Ultralytics Entegrasyonları

Ultralytics Entegrasyonları sayfasına hoş geldin! Bu sayfa, makine öğrenimi iş akışlarını kolaylaştırmak, veri kümesi yönetimini geliştirmek, model eğitimini basitleştirmek ve verimli dağıtımı kolaylaştırmak için tasarlanmış çeşitli araçlar ve platformlarla olan ortaklıklarımıza genel bir bakış sunar.

Eğitim Entegrasyonları

• Albumentations: Model sağlamlığını ve genelleştirilebilirliğini artırmak için Ultralytics modellerini güçlü görüntü artırma teknikleriyle güçlendir.

• Amazon SageMaker: ML yaşam döngüsü için hepsi bir arada bir platform sağlayarak, Ultralytics modellerini verimli bir şekilde oluşturmak, eğitmek ve dağıtmak için Amazon SageMaker'dan yararlan.

• ClearML: Ultralytics ML iş akışlarını otomatikleştir, deneyleri izle ve ekip iş birliğini teşvik et.

• Comet ML: Makine öğrenimi deneylerini takip ederek, karşılaştırarak ve optimize ederek Ultralytics ile model geliştirme sürecini iyileştir.

• DVC: Verileri, kodu ve modelleri etkili bir şekilde senkronize ederek Ultralytics makine öğrenimi projelerin için sürüm kontrolü uygula.

• Google Colab: İş birliğini ve paylaşımı destekleyen bulut tabanlı bir ortamda Ultralytics modellerini eğitmek ve değerlendirmek için Google Colab'i kullan.

• IBM Watsonx: IBM Watsonx'in en son yapay zeka araçları, zahmetsiz entegrasyonu ve gelişmiş model yönetim sistemiyle Ultralytics modellerinin eğitimini ve değerlendirmesini nasıl basitleştirdiğini gör.

• JupyterLab: Ultralytics modellerini kolaylıkla ve verimli bir şekilde eğitmek ve değerlendirmek için JupyterLab'in etkileşimli ve özelleştirilebilir ortamını nasıl kullanacağını öğren.

• Kaggle: Önceden yüklenmiş kütüphaneler, GPU desteği ve iş birliği ile paylaşım için canlı bir topluluk içeren bulut tabanlı bir ortamda Ultralytics modellerini eğitmek ve değerlendirmek için Kaggle'ı nasıl kullanabileceğini keşfet.

• Modal: Otomatik GPU tedariki, saniye başına ücretlendirme ve çıkarım ile eğitim iş yükleri için kesintisiz ölçeklendirme ile Ultralytics modellerini Modal'ın sunucusuz bulut platformunda çalıştır.

• MLFlow: Deney ve tekrarlanabilirlikten dağıtıma kadar Ultralytics modellerinin tüm ML yaşam döngüsünü kolaylaştır.

• Neptune: MLOps için tasarlanmış bu meta veri deposunda Ultralytics ile ML deneylerinin kapsamlı bir kaydını tut.

• Paperspace Gradient: Paperspace Gradient, modellerini hızlı bir şekilde eğitmek, test etmek ve dağıtmak için kullanımı kolay bulut araçları sağlayarak YOLO26 projeleri üzerinde çalışmayı basitleştirir.

• 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: Önceden eğitilmiş Ultralytics modellerinden oluşan bir topluluğa eriş ve katkıda bulun.

• VS Code: Ultralytics geliştirme iş akışlarını hızlandırmak için kod parçacıkları sağlayan ve herkesin öğrenmesine veya başlamasına yardımcı olacak örnekler sunan bir VS Code eklentisi.

• Weights & Biases (W&B): Ultralytics projelerinde deneyleri izle, metrikleri görselleştir ve tekrarlanabilirlik ile iş birliğini teşvik et.

Dağıtım Entegrasyonları

• Axelera: Ultralytics modellerini verimli uç çıkarım ile çalıştırmak için Metis hızlandırıcılarını ve Voyager SDK'yı keşfet.

• CoreML: Apple tarafından geliştirilen CoreML, etkili ve güvenli model dağıtımı için Apple'ın donanımını kullanarak makine öğrenimi modellerini iOS, macOS, watchOS ve tvOS genelindeki uygulamalara verimli bir şekilde entegre etmek için tasarlanmış bir çerçevedir.

• DeepX: Gömülü ve uç yapay zeka uygulamalarını hedefleyerek, DeepX NPU donanımında güç açısından verimli INT8 çıkarımı için Ultralytics YOLO modellerini DeepX .dxnn formatına dışa aktar.

• ExecuTorch: Meta tarafından geliştirilen ExecuTorch, Ultralytics YOLO modellerini uç cihazlarda dağıtmak için PyTorch'un birleşik çözümüdür.

• Gradio: Gerçek zamanlı, etkileşimli nesne algılama demoları için Ultralytics modellerini Gradio ile dağıt.

• 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 eğitim için sektör lideri performansa sahiptir.

• NCNN: Tencent tarafından geliştirilen NCNN, mobil cihazlar için özel olarak hazırlanmış verimli bir sinir ağı çıkarım çerçevesidir. Yapay zeka modellerinin doğrudan uygulamalara dağıtılmasını sağlar ve çeşitli mobil platformlarda performansı optimize eder.

• Neural Magic: Ultralytics modellerini üstün performans ve daha küçük boyut için optimize etmek amacıyla Niceleme Farkındalı Eğitim (QAT) ve budama tekniklerinden yararlan.

• ONNX: Microsoft tarafından oluşturulan açık kaynaklı bir format olan ONNX, yapay zeka modellerinin çeşitli çerçeveler arasında aktarımını kolaylaştırarak Ultralytics modellerinin çok yönlülüğünü ve dağıtım esnekliğini artırır.

• OpenVINO: Çeşitli Intel CPU ve GPU platformlarında bilgisayarlı görü modellerini verimli bir şekilde optimize etmek ve dağıtmak için Intel'in araç seti.

• PaddlePaddle: Baidu tarafından geliştirilen açık kaynaklı bir derin öğrenme platformu olan PaddlePaddle, yapay zeka modellerinin verimli bir şekilde dağıtılmasını sağlar ve endüstriyel uygulamaların ölçeklenebilirliğine odaklanır.

• Rockchip RKNN: Rockchip tarafından geliştirilen RKNN, özellikle NPU'ları olmak üzere Rockchip'in donanım platformları için optimize edilmiş özel bir sinir ağı çıkarım çerçevesidir. Yapay zeka modellerinin uç cihazlarda verimli bir şekilde dağıtılmasını sağlayarak gerçek zamanlı uygulamalarda yüksek performanslı çıkarımı mümkün kılar.

• Seeed Studio reCamera: Seeed Studio tarafından geliştirilen reCamera, gerçek zamanlı bilgisayarlı görü uygulamaları için tasarlanmış gelişmiş bir uç yapay zeka cihazıdır. RISC-V tabanlı SG200X işlemcisi sayesinde enerji verimliliği ile yüksek performanslı yapay zeka çıkarımı sağlar. Modüler tasarımı, gelişmiş video işleme yetenekleri ve esnek dağıtım desteği; güvenlik izleme, çevresel uygulamalar ve üretim dahil olmak üzere çeşitli kullanım durumları için onu ideal bir seçenek haline getirir.

• SONY IMX500: Hızlı ve düşük güç tüketimli performans için IMX500 sensörüne sahip Raspberry Pi AI Kameralarında Ultralytics YOLO26 modellerini optimize et ve dağıt.

• TensorRT: NVIDIA tarafından geliştirilen bu yüksek performanslı derin öğrenme çıkarım çerçevesi ve model formatı, NVIDIA GPU'larında hızlandırılmış hız ve verimlilik için yapay zeka modellerini optimize ederek sorunsuz dağıtım sağlar.

• TF GraphDef: Google tarafından geliştirilen GraphDef, TensorFlow'un hesaplama grafiklerini temsil etme formatıdır ve makine öğrenimi modellerinin çeşitli donanımlarda optimize edilmiş şekilde yürütülmesini sağlar.

• TF SavedModel: Google tarafından geliştirilen TF SavedModel, TensorFlow modelleri için evrensel bir serileştirme formatıdır ve sunuculardan uç cihazlara kadar çok çeşitli platformlarda kolay paylaşım ve dağıtım sağlar.

• TF.js: Tarayıcılarda ve Node.js'de makine öğrenimini kolaylaştırmak için Google tarafından geliştirilen TF.js, ML modellerinin JavaScript tabanlı dağıtımına olanak tanır.

• TFLite: Google tarafından geliştirilen TFLite, makine öğrenimi modellerini mobil ve uç cihazlarda dağıtmak için kullanılan, minimum bellek kullanımıyla hızlı ve verimli çıkarım sağlayan hafif bir çerçevedir.

• TFLite Edge TPU: TensorFlow Lite modellerini Edge TPU'larda optimize etmek için Google tarafından geliştirilen bu model formatı, yüksek hızlı ve verimli uç bilişim sağlar.

• TorchScript: PyTorch çerçevesinin bir parçası olarak geliştirilen TorchScript, makine öğrenimi modellerinin Python bağımlılıklarına gerek kalmadan çeşitli üretim ortamlarında verimli bir şekilde yürütülmesini ve dağıtılmasını sağlar.

Veri Kümesi Entegrasyonları

• Roboflow: Görüntüleri etiketlemek için açıklama araçları sunarak Ultralytics modelleri için veri kümesi etiketlemeyi ve yönetimini kolaylaştır.

Dışa Aktarma Formatları

Ayrıca farklı ortamlarda dağıtım için çeşitli model dışa aktarma formatlarını destekliyoruz. Mevcut formatlar şunlardır:

Her bir entegrasyon hakkında daha fazla bilgi edinmek ve Ultralytics ile bunlardan en iyi şekilde nasıl yararlanacağını öğrenmek için bağlantıları keşfet. Tüm export detaylarını Dışa Aktarma sayfasında görebilirsin.

Entegrasyonlarımıza Katkıda Bulun

Topluluğun Ultralytics YOLO'yu diğer teknolojiler, araçlar ve platformlarla nasıl entegre ettiğini görmekten her zaman heyecan duyuyoruz! YOLO'yu yeni bir sistemle başarıyla entegre ettiysen veya paylaşacak değerli içgörülerin varsa, Entegrasyon Dokümanlarımıza katkıda bulunmayı düşün.

Bir rehber veya eğitim yazarak, dokümantasyonumuzu genişletmemize ve topluluğun yararlanabileceği gerçek dünya örnekleri sunmamıza yardımcı olabilirsin. Bu, Ultralytics YOLO etrafında büyüyen ekosisteme katkıda bulunmanın mükemmel bir yoludur.

Katkıda bulunmak için lütfen bir Pull Request (PR) 🛠️ gönderme talimatları için Katkıda Bulunma Rehberimize göz at. Katkılarını heyecanla bekliyoruz!

Ultralytics YOLO ekosistemini daha kapsamlı ve zengin özellikli hale getirmek için iş birliği yapalım 🙏!

SSS

Ultralytics Platform nedir ve ML iş akışını nasıl kolaylaştırır?

Ultralytics Platform, Ultralytics modelleri için makine öğrenimi iş akışlarını sorunsuz ve verimli hale getirmek üzere tasarlanmış bulut tabanlı bir platformdur. Bu aracı kullanarak, kapsamlı kodlama becerilerine ihtiyaç duymadan kolayca veri kümeleri yükleyebilir, modeller eğitebilir, gerçek zamanlı izleme gerçekleştirebilir ve YOLO modellerini dağıtabilirsin. Platform, veri hazırlığından dağıtıma kadar tüm ML hattını yönetebileceğin merkezi bir çalışma alanı olarak hizmet eder. Temel özellikleri Ultralytics Platform sayfasında keşfedebilir ve Hızlı Başlangıç rehberimizle hemen çalışmaya başlayabilirsin.

MLFlow kullanarak Ultralytics modellerimin performansını takip edebilir miyim?

Evet, edebilirsin. MLFlow ile Ultralytics modellerini entegre etmek, deneyleri takip etmeni, tekrarlanabilirliği artırmanı ve tüm ML yaşam döngüsünü kolaylaştırmanı sağlar. Bu entegrasyonu kurmak için ayrıntılı talimatlar MLFlow entegrasyon sayfasında bulunabilir. Bu entegrasyon özellikle model metriklerini izlemek, farklı eğitim süreçlerini karşılaştırmak ve ML iş akışını verimli bir şekilde yönetmek için kullanışlıdır. MLFlow, parametreleri, metrikleri ve yapıları günlüğe kaydetmek için merkezi bir platform sağlayarak model davranışını anlamayı ve veriye dayalı iyileştirmeler yapmayı kolaylaştırır.

YOLO26 model optimizasyonu için Neural Magic kullanmanın avantajları nelerdir?

Neural Magic, Niceleme Farkındalı Eğitim (QAT) ve budama gibi tekniklerden yararlanarak YOLO26 modellerini optimize eder; bu da kaynakları sınırlı donanımlarda daha iyi çalışan, oldukça verimli ve daha küçük modellerle sonuçlanır. Üstün performans ve daha yalın modeller için bu optimizasyonların nasıl uygulanacağını öğrenmek amacıyla Neural Magic entegrasyon sayfasına göz at. Bu, özellikle hesaplama kaynaklarının kısıtlı olduğu uç cihazlarda dağıtım için faydalıdır. Neural Magic'in DeepSparse motoru, CPU'larda 6 kata kadar daha hızlı çıkarım sağlayarak karmaşık modelleri özel donanım olmadan çalıştırmayı mümkün kılar.

Etkileşimli demolar için Ultralytics YOLO modellerini Gradio ile nasıl dağıtırım?

To deploy Ultralytics YOLO models with Gradio for interactive object detection demos, you can follow the steps outlined on the Gradio integration page. Gradio allows you to create easy-to-use web interfaces for real-time model inference, making it an excellent tool for showcasing your YOLO model's capabilities in a user-friendly format suitable for both developers and end-users. With just a few lines of code, you can build interactive applications that demonstrate your model's performance on custom inputs, facilitating better understanding and evaluation of your computer vision solutions.