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.
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.
-
Kaggle: Узнай, как можно использовать Kaggle для обучения и оценки моделей Ultralytics в облачной среде с предустановленными библиотеками, поддержкой GPU и активным сообществом для совместной работы и обмена опытом.
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 переноса моделей ИИ между различными фреймворками, что повышает универсальность и гибкость развертывания моделей Ultralytics .
-
OpenVINO: Intel'toolkit for optimizing and deploying computer vision models efficiently across various Intel CPU and GPU platforms.
-
TensorRT: Разработанный NVIDIAЭтот 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 GoogleTF 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 GoogleGraphDef - это формат TensorFlow для представления вычислительных графов, позволяющий оптимизировать выполнение моделей машинного обучения на различном оборудовании.
-
TFLite: Разработанный GoogleTFLite - это легкий фреймворк для развертывания моделей машинного обучения на мобильных и пограничных устройствах, обеспечивающий быстрое и эффективное проведение выводов при минимальных затратах памяти.
-
TFLite Edge TPU: Разработан Google для оптимизации моделей TensorFlow Lite на Edge TPU, этот формат модели обеспечивает высокоскоростные и эффективные вычисления на границе.
-
TF.js: Разработан Google для облегчения машинного обучения в браузерах и Node.js, TF.js позволяет разворачивать 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 |
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 🙏!
ВОПРОСЫ И ОТВЕТЫ
Что такое Ultralytics HUB, и как он оптимизирует рабочий процесс ML?
Ultralytics HUB - это облачная платформа, созданная для того, чтобы сделать рабочие процессы машинного обучения (ML) для моделей Ultralytics бесшовными и эффективными. Используя этот инструмент, ты сможешь легко загружать наборы данных, обучать модели, выполнять отслеживание в реальном времени и разворачивать модели YOLOv8 , не обладая при этом обширными навыками кодирования. Ты можешь изучить основные возможности на странице Ultralytics HUB и быстро приступить к работе с помощью нашего руководства по быстрому запуску.
Как интегрировать модели Ultralytics YOLO с Roboflow для управления наборами данных?
Интеграция моделей Ultralytics YOLO с Roboflow улучшает управление набором данных, предоставляя надежные инструменты для аннотирования, предварительной обработки и дополнения. Чтобы приступить к работе, следуй шагам на Roboflow странице интеграции. Это партнерство обеспечивает эффективную работу с наборами данных, что крайне важно для разработки точных и надежных YOLO моделей.
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 ML. Подробные инструкции по настройке этой интеграции можно найти на странице интеграции MLFlow. Эта интеграция особенно полезна для мониторинга метрик модели и эффективного управления рабочим процессом ML.
В чем преимущества использования Neural Magic для оптимизации модели YOLOv8 ?
Neural Magic оптимизирует модели YOLOv8 , используя такие техники, как Quantization Aware Training (QAT) и обрезка, в результате чего получаются высокоэффективные модели меньшего размера, которые лучше работают на ограниченном по ресурсам оборудовании. Загляни на Neural Magic страницу интеграции, чтобы узнать, как реализовать эти оптимизации для повышения производительности и уменьшения размеров моделей. Это особенно полезно для развертывания на пограничных устройствах.
Как 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 следовать шагам, описанным 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 YOLO модели в удобном формате, подходящем как для разработчиков, так и для конечных пользователей.
Отвечая на эти распространенные вопросы, мы стремимся улучшить пользовательский опыт и дать ценные сведения о мощных возможностях продуктов Ultralytics . Включение этих часто задаваемых вопросов не только улучшит документацию, но и приведет больше органического трафика на сайт Ultralytics .
Создано 2023-11-12, Обновлено 2024-07-18
Авторы: abirami-vina (15), glenn-jocher (16), Burhan-Q (5), RizwanMunawar (1)