Link to this sectionИнтеграции Ultralytics#

Добро пожаловать на страницу интеграций Ultralytics! Здесь представлен обзор наших партнерств с различными инструментами и платформами, призванных оптимизировать твои рабочие процессы machine learning, улучшить управление наборами данных, упростить обучение моделей и облегчить эффективное развертывание.

Link to this sectionИнтеграции для обучения#

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

• Amazon SageMaker: Используй Amazon SageMaker для эффективного создания, обучения и развертывания моделей Ultralytics — это универсальная платформа для полного жизненного цикла ML.

• ClearML: Автоматизируй свои рабочие процессы ML в Ultralytics, отслеживай эксперименты и развивай командное сотрудничество.

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

• DVC: Внедряй контроль версий для своих проектов 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 с помощью передовых ИИ-инструментов, простой интеграции и современной системы управления моделями.

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

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

• Modal: Запускай модели Ultralytics на бессерверной облачной платформе Modal с автоматическим выделением GPU, оплатой за секунду использования и бесшовным масштабированием рабочих нагрузок для вывода и обучения.

• MLFlow: Оптимизируй весь жизненный цикл ML для моделей Ultralytics — от экспериментов и воспроизводимости до развертывания.

• Neptune: Веди подробный журнал своих ML-экспериментов с Ultralytics в этом хранилище метаданных, разработанном специально 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 рабочие процессы ML в 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 в Ultralytics и содержит примеры, помогающие начать работу или обучиться.

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

Link to this sectionИнтеграции для развертывания#

• Axelera: Изучи ускорители Metis и Voyager SDK для запуска моделей Ultralytics с эффективным выводом на периферийных устройствах (edge).

• CoreML: CoreML, разработанный 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 DEEPX .dxnn для энергоэффективного вывода в формате INT8 на аппаратном обеспечении NPU от DEEPX, ориентируясь на встроенные и периферийные ИИ-решения.

• ExecuTorch: Разработанный Meta, ExecuTorch является единым решением PyTorch для развертывания моделей Ultralytics YOLO на периферийных устройствах.

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

• Hailo: Конвертируй модели обнаружения Ultralytics YOLO из ONNX в Hailo HEF с помощью внешнего компилятора Dataflow Compiler от Hailo для устройств Hailo-8, Hailo-8L, Raspberry Pi AI Kit и Hailo-15.

• MNN: Разработанный Alibaba, MNN — это высокоэффективный и легкий фреймворк глубокого обучения. Он поддерживает вывод и обучение глубоких моделей и обладает передовой в отрасли производительностью для вывода и обучения непосредственно на устройствах.

• NCNN: Разработанный Tencent, NCNN — это эффективный фреймворк для вывода нейронных сетей, адаптированный для мобильных устройств. Он позволяет напрямую развертывать ИИ-модели в приложениях, оптимизируя производительность на различных мобильных платформах.

• Neural Magic: Используй методы обучения с учетом квантования (QAT) и прунинга (прореживания), чтобы оптимизировать модели Ultralytics для достижения превосходной производительности и меньшего размера.

• ONNX: Формат с открытым исходным кодом, созданный Microsoft для облегчения переноса ИИ-моделей между различными фреймворками, что повышает универсальность и гибкость развертывания моделей Ultralytics.

• OpenVINO: Набор инструментов от Intel для оптимизации и развертывания моделей computer vision с высокой эффективностью на различных платформах Intel CPU и GPU.

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

• Qualcomm QNN: Компилируй модели Ultralytics YOLO локально в контекстно-бинарный формат QNN (AI Engine Direct) с помощью поставщика исполнения ONNX Runtime QNN для ускоренного вывода на процессорах Snapdragon CPU, GPU Adreno и NPU Hexagon в мобильных и периферийных устройствах.

• Rockchip RKNN: Разработанный Rockchip, RKNN — это специализированный фреймворк для вывода нейронных сетей, оптимизированный для аппаратных платформ Rockchip, в частности для их NPU. Он облегчает эффективное развертывание ИИ-моделей на периферийных устройствах, обеспечивая высокую производительность вывода в приложениях реального времени.

• Seeed Studio reCamera: Разработанная Seeed Studio, reCamera — это передовое периферийное устройство ИИ, созданное для приложений компьютерного зрения в реальном времени. Работающая на базе процессора SG200X (архитектура RISC-V), она обеспечивает высокопроизводительный вывод ИИ при высокой энергоэффективности. Модульная конструкция, передовые возможности обработки видео и поддержка гибкого развертывания делают ее идеальным выбором для различных сценариев, включая мониторинг безопасности, экологические приложения и производство.

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

• TensorRT: Разработанный NVIDIA, этот высокопроизводительный фреймворк для вывода deep learning и формат моделей оптимизирует ИИ-модели для ускорения работы и повышения эффективности на GPU NVIDIA, обеспечивая плавное развертывание.

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

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

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

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

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

• TorchScript: Разработанный как часть фреймворка PyTorch, TorchScript обеспечивает эффективное выполнение и развертывание моделей машинного обучения в различных производственных средах без необходимости наличия зависимостей Python.

Link to this sectionИнтеграции для наборов данных#

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

Link to this sectionФорматы 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 о export смотри на странице Export.

Link to this sectionВнеси 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 ценные идеи, которыми ты хочешь поделиться, подумай о том, чтобы внести вклад в нашу документацию по интеграциям.

Написав руководство или учебное пособие, ты поможешь расширить нашу документацию и предоставить реальные примеры, которые принесут пользу сообществу. Это отличный способ внести вклад в растущую экосистему вокруг Ultralytics YOLO.

Чтобы внести свой вклад, пожалуйста, ознакомься с нашим Руководством по внесению вклада, где содержатся инструкции о том, как отправить Pull Request (PR) 🛠️. Мы с нетерпением ждем твоего участия!

Давай вместе сделаем экосистему Ultralytics YOLO более обширной и функциональной 🙏!

Link to this sectionЧасто задаваемые вопросы (FAQ)#

Link to this sectionЧто такое Ultralytics Platform и как она оптимизирует рабочие процессы ML?#

Ultralytics Platform — это облачная платформа, разработанная 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 без глубоких навыков программирования. Платформа служит централизованной рабочей областью, где ты можешь управлять всем своим конвейером ML — от подготовки данных до развертывания. Ты можешь изучить ключевые функции на странице Ultralytics Platform и быстро начать работу с помощью нашего руководства Quickstart.

Link to this sectionМогу ли я отслеживать производительность моих моделей Ultralytics с помощью MLFlow?#

Да, конечно. Интеграция MLFlow с моделями Ultralytics позволяет тебе отслеживать эксперименты, повышать воспроизводимость и оптимизировать весь жизненный цикл ML. Подробные инструкции по настройке этой интеграции можно найти на странице интеграции MLFlow. Эта интеграция особенно полезна для мониторинга метрик моделей, сравнения различных запусков обучения и эффективного управления рабочим процессом ML. MLFlow предоставляет централизованную платформу для регистрации параметров, метрик и артефактов, что облегчает понимание поведения моделей и принятие обоснованных решений для улучшений.

Link to this sectionВ чем преимущества использования Neural Magic для оптимизации моделей YOLO26?#

Neural Magic оптимизирует модели YOLO26 с помощью таких методов, как обучение с учетом квантования (QAT) и прунинг, что приводит к созданию высокоэффективных и компактных моделей, которые лучше работают на оборудовании с ограниченными ресурсами. Загляни на страницу 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, позволяя запускать сложные модели без специализированного оборудования.

Link to this sectionКак развернуть модели Ultralytics YOLO с помощью Gradio для интерактивных демонстраций?#

Чтобы развернуть модели Ultralytics YOLO с помощью Gradio для интерактивных демонстраций object detection, ты можешь выполнить действия, описанные на странице интеграции Gradio. Gradio позволяет создавать простые в использовании веб-интерфейсы для вывода модели в реальном времени, что делает его отличным инструментом для демонстрации возможностей твоей модели YOLO в формате, удобном как для разработчиков, так и для конечных пользователей. Всего за несколько строк кода ты можешь создать интерактивные приложения, демонстрирующие производительность твоей модели на пользовательских входных данных, что способствует лучшему пониманию и оценке твоих решений в области компьютерного зрения.