинного обучения, от подготовки данных до развертывания. Ты можешь изучить основные функции на странице Ultralytics Platform и быстро начать работу с помощью нашего руководства Quickstart.

Могу ли я отслеживать производительность своих моделей Ultralytics с помощью MLFlow?

Да, можешь. Интеграция MLFlow с моделями Ultralytics позволяет тебе отслеживать эксперименты, улучшать воспроизводимость и оптимизировать весь жизненный цикл машинного обучения. Подробные инструкции по настройке этой интеграции можно найти на странице интеграции MLFlow. Эта интеграция особенно полезна для мониторинга метрик модели, сравнения различных циклов обучения и эффективного управления рабочим процессом машинного обучения. MLFlow предоставляет централизованную платформу для регистрации параметров, метрик и артефактов, что облегчает понимание поведения модели и позволяет вносить улучшения, основанные на данных.

Каковы преимущества использования Neural Magic для оптимизации моделей YOLO26?

Neural Magic оптимизирует модели YOLO26, используя такие методы, как Quantization Aware Training (QAT) и прунинг, что приводит к созданию высокоэффективных и компактных моделей, которые лучше работают на аппаратном обеспечении с ограниченными ресурсами. Ознакомься со страницей интеграции Neural Magic, чтобы узнать, как реализовать эти оптимизации для достижения превосходной производительности и создания более легких моделей. Это особенно полезно для развертывания на периферийных устройствах, где вычислительные ресурсы ограничены. Движок DeepSparse от Neural Magic может обеспечить до 6 раз более быстрый вывод на CPU, что позволяет запускать сложные модели без специализированного оборудования.

Как мне развернуть модели Ultralytics YOLO с помощью Gradio для интерактивных демонстраций?

Чтобы развернуть модели Ultralytics YOLO с помощью Gradio для интерактивных демонстраций обнаружения объектов, ты можешь выполнить шаги, описанные на странице интеграции Gradio. Gradio позволяет создавать простые в использовании веб-интерфейсы для вывода моделей в реальном времени, что делает его отличным инструментом для демонстрации возможностей твоей модели YOLO в удобном формате, подходящем как для разработчиков, так и для конечных пользователей. С помощью всего нескольких строк кода ты можешь создавать интерактивные приложения, которые демонстрируют производительность твоей модели на пользовательских входных данных, способствуя лучшему пониманию и оценке твоих решений в области компьютерного зрения.