Ultralytics Entegrasyonları#
Ultralytics Entegrasyonları sayfasına hoş geldin! Bu sayfada, makine öğrenimi iş akışlarını kolaylaştırmak, veri kümesi yönetimini geliştirmek, model eğitimini basitleştirmek ve verimli dağıtımı mümkün kılmak üzere tasarlanmış çeşitli araç ve platformlarla ortaklıklarımıza genel bir bakış sunuluyor.
İzle: Ultralytics YOLO dağıtımı ve entegrasyonları
Eğitim Entegrasyonları#
-
Agent Skills: Veri kümeleri, eğitim, çıkarım ve dışa aktarma konularını kapsayan resmi becerilerle Claude Code, Codex, Cursor ve Gemini CLI gibi yapay zekâ kodlama ajanlarına tüm Ultralytics YOLO iş akışını öğret.
-
Albumentations: Model dayanıklılığını ve genelleme yeteneğini artırmak için güçlü görüntü artırma yöntemleriyle Ultralytics modellerini geliştir.
-
Amazon SageMaker: ML yaşam döngüsü için hepsi bir arada bir platform sunan Amazon SageMaker ile Ultralytics modellerini verimli bir şekilde oluştur, eğit ve dağıt.
-
ClearML: Ultralytics ML iş akışlarını otomatikleştir, deneyleri izle ve ekip iş birliğini destekle.
-
Comet ML: Makine öğrenimi deneylerini izleyip karşılaştırarak ve optimize ederek Ultralytics ile model geliştirme sürecini iyileştir.
-
DVC: Verileri, kodu ve modelleri etkili biçimde eşitleyerek Ultralytics makine öğrenimi projelerinde sürüm denetimi uygula.
-
Google Colab: İş birliğini ve paylaşımı destekleyen bulut tabanlı bir ortamda Ultralytics modellerini eğitmek ve değerlendirmek için Google Colab'ı kullan.
-
IBM Watsonx: IBM Watsonx'in son teknoloji yapay zekâ araçları, zahmetsiz entegrasyonu ve gelişmiş model yönetim sistemiyle Ultralytics modellerinin eğitimini ve değerlendirilmesini nasıl kolaylaştırdığını gör.
-
JupyterLab: Ultralytics modellerini kolayca ve verimli biçimde eğitip değerlendirmek için JupyterLab'ın etkileşimli ve özelleştirilebilir ortamını nasıl kullanacağını öğren.
-
Kaggle: Önceden yüklenmiş kütüphaneler, GPU desteği ve iş birliğiyle paylaşım için canlı bir topluluk sunan bulut tabanlı bir ortamda Ultralytics modellerini eğitmek ve değerlendirmek için Kaggle'ı nasıl kullanabileceğini keşfet.
-
Modal: Çıkarım ve eğitim iş yükleri için otomatik GPU tahsisi, saniye başına ücretlendirme ve sorunsuz ölçeklendirme sunan Modal sunucusuz bulut platformunda Ultralytics modellerini çalıştır.
-
MLFlow: Deney ve tekrarlanabilirlikten dağıtıma kadar Ultralytics modellerinin tüm ML yaşam döngüsünü kolaylaştır.
-
Paperspace Gradient: Paperspace Gradient, modellerini hızla eğitmek, test etmek ve dağıtmak için kullanımı kolay bulut araçları sunarak YOLO26 projeleriyle çalışmayı kolaylaştırır.
-
Ray Tune: Ultralytics modellerinin hiperparametrelerini her ölçekte optimize et.
-
TensorBoard: Ultralytics ML iş akışlarını görselleştir, model metriklerini izle ve ekip iş birliğini destekle.
-
Ultralytics Platform: Ultralytics modellerini tarayıcıda eğit, yönet ve dağıt; resmî önceden eğitilmiş modelleri ve veri kümelerini indir.
-
VS Code: Ultralytics geliştirme iş akışlarını hızlandıran kod parçacıkları ve herkesin öğrenmesine veya başlamasına yardımcı olan örnekler sunan bir VS Code uzantısı.
-
Weights & Biases (W&B): Deneyleri izle, metrikleri görselleştir; Ultralytics projelerinde tekrarlanabilirliği ve iş birliğini destekle.
-
YAML2ModelGraph: Yayına hazır SVG mimari diyagramlarını doğrudan Ultralytics YOLO YAML yapılandırma dosyalarından oluştur.
Dağıtım Entegrasyonları#
-
Ambarella: SpongeTorch sıkıştırma farkındalıklı eğitimi ve çevrimdışı CVflow araç zincirini kullanarak CV72 gibi Ambarella CVflow® SoC'leri için Ultralytics YOLO modellerini eğit, sıkıştır ve dışa aktar.
-
AMD: Ultralytics YOLO'yu ONNX'e aktar ve ROCm üzerinde ONNX Runtime MIGraphX yürütme sağlayıcısı aracılığıyla AMD Instinct ve Radeon GPU'larında GPU hızlandırmalı çıkarım çalıştır; yerel PyTorch ROCm eğitimi de desteklenir.
-
AMD Xilinx: AMD Quark ve Vitis AI kullanarak AMD Versal AI Edge Series Gen 2 NPU'ları için Ultralytics YOLO'yu
format="xilinx"ile dışa aktar; Zynq, Kria ve Versal aygıtları, DPU ile NPU hızlandırıcılarının farkları ve YOLO operatör desteği hakkında bir rehber içerir. -
Axelera: Ultralytics modellerini uçta verimli çıkarımla çalıştırmak için Metis hızlandırıcılarını ve Voyager SDK'yı keşfet.
-
Core AI: Apple'ın yeni
.aimodelbiçimini, Core AI'ın Core ML ile karşılaştırmasını ve mevcut sınırlamalarını öğren; iOS 27 ve macOS 27 nesli içinformat="coreai"ile YOLO26 modellerinin nasıl dışa aktarılacağını gör. -
CoreML: Apple tarafından geliştirilen CoreML, Apple donanımını kullanarak makine öğrenimi modellerini iOS, macOS, watchOS ve tvOS uygulamalarına verimli ve güvenli bir şekilde entegre etmek için tasarlanmış bir çerçevedir; model dağıtımı için etkilidir.
-
DEEPX: Gömülü ve uç yapay zekâ uygulamaları için DEEPX NPU donanımında enerji tasarruflu INT8 çıkarımı hedefleyerek Ultralytics YOLO modellerini DEEPX
.dxnnbiçimine aktar. -
ExecuTorch: Meta tarafından geliştirilen ExecuTorch, Ultralytics YOLO modellerini uç cihazlara dağıtmak için PyTorch'un birleşik çözümüdür.
-
Gradio: Gerçek zamanlı, etkileşimli nesne algılama demoları için Ultralytics modellerini Gradio ile dağıt.
-
Hailo: Ultralytics YOLO algılama, segmentasyon, anlamsal segmentasyon, derinlik kestirimi, sınıflandırma, poz ve OBB modellerini doğrudan Hailo HEF'e aktar; doğrulanmış modeller ve hedefler için entegrasyon kılavuzuna bak.
-
Huawei Ascend: Atlas ve OrangePi AIPro cihazlarında FP16 çıkarımı için Ultralytics YOLO modellerini CANN ATC derleyicisiyle Huawei Ascend
.omçevrimdışı biçimine derle. -
Luxonis: Ultralytics YOLO modellerini Luxonis Hub veya yerel Luxonis araçlarıyla dönüştür ve Luxonis OAK
RVC2ileRVC4kameralarında cihaz üzerinde çalıştır. -
MNN: Alibaba tarafından geliştirilen MNN, son derece verimli ve hafif bir derin öğrenme çerçevesidir. Derin öğrenme modellerinin çıkarımını ve eğitimini destekler; cihaz üzerinde çıkarım ve eğitimde sektör lideri performans sunar.
-
NCNN: Tencent tarafından geliştirilen NCNN, mobil cihazlar için uyarlanmış verimli bir sinir ağı çıkarım çerçevesidir. Yapay zekâ modellerinin uygulamalara doğrudan dağıtılmasını sağlar ve çeşitli mobil platformlarda performansı optimize eder.
-
Neural Magic: Üstün performans ve daha küçük boyut için Ultralytics modellerini optimize etmek üzere Nicemleme Farkındalıklı Eğitim (QAT) ve budama tekniklerinden yararlan.
-
ONNX: Çeşitli çerçeveler arasında yapay zekâ modellerinin aktarımını kolaylaştırmak, Ultralytics modellerinin çok yönlülüğünü ve dağıtım esnekliğini artırmak amacıyla Microsoft tarafından oluşturulmuş açık kaynaklı bir biçim.
-
OpenVINO: Çeşitli Intel CPU ve GPU platformlarında bilgisayarlı görü modellerini verimli biçimde optimize edip dağıtmak için Intel'in araç takımı.
-
PaddlePaddle: Baidu tarafından geliştirilen açık kaynaklı bir derin öğrenme platformu olan PaddlePaddle, yapay zekâ modellerinin verimli biçimde dağıtılmasını sağlar ve endüstriyel uygulamaların ölçeklenebilirliğine odaklanır.
-
Qualcomm QNN: Mobil ve uç cihazlardaki Snapdragon CPU, Adreno GPU ve Hexagon NPU donanımlarında hızlandırılmış çıkarım için Ultralytics YOLO modellerini, ONNX Runtime QNN Yürütme Sağlayıcısı ile yerel olarak QNN (AI Engine Direct) bağlam ikili dosyası biçiminde derle.
-
Rockchip RKNN: Rockchip tarafından geliştirilen RKNN, Rockchip'in donanım platformları, özellikle NPU'ları için optimize edilmiş özel bir sinir ağı çıkarım çerçevesidir. Yapay zekâ modellerinin uç cihazlara verimli biçimde dağıtılmasını sağlayarak gerçek zamanlı uygulamalarda yüksek performanslı çıkarım sunar.
-
Seeed Studio reCamera: Seeed Studio tarafından geliştirilen reCamera, gerçek zamanlı bilgisayarlı görü uygulamaları için tasarlanmış gelişmiş bir uç yapay zekâ cihazıdır. RISC-V tabanlı SG200X işlemcisiyle yüksek performanslı yapay zekâ çıkarımını enerji verimliliğiyle sunar. Modüler tasarımı, gelişmiş video işleme özellikleri ve esnek dağıtım desteği; güvenlik izleme, çevresel uygulamalar ve üretim dâhil çeşitli kullanım alanları için bu cihazı ideal bir seçenek hâline getirir.
-
SONY IMX500: Hızlı ve düşük güç tüketimli performans için IMX500 sensörlü Raspberry Pi AI Kameralarda Ultralytics YOLO26 modellerini optimize edip dağıt.
-
TensorRT: NVIDIA tarafından geliştirilen bu yüksek performanslı derin öğrenme çıkarım çerçevesi ve model biçimi, akıcı bir dağıtım sağlamak için yapay zekâ modellerini NVIDIA GPU'larında hız ve verimlilik açısından optimize eder.
-
TF GraphDef: Google tarafından geliştirilen GraphDef, makine öğrenimi modellerinin farklı donanımlarda optimize edilmiş biçimde çalıştırılmasını sağlayan TensorFlow hesaplama grafikleri gösterim biçimidir.
-
TF SavedModel: Google tarafından geliştirilen TF SavedModel, TensorFlow modelleri için sunuculardan uç cihazlara kadar geniş bir platform yelpazesinde kolay paylaşım ve dağıtım sağlayan evrensel bir serileştirme biçimidir.
-
TFLite Edge TPU: Edge TPU'larda TensorFlow Lite modellerini optimize etmek için Google tarafından geliştirilen bu model biçimi, yüksek hızlı ve verimli uç bilişim sağlar.
-
LiteRT: Google tarafından geliştirilen LiteRT (eski adıyla TensorFlow Lite),
.tflitebiçiminin cihaz üzerinde çalışan çalışma ortamıdır; tek bir modeli mobil, gömülü ve uç sistemlerde, ayrıca tarayıcıda (LiteRT.js aracılığıyla) dağıtır. -
TorchScript: PyTorch çerçevesinin bir parçası olarak geliştirilen TorchScript, Python bağımlılıklarına gerek kalmadan makine öğrenimi modellerinin çeşitli üretim ortamlarında verimli biçimde yürütülmesini ve dağıtılmasını sağlar.
Veri Kümesi Entegrasyonları#
- Roboflow: Görüntülere etiket eklemek için açıklama araçları sunarak Ultralytics modellerinin veri kümesi etiketleme ve yönetim süreçlerini kolaylaştır.
Dışa Aktarma Biçimleri#
Farklı ortamlarda dağıtım için çeşitli model dışa aktarma biçimlerini de destekliyoruz. Kullanılabilir biçimler şunlardır:
| Biçim | format bağımsız değişkeni | Model | Üst veriler | Bağımsız değişkenler |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, quantize, dynamic, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, quantize, dynamic, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, quantize, nms, batch, device |
| Apple Core AI | coreai | yolo26n.aimodel | ✅ | imgsz, batch, quantize |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, quantize, opset, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, opset, batch, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, quantize, opset, data, fraction, device |
| LiteRT | litert | yolo26n.tflite | ✅ | imgsz, quantize, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, dynamic, quantize, simplify, opset, nms, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, quantize, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, quantize, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, quantize, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, quantize, simplify, opset, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn.onnx | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| Hailo | hailo | yolo26n_hailo_model/ | ✅ | imgsz, name, quantize, data, fraction, simplify, conf, iou, device |
| Huawei Ascend | ascend | yolo26n_ascend_model/ | ✅ | imgsz, batch, name, quantize, opset, simplify, nms, device |
| AMD Xilinx | xilinx | yolo26n_xilinx_model/ | ✅ | imgsz, name, quantize, data, fraction, opset, simplify, device |
nms=None, harici NMS için varsayılan olarak ham çıktılar üretir. Kullanılabilir bir NMS içermeyen başlık seçmek için nms=False değerini ayarla; desteklenmeyen biçimler yerel çıktı yoluna döner. Yukarıdaki nms girdileri, nms=True ile NMS içerebilen biçimleri tanımlar.
Her entegrasyon ve Ultralytics ile entegrasyonlardan en iyi şekilde nasıl yararlanabileceğin hakkında daha fazla bilgi edinmek için bağlantıları incele. export ayrıntılarının tamamını Dışa Aktarma sayfasında görebilirsin.
Entegrasyonlarımıza Katkıda Bulun#
Topluluğun Ultralytics YOLO'yu başka teknolojiler, araçlar ve platformlarla nasıl entegre ettiğini görmek bizi her zaman heyecanlandırıyor! YOLO'yu yeni bir sistemle başarıyla entegre ettiysen veya paylaşmaya değer bilgilerin varsa Entegrasyonlar Belgelerimize katkıda bulunmayı düşünebilirsin.
Bir kılavuz veya öğretici yazarak belgelerimizi genişletmeye ve topluluğa yarar sağlayan gerçek dünya örnekleri sunmaya yardımcı olabilirsin. Bu, Ultralytics YOLO çevresindeki büyüyen ekosisteme katkıda bulunmanın harika bir yoludur.
Katkıda bulunmak için, Çekme İsteği (PR) gönderme talimatları için Katkıda Bulunma Kılavuzumuza göz at 🛠️. Katkılarını heyecanla bekliyoruz!
Ultralytics YOLO ekosistemini daha kapsamlı ve zengin özellikli hâle getirmek için birlikte çalışalım 🙏!
Sık Sorulan Sorular#
Ultralytics Platform, Ultralytics modellerine yönelik makine öğrenimi iş akışlarını sorunsuz ve verimli hâle getirmek için tasarlanmış bulut tabanlı bir platformdur. Bu aracı kullanarak kapsamlı kodlama becerilerine ihtiyaç duymadan veri kümelerini kolayca yükleyebilir, modelleri eğitebilir, gerçek zamanlı izleme yapabilir ve YOLO modellerini dağıtabilirsin. Platform, veri hazırlamadan dağıtıma kadar tüm ML işlem hattını yönetebileceğin merkezi bir çalışma alanı sunar. Temel özellikleri Ultralytics Platform sayfasında inceleyebilir ve Hızlı Başlangıç kılavuzumuzla hemen başlayabilirsin.
Evet, izleyebilirsin. MLFlow ile Ultralytics modellerini entegre etmek; deneyleri izlemene, tekrarlanabilirliği artırmana ve tüm ML yaşam döngüsünü kolaylaştırmana olanak tanır. Bu entegrasyonu kurmaya yönelik ayrıntılı talimatları MLFlow entegrasyon sayfasında bulabilirsin. Bu entegrasyon; model metriklerini izlemek, farklı eğitim çalıştırmalarını karşılaştırmak ve ML iş akışını verimli biçimde yönetmek için özellikle kullanışlıdır. MLFlow, parametreleri, metrikleri ve yapıtları günlüğe kaydetmek için merkezi bir platform sunar; böylece model davranışını anlamak ve veriye dayalı iyileştirmeler yapmak kolaylaşır.
Neural Magic, Nicemleme Farkındalıklı Eğitim (QAT) ve budama gibi tekniklerden yararlanarak YOLO26 modellerini optimize eder; böylece kaynakları kısıtlı donanımlarda daha iyi performans gösteren, son derece verimli ve daha küçük modeller elde edilir. Üstün performans ve daha küçük modeller için bu optimizasyonları nasıl uygulayacağını öğrenmek üzere Neural Magic entegrasyon sayfasına göz at. Hesaplama kaynaklarının kısıtlı olduğu uç cihazlara dağıtımda bu yaklaşım özellikle faydalıdır. Neural Magic'in DeepSparse motoru, CPU'larda 6 kata kadar daha hızlı çıkarım sağlayarak karmaşık modelleri özel donanım olmadan çalıştırmayı mümkün kılar.
Etkileşimli nesne algılama demoları için Ultralytics YOLO modellerini Gradio ile dağıtmak üzere Gradio entegrasyon sayfasındaki adımları izleyebilirsin. Gradio, gerçek zamanlı model çıkarımı için kullanımı kolay web arayüzleri oluşturmanı sağlar; bu da onu YOLO modelinin yeteneklerini hem geliştiricilere hem de son kullanıcılara uygun, kullanıcı dostu bir biçimde sergilemek için mükemmel bir araç hâline getirir. Birkaç satır kodla, modelinin özel girdilerdeki performansını gösteren etkileşimli uygulamalar oluşturabilir, böylece bilgisayarlı görü çözümlerini daha iyi anlamayı ve değerlendirmeyi kolaylaştırabilirsin.