Интеграции Ultralytics#

Добро пожаловать на страницу интеграций Ultralytics! На этой странице представлен обзор наших партнерств с различными инструментами и платформами, созданными для оптимизации твоих рабочих процессов machine learning, улучшения управления наборами данных, упрощения обучения моделей и обеспечения эффективного развертывания.

Интеграции для обучения#

• Agent Skills: Научи агентов кодирования на базе Искусственного Интеллекта, таких как Claude Code, Codex, Cursor и Gemini CLI, полному рабочему процессу Ultralytics YOLO с помощью официальных навыков, охватывающих датасеты, обучение, инференс и экспорт.

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

• Amazon SageMaker: используй Amazon SageMaker для эффективного создания, обучения и развертывания моделей Ultralytics, получая универсальную платформу для жизненного цикла ML.

• AMD: обучайте, проверяйте и запускайте модели Ultralytics на поддерживаемых графических процессорах AMD с помощью PyTorch ROCm, с четким распределением доступности MIGraphX, DirectML и Ryzen AI NPU.

• ClearML: автоматизируй свои рабочие процессы Ultralytics ML, отслеживай эксперименты и стимулируй командное сотрудничество.

• Comet ML: улучшай разработку моделей с помощью Ultralytics, отслеживая, сравнивая и оптимизируя свои эксперименты по машинному обучению.

• 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 общий доступ.

• IBM Watsonx: узнай, как IBM Watsonx упрощает обучение и оценку моделей Ultralytics с помощью передовых инструментов ИИ, 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: изучи возможности использования Kaggle для обучения и оценки моделей Ultralytics в облачной среде с предустановленными библиотеками, поддержкой GPU и активным сообществом для совместной работы и обмена.

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

• MLFlow: оптимизируй весь жизненный цикл ML моделей Ultralytics, от экспериментов и воспроизводимости до развертывания.

• 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 Ultralytics ML, мониторь метрики моделей и содействуй командному сотрудничеству.

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

• VS Code: расширение для VS Code, предоставляющее фрагменты кода для ускорения рабочих процессов разработки Ultralytics и предлагающее примеры, которые помогут любому обучиться или начать работу.

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

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

Интеграции для развертывания#

• Ambarella: обучайте, сжимайте и экспортируйте модели Ultralytics YOLO для SoC Ambarella CVflow®, таких как CV72, с использованием обучения с учетом сжатия SpongeTorch и автономной цепочки инструментов CVflow.

• Axelera: изучи ускорители Metis и SDK Voyager для запуска моделей Ultralytics с эффективным краевым инференсом.

• Core AI: Узнай о новом формате .aimodel от Apple, о том, как Core AI сопоставляется с Core ML, о его текущих ограничениях и о том, как экспортировать модели YOLO26 с помощью format="coreai" для поколения iOS 27 и macOS 27.

• CoreML: CoreML, разработанный компанией Apple, представляет собой фреймворк, созданный для эффективной интеграции моделей машинного обучения в приложения для iOS, macOS, watchOS и tvOS с использованием оборудования Apple для эффективного и безопасного model deployment.

• DEEPX: экспортируй модели Ultralytics YOLO в формат DEEPX .dxnn для энергоэффективного инференса INT8 на аппаратном обеспечении DEEPX NPU, ориентируясь на встроенные и граничные приложения ИИ.

• ExecuTorch: разработанный Meta, ExecuTorch является унифицированным 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: экспортируйте модели обнаружения, сегментации, семантической сегментации, оценки глубины, классификации, позы и OBB от Ultralytics YOLO непосредственно в Hailo HEF; см. руководство по интеграции для проверенных моделей и целевых устройств.

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

• MNN: разработанный Alibaba, MNN представляет собой высокоэффективный и легковесный фреймворк глубокого обучения. Он поддерживает инференс и обучение моделей глубокого обучения и обладает ведущей в отрасли производительностью для инференса и обучения на устройствах.

• NCNN: разработанный Tencent, NCNN представляет собой эффективный фреймворк инференса neural network, оптимизированный для мобильных устройств. Он позволяет напрямую развертывать модели ИИ в приложениях, оптимизируя производительность на различных мобильных платформах.

• Neural Magic: используй обучение с учетом квантования (QAT) и методы прунинга для оптимизации моделей Ultralytics с целью достижения превосходной производительности и меньшего размера.

• ONNX: открытый формат, созданный Microsoft для облегчения передачи моделей ИИ между различными фреймворками, повышающий универсальность и гибкость развертывания моделей Ultralytics.

• OpenVINO: набор инструментов Intel для эффективной оптимизации и развертывания моделей computer vision на различных платформах Intel с CPU и GPU.

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

• Qualcomm QNN: компилируйте модели Ultralytics YOLO локально в контекстно-бинарный формат QNN (AI Engine Direct) с помощью провайдера выполнения ONNX Runtime QNN для ускоренного инференса на оборудовании Snapdragon CPU, Adreno GPU и Hexagon NPU в мобильных и периферийных устройствах.

• Rockchip RKNN: разработанный Rockchip, RKNN представляет собой специализированный фреймворк инференса нейронных сетей, оптимизированный под аппаратные платформы Rockchip, в особенности под их NPU. Он облегчает эффективное развертывание моделей ИИ на периферийных устройствах, обеспечивая высокую производительность инференса в приложениях реального времени.

• Seeed Studio reCamera: разработанное Seeed Studio, устройство reCamera представляет собой передовое периферийное устройство ИИ, созданное для приложений компьютерного зрения в реальном времени. Работая на базе процессора SG200X с архитектурой RISC-V, оно обеспечивает высокую производительность инференса ИИ при высокой энергоэффективности. Модульная конструкция, передовые возможности обработки видео и поддержка гибкого развертывания делают его идеальным выбором для различных сценариев использования, включая мониторинг безопасности, экологические приложения и производство.

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

• TensorRT: разработанный NVIDIA, этот высокопроизводительный фреймворк инференса deep learning и формат моделей оптимизируют модели ИИ для ускорения скорости и эффективности на GPU NVIDIA, обеспечивая оптимизированное развертывание.

• TF GraphDef: разработанный Google, GraphDef — это формат TensorFlow для представления вычислительных графов, обеспечивающий оптимизированное выполнение моделей машинного обучения на различных аппаратных средствах.

• TF SavedModel: разработанный Google, TF SavedModel является универсальным форматом сериализации для моделей TensorFlow, обеспечивающим простой обмен и развертывание на самых разных платформах, от серверов до периферийных устройств.

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

• LiteRT: разработанный Google, LiteRT (ранее TensorFlow Lite) — это среда выполнения на устройстве для формата .tflite, позволяющая развертывать единую модель на мобильных, встроенных, периферийных устройствах и в браузере (через LiteRT.js).

• TorchScript: разработанный как часть фреймворка PyTorch, TorchScript позволяет эффективно выполнять и развертывать модели машинного обучения в различных производственных средах без необходимости установки 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 различные форматы экспорта моделей для развертывания в разных средах. Вот доступные форматы:

Изучи ссылки, чтобы узнать больше о каждой интеграции и о том, как извлечь из них максимум пользы с помощью Ultralytics. Полные сведения об export смотри на странице Export.

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 ценные идеи для обмена, подумай о contributing to our Integrations Docs.

Написав руководство или учебник, ты поможешь расширить нашу документацию и предоставишь реальные примеры, которые будут полезны сообществу. Это отличный способ внести вклад в растущую экосистему вокруг Ultralytics YOLO.

Чтобы внести свой вклад, ознакомься с нашим Contributing Guide для получения инструкций по отправке Pull Request (PR) 🛠️. Мы с нетерпением ждем твоего вклада!

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

FAQ#