Интеграции Ultralytics

Добро пожаловать на страницу интеграций Ultralytics! На этой странице представлен обзор нашего партнерства с различными инструментами и платформами, разработанными для оптимизации ваших рабочих процессов машинного обучения, улучшения управления наборами данных, упрощения обучения моделей и облегчения эффективного развертывания.

Смотреть: Развертывание и интеграции Ultralytics YOLO11

Интеграции обучения

• Amazon SageMaker: Используйте Amazon SageMaker для эффективной сборки, обучения и развертывания моделей Ultralytics, предоставляя универсальную платформу для жизненного цикла ML.

• ClearML: Автоматизируйте рабочие процессы Ultralytics ML, отслеживайте эксперименты и развивайте командное сотрудничество.

• Comet ML: Улучшите разработку своей модели с помощью Ultralytics, отслеживая, сравнивая и оптимизируя свои эксперименты машинного обучения.

• DVC: Внедрите систему контроля версий для своих проектов машинного обучения Ultralytics, эффективно синхронизируя данные, код и модели.

• Google Colab: Используйте Google Colab для обучения и оценки моделей Ultralytics в облачной среде, поддерживающей совместную работу и обмен данными.

• IBM Watsonx: Узнайте, как IBM Watsonx упрощает обучение и оценку моделей Ultralytics с помощью передовых инструментов искусственного интеллекта, простой интеграции и усовершенствованной системы управления моделями.

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

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

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

• Neptune: Ведите подробный журнал своих экспериментов ML с Ultralytics в этом хранилище метаданных, разработанном для MLOps.

• Paperspace Gradient: Paperspace Gradient упрощает работу над проектами YOLO11, предоставляя простые в использовании облачные инструменты для быстрого обучения, тестирования и развертывания ваших моделей.

• Ray Tune: Оптимизируйте гиперпараметры ваших моделей Ultralytics в любом масштабе.

• TensorBoard: Визуализируйте свои рабочие процессы Ultralytics ML, отслеживайте метрики моделей и развивайте командное сотрудничество.

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

• Weights & Biases (W&B): Отслеживайте эксперименты, визуализируйте метрики и способствуйте воспроизводимости и сотрудничеству в проектах Ultralytics.

• VS Code: Расширение для VS Code, которое предоставляет фрагменты кода для ускорения рабочих процессов разработки с Ultralytics, а также для всех, кто ищет примеры, которые помогут изучить Ultralytics или начать работу с ним.

• Albumentations: Улучшите свои модели Ultralytics с помощью мощных расширений изображений, чтобы повысить устойчивость и обобщение модели.

Интеграции развертывания

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

• ONNX: Открытый формат, созданный компанией Microsoft для облегчения передачи моделей ИИ между различными фреймворками, повышающий 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: Этот высокопроизводительный фреймворк глубокого обучения и формат моделей, разработанный компанией NVIDIA, оптимизирует модели ИИ для ускорения и повышения эффективности на NVIDIA GPU, обеспечивая оптимизированное развертывание.

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

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

• TFLite: TFLite, разработанный компанией Google, — это легкий фреймворк для развертывания моделей машинного обучения на мобильных и периферийных устройствах, обеспечивающий быстрый и эффективный вывод с минимальным объемом памяти.

• TFLite Edge TPU: Этот формат моделей, разработанный компанией Google для оптимизации моделей TensorFlow Lite на Edge TPU, обеспечивает высокоскоростные и эффективные периферийные вычисления.

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

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

• MNN: MNN, разработанный компанией Alibaba, — это высокоэффективный и легкий фреймворк для глубокого обучения. Он поддерживает логический вывод и обучение моделей глубокого обучения и обладает лучшей в отрасли производительностью для логического вывода и обучения на устройствах.

• NCNN: NCNN, разработанный компанией Tencent, представляет собой эффективный фреймворк для логического вывода нейронных сетей, разработанный специально для мобильных устройств. Он позволяет напрямую развертывать модели ИИ в приложениях, оптимизируя производительность на различных мобильных платформах.

• SONY IMX500 🚀 НОВОЕ: Оптимизируйте и разверните модели Ultralytics YOLOv8 на камерах Raspberry Pi AI с датчиком IMX500 для быстрой и энергоэффективной работы.

• Rockchip RKNN: RKNN, разработанный Rockchip, представляет собой специализированную структуру логического вывода нейронной сети, оптимизированную для аппаратных платформ Rockchip, особенно для их NPU. Это облегчает эффективное развертывание AI-моделей на периферийных устройствах, обеспечивая высокопроизводительный логический вывод в приложениях реального времени.

• Neural Magic: Используйте методы Quantization Aware Training (QAT) и pruning для оптимизации моделей Ultralytics, чтобы добиться превосходной производительности и меньшего размера.

• Seeed Studio reCamera: reCamera, разработанная Seeed Studio, — это передовое AI-устройство для компьютерного зрения в реальном времени. Работающее на базе процессора SG200X на основе RISC-V, оно обеспечивает высокую производительность AI-инференса с энергоэффективностью. Модульная конструкция, расширенные возможности обработки видео и поддержка гибкого развертывания делают его идеальным выбором для различных вариантов использования, включая мониторинг безопасности, экологические приложения и производство.

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

Интеграции наборов данных

• Roboflow: Облегчает маркировку и управление набором данных для моделей Ultralytics, предлагая инструменты аннотации для маркировки изображений.

Форматы экспорта

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

Перейдите по ссылкам, чтобы узнать больше о каждой интеграции и о том, как получить от них максимальную пользу с помощью Ultralytics. Смотрите полную export подробности в Экспорт странице.

Внесите свой вклад в наши интеграции

Мы всегда рады видеть, как сообщество интегрирует Ultralytics YOLO с другими технологиями, инструментами и платформами! Если вы успешно интегрировали YOLO с новой системой или хотите поделиться ценными идеями, рассмотрите возможность внесения вклада в нашу документацию по интеграциям.

Написав руководство или учебник, вы можете 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, ознакомьтесь с нашим Руководством для участников, чтобы получить инструкции о том, как отправить запрос на внесение изменений (Pull Request, PR) 🛠️. Мы с нетерпением ждем ваших вкладов!

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

Часто задаваемые вопросы

Что такое Ultralytics HUB и как он оптимизирует рабочий процесс машинного обучения?

Ultralytics HUB — это облачная платформа, разработанная для обеспечения бесперебойной и эффективной работы машинного обучения для моделей Ultralytics. С помощью этого инструмента вы можете легко загружать наборы данных, обучать модели, выполнять отслеживание в реальном времени и развертывать модели YOLO, не требуя обширных навыков программирования. Платформа служит централизованным рабочим пространством, где вы можете управлять всем конвейером машинного обучения от подготовки данных до развертывания. Вы можете изучить основные функции на странице Ultralytics HUB и быстро приступить к работе с нашим руководством по быстрому старту.

Можно ли отслеживать производительность моих моделей Ultralytics с помощью MLFlow?

Да, можете. Интеграция MLFlow с моделями Ultralytics позволяет 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 модели, сравнения различных запусков обучения и эффективного управления рабочим процессом ML. MLFlow предоставляет централизованную платформу для регистрации параметров, метрик и артефактов, что упрощает понимание поведения модели и внесение улучшений на основе данных.

Каковы преимущества использования Neural Magic для оптимизации модели YOLO11?

Neural Magic оптимизирует модели YOLO11, используя такие методы, как Quantization Aware Training (QAT) и pruning, что приводит к созданию высокоэффективных моделей меньшего размера, которые лучше работают на оборудовании с ограниченными ресурсами. Посетите страницу интеграции Neural Magic, чтобы узнать, как реализовать эти оптимизации для повышения производительности и создания более компактных моделей. Это особенно полезно для развертывания на периферийных устройствах, где вычислительные ресурсы ограничены. Механизм DeepSparse от Neural Magic может обеспечить до 6 раз более быстрый вывод на CPU, что позволяет запускать сложные модели без специализированного оборудования.

Как развернуть модели Ultralytics YOLO с помощью Gradio для интерактивных демонстраций?

Чтобы развернуть модели Ultralytics YOLO с помощью Gradio для интерактивных демонстраций обнаружения объектов, вы можете выполнить шаги, описанные на странице интеграции Gradio. Gradio позволяет создавать простые в использовании веб-интерфейсы для логического вывода модели в реальном времени, что делает его отличным инструментом для демонстрации возможностей вашей модели YOLO в удобном для пользователя формате, подходящем как для разработчиков, так и для конечных пользователей. Всего с помощью нескольких строк кода вы можете создавать интерактивные приложения, которые демонстрируют производительность вашей модели на пользовательских входных данных, что способствует лучшему пониманию и оценке ваших решений в области компьютерного зрения.

📅 Создано 1 год назад ✏️ Обновлено 7 дней назад

Комментарии