Интеграции Ultralytics#

Добро пожаловать на страницу интеграций Ultralytics! Здесь представлен обзор наших партнёрств с различными инструментами и платформами, призванных упростить твои рабочие процессы машинного обучения, улучшить управление датасетами, упростить обучение моделей и обеспечить эффективное развёртывание.

Интеграции для обучения#

• Agent Skills: Научи ИИ-агентов для программирования, таких как Claude Code, Codex, Cursor и Gemini CLI, полному рабочему процессу Ultralytics YOLO с помощью официальных навыков для работы с датасетами, обучения, инференса и экспорта.

• Albumentations: Улучши свои модели Ultralytics с помощью мощных аугментаций изображений, чтобы повысить устойчивость и обобщающую способность моделей.

• Amazon SageMaker: Используй Amazon SageMaker для эффективной разработки, обучения и развёртывания моделей Ultralytics на единой платформе для всего жизненного цикла ML.

• AMD: Обучай, валидируй и запускай модели Ultralytics на поддерживаемых GPU AMD с PyTorch ROCm, получая наглядную информацию о доступности MIGraphX, DirectML и Ryzen AI NPU.

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

• Comet ML: Улучши разработку моделей Ultralytics, отслеживая, сравнивая и оптимизируя эксперименты по машинному обучению.

• DVC: Внедри контроль версий в проекты Ultralytics по машинному обучению, 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 результатами.

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

• JupyterLab: Узнай, как с лёгкостью и эффективно обучать и оценивать модели Ultralytics в интерактивной и настраиваемой среде JupyterLab.

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

• Modal: Запускай модели Ultralytics на бессерверной облачной платформе Modal с автоматическим выделением GPU, оплатой посекундно и плавным масштабированием рабочих нагрузок 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, предоставляя удобные облачные инструменты для быстрого обучения, тестирования и развёртывания 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: тренируй, управляй и развертывай модели Ultralytics в браузере, а также скачивай официальные предобученные модели и датасеты.

• VS Code: Расширение для VS Code с фрагментами кода, ускоряющими рабочие процессы разработки Ultralytics, и примерами, которые помогают всем желающим учиться и начинать работу.

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

• YAML2ModelGraph: Создавай готовые для публикации SVG-диаграммы архитектуры непосредственно из YAML-файлов конфигурации Ultralytics YOLO.

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.

• Axelera: Изучи ускорители Metis и Voyager SDK для запуска моделей Ultralytics с эффективным инференсом на периферийных устройствах.

• 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 поколений iOS 27 и macOS 27.

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

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

• ExecuTorch: Разработанный компанией 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, сегментации, семантической сегментации, оценки глубины, классификации, поз и OBB непосредственно в Hailo HEF; ознакомься с руководством по интеграции для проверенных моделей и целевых устройств.

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

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

• MNN: Разработанный компанией Alibaba, MNN — это высокоэффективный и лёгковесный 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 компанией Tencent, NCNN — это эффективный фреймворк инференса нейронных сетей, предназначенный для мобильных устройств. Он позволяет напрямую развёртывать ИИ-модели в приложениях и оптимизирует производительность на различных мобильных платформах.

• Neural Magic: Используй квантование с учётом обучения (QAT) и методы прореживания, чтобы оптимизировать модели Ultralytics для повышения производительности и уменьшения размера.

• ONNX: Открытый формат, созданный компанией Microsoft для переноса ИИ-моделей между различными фреймворками, повышающий универсальность и гибкость развёртывания моделей Ultralytics.

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

• PaddlePaddle: Открытая платформа глубокого обучения от Baidu, PaddlePaddle обеспечивает эффективное развёртывание ИИ-моделей и ориентирована на масштабирование промышленных приложений.

• Qualcomm QNN: Компилируй модели Ultralytics YOLO локально в формат контекстного бинарного файла QNN (AI Engine Direct) с помощью QNN Execution Provider в ONNX Runtime для ускоренного инференса на оборудовании Snapdragon CPU, Adreno GPU и Hexagon NPU в мобильных и периферийных устройствах.

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

• Seeed Studio reCamera: Разработанная компанией Seeed Studio, reCamera — это передовое периферийное ИИ-устройство для приложений компьютерного зрения в реальном времени. Работая на базе процессора SG200X с архитектурой RISC-V, оно обеспечивает высокопроизводительный ИИ-инференс при низком энергопотреблении. Модульная конструкция, продвинутые возможности обработки видео и поддержка гибкого развёртывания делают его идеальным выбором для различных сценариев, включая мониторинг безопасности, экологические приложения и производство.

• SONY IMX500: Оптимизируй и развёртывай модели Ultralytics YOLO26 на ИИ-камерах Raspberry Pi с сенсором IMX500 для быстрой работы при низком энергопотреблении.

• TensorRT: Разработанный компанией NVIDIA, этот высокопроизводительный фреймворк инференса глубокого обучения и формат моделей оптимизирует ИИ-модели для ускорения и повышения эффективности на GPU NVIDIA, обеспечивая упрощённое развёртывание.

• TF GraphDef: Разработанный компанией Google, GraphDef — это формат TensorFlow для представления графов вычислений, обеспечивающий оптимизированное выполнение моделей машинного обучения на различном оборудовании.

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

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

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

Интеграции для работы с датасетами#

• Roboflow: Упрощай разметку и управление датасетами для моделей Ultralytics с помощью инструментов аннотирования изображений.

Форматы экспорта#

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

nms=None по умолчанию выдает сырые результаты для внешнего NMS. Установи nms=False, чтобы выбрать доступный головной модуль без NMS; неподдерживаемые форматы возвращаются к своему родному пути вывода. Записи nms выше определяют форматы, которые могут встраивать NMS с помощью nms=True.

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

Внеси вклад в наши интеграции#

Мы всегда рады видеть, как сообщество интегрирует Ultralytics YOLO с другими технологиями, инструментами и платформами! Если тебе удалось интегрировать YOLO с новой системой или у тебя есть ценные идеи, рассмотрите возможность внести вклад в документацию по интеграциям.

Написав руководство или учебник, ты можешь помочь расширить нашу документацию и предоставить реальные примеры, полезные сообществу. Это отличный способ внести вклад в развивающуюся экосистему Ultralytics YOLO.

Чтобы внести вклад, ознакомься с нашим руководством для участников, где приведены инструкции по отправке Pull Request (PR) 🛠️. Мы с нетерпением ждём твоих вкладов!

Давай вместе сделаем экосистему Ultralytics YOLO ещё более масштабной и функциональной 🙏!

Часто задаваемые вопросы#