Перейти к содержимому

Ultralytics Интеграции

Добро пожаловать на страницу Ultralytics Integrations! На этой странице представлен обзор наших партнерских отношений с различными инструментами и платформами, призванными оптимизировать твои рабочие процессы машинного обучения, улучшить управление наборами данных, упростить обучение моделей и способствовать их эффективному развертыванию.

Ultralytics YOLO Экосистема и интеграции



Смотри: Ultralytics YOLOv8 Развертывание и интеграция

Интеграция данных

  • Roboflow: Облегчи бесшовное управление наборами данных для моделей Ultralytics , предлагая надежные возможности аннотирования, предварительной обработки и дополнения.

Тренировочные интеграции

  • ClearML: Автоматизируй рабочие процессы Ultralytics ML, контролируй эксперименты и способствуй совместной работе команды.

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

  • DVC: внедри контроль версий для своих проектов машинного обучения Ultralytics , эффективно синхронизируя данные, код и модели.

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

  • Ultralytics HUB: получи доступ к сообществу предварительно обученных моделей Ultralytics и внеси в него свой вклад.

  • Neptune: Веди полный журнал своих ML-экспериментов с помощью Ultralytics в этом хранилище метаданных, предназначенном для MLOps.

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

  • TensorBoard: Визуализируй свои рабочие процессы Ultralytics ML, отслеживай показатели моделей и способствуй совместной работе команды.

  • Weights & Biases (W&B): Контролируй эксперименты, визуализируй метрики, способствуй воспроизводимости и сотрудничеству в проектах Ultralytics .

  • Amazon SageMaker: Используй Amazon SageMaker для эффективного построения, обучения и развертывания моделей Ultralytics , предоставляя платформу "все-в-одном" для жизненного цикла ML.

  • Paperspace Gradient: Paperspace Gradient упрощает работу над проектами YOLOv8 , предоставляя простые в использовании облачные инструменты для обучения, тестирования и быстрого развертывания твоих моделей.

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

Интеграции развертывания

  • Neural Magic: Используй методы Quantization Aware Training (QAT) и обрезки, чтобы оптимизировать модели Ultralytics для повышения производительности и уменьшения размера.

  • Gradio 🚀 НОВИНКА: разверни модели Ultralytics с помощью Gradio для интерактивных демонстраций обнаружения объектов в реальном времени.

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

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

  • OpenVINO: Инструментарий Intel для оптимизации и эффективного развертывания моделей компьютерного зрения на различных платформах Intel CPU и GPU.

  • TensorRT: Разработанный NVIDIA, этот высокопроизводительный фреймворк для выводов глубокого обучения и формат моделей оптимизирует модели ИИ для ускорения скорости и эффективности на графических процессорах NVIDIA, обеспечивая быстрое развертывание.

  • CoreML: CoreML, разработанный компанией Apple, - это фреймворк, предназначенный для эффективной интеграции моделей машинного обучения в приложения на iOS, macOS, watchOS и tvOS, использующий аппаратное обеспечение Apple для эффективного и безопасного развертывания моделей.

  • TF SavedModel: Разработанный Google, TF SavedModel - это универсальный формат сериализации моделей TensorFlow , позволяющий легко обмениваться ими и внедрять их на самых разных платформах, от серверов до пограничных устройств.

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

  • TFLite: Разработанный Google, TFLite - это легкий фреймворк для развертывания моделей машинного обучения на мобильных и граничных устройствах, обеспечивающий быстрое и эффективное проведение выводов при минимальном объеме занимаемой памяти.

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

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

  • PaddlePaddle: Платформа глубокого обучения с открытым исходным кодом от Baidu, PaddlePaddle позволяет эффективно развертывать модели ИИ и ориентирована на масштабируемость промышленных приложений.

  • NCNN: Разработанный компанией Tencent, NCNN - это эффективный фреймворк для нейросетевых выводов, адаптированный для мобильных устройств. Он позволяет напрямую внедрять модели искусственного интеллекта в приложения, оптимизируя производительность на различных мобильных платформах.

Форматы экспорта

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

Формат format Аргумент Модель Метаданные Аргументы
PyTorch - yolov8n.pt -
TorchScript torchscript yolov8n.torchscript imgsz, optimize, batch
ONNX onnx yolov8n.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolov8n.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb imgsz, batch
TF Lite tflite yolov8n.tflite imgsz, half, int8, batch
TF Край TPU edgetpu yolov8n_edgetpu.tflite imgsz, batch
TF.js tfjs yolov8n_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ imgsz, half, batch

Переходи по ссылкам, чтобы узнать больше о каждой интеграции и о том, как извлечь из них максимум пользы с помощью Ultralytics. Смотри полный текст export подробности в Экспорт Страница.

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, которыми ты можешь поделиться, подумай о том, чтобы внести свой вклад в наши документы по интеграции.

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

Чтобы внести свой вклад, ознакомься с нашим руководством по внесению вклада, в котором описано, как отправить Pull Request (PR) 🛠️. Мы с нетерпением ждем твоего вклада!

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



Создано 2023-11-12, Обновлено 2024-05-18
Авторы: glenn-jocher (13), Burhan-Q (4), abirami-vina (14), RizwanMunawar (1)

Комментарии