Ultralytics Entegrasyonları
Bu sayfada, veri kümesi yönetimi ve model eğitiminden deney takibi ve dağıtıma kadar makine öğrenimi iş akışlarını desteklemek için Ultralytics'in entegre olduğu araçlar ve platformlar listelenir.
İzle: Ultralytics YOLO dağıtımı ve entegrasyonları
Dışa Aktarma Biçimleri#
-
Alibaba MNN: Alibaba tarafından geliştirilen MNN, mobil ve gömülü donanımlarda cihaz üzerinde çıkarım ve eğitim için hafif bir derin öğrenme çatısıdır.
-
Apple Core AI: Apple'ın yeni
.aimodelbiçimi, Core AI'ın Core ML ile karşılaştırması, mevcut sınırlamaları ve iOS 27 ile macOS 27 nesli için YOLO26 modelleriniformat="coreai"ile dışa aktarma hakkında bilgi edin. -
Apple Core ML: Apple tarafından geliştirilen Core ML, makine öğrenimi modellerini iOS, macOS, watchOS ve tvOS uygulamalarına verimli biçimde entegre etmek için tasarlanmış bir çerçevedir; etkili ve güvenli model dağıtımı için Apple donanımından yararlanır.
-
Baidu PaddlePaddle: Baidu tarafından geliştirilen açık kaynaklı bir derin öğrenme platformu olan PaddlePaddle, ölçeklenebilir endüstriyel uygulamalara odaklanarak yapay zeka modeli dağıtımını destekler.
-
ExecuTorch: Meta tarafından geliştirilen ExecuTorch, Ultralytics YOLO modellerini uç cihazlara dağıtmak için PyTorch'un birleşik çözümüdür.
-
Google LiteRT: Google tarafından geliştirilen LiteRT (eski adıyla TensorFlow Lite),
.tflitebiçimi için cihaz üzerinde çalışan bir çalışma zamanıdır; tek bir modeli mobil, gömülü, uç cihazlarda ve tarayıcıda (LiteRT.js aracılığıyla) dağıtır. -
Intel OpenVINO: Intel CPU'larında, GPU'larında ve NPU'larında bilgisayarlı görü modellerini optimize edip dağıtmaya yönelik Intel araç seti.
-
NVIDIA TensorRT: NVIDIA tarafından geliştirilen bu yüksek performanslı derin öğrenme çıkarım çerçevesi ve model biçimi, NVIDIA GPU'larında hız ve verimlilik sağlamak için yapay zekâ modellerini optimize eder.
-
ONNX: Başlangıçta Microsoft ve Facebook tarafından geliştirilen bu açık kaynaklı biçim, yapay zekâ modellerini çerçeveler arasında aktarmaya yarar; böylece Ultralytics modelleri farklı çalışma ortamlarında ve donanımlarda taşınabilir.
-
Tencent NCNN: Tencent tarafından geliştirilen NCNN, mobil cihazlar için optimize edilmiş bir sinir ağı çıkarım çerçevesidir. Yapay zekâ modellerini çeşitli mobil platformlardaki uygulamalarda doğrudan çalıştırır.
-
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 bir serileştirme biçimidir; sunuculardan uç cihazlara kadar pek çok platformda paylaşım ve dağıtım olanağı sağlar.
-
TorchScript: PyTorch çerçevesinin bir parçası olarak geliştirilen TorchScript, Python bağımlılıklarına gerek kalmadan makine öğrenimi modellerinin çeşitli üretim ortamlarında verimli biçimde yürütülmesini ve dağıtılmasını sağlar.
Aşağıdaki tabloda her dışa aktarma biçimi, format argümanıyla birlikte listelenmiştir:
| 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, device |
| IMX500 | imx | yolo11n_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, quantize, batch, data, fraction, 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 |
| NXP | nxp | yolo26n_nxp.tflite | ✅ | imgsz, quantize, data, fraction, device |
| ST Edge AI | stedgeai | yolo26n_stedgeai.onnx | ✅ | imgsz, quantize, data, fraction, opset, simplify, device |
nms=None, harici NMS için varsayılan olarak ham çıktılar üretir (YOLO26, Axelera üzerinde NMS içermeyen başlığını korur). Kullanılabilir NMS içermeyen bir başlık seçmek için nms=False değerini ayarla; desteklenmeyen biçimler yerel çıktı yoluna geri döner. Yukarıdaki nms girdileri, nms=True ile NMS gömebilen biçimleri belirtir.
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.
Donanım ve Cihazlar#
-
Ambarella: SpongeTorch sıkıştırma farkındalıklı eğitimi ve çevrimdışı CVflow araç zincirini kullanarak, Ambarella'nın Ultralytics fork'u ile CV72 gibi Ambarella CVflow® SoC'leri için Ultralytics YOLO modellerini eğitin, sıkıştırın ve dışa aktarın.
-
AMD GPU'ları: Ultralytics YOLO'yu ONNX'e aktar ve ONNX Runtime MIGraphX yürütme sağlayıcısı aracılığıyla ROCm üzerinde AMD Instinct ve Radeon GPU'larında GPU hızlandırmalı çıkarım çalıştır; yerel PyTorch ROCm eğitimi de desteklenir.
-
AMD Xilinx: AMD Quark INT8 nicelemesi ve Vitis AI derlemesiyle, AMD Versal AI Edge Series Gen 2 NPU'ları için
format="xilinx"kullanarak Ultralytics YOLO'yu dışa aktar; Zynq, Kria ve VEK280 hedeflerine ilişkin notlar da burada. -
Axelera AI: Ultralytics modellerini verimli uç çıkarımıyla çalıştırmak için Metis hızlandırıcılarını ve Voyager SDK'sını keşfet.
-
DEEPX: Gömülü ve uç yapay zekâ uygulamaları için DEEPX NPU donanımında enerji tasarruflu INT8 çıkarımı hedefleyerek Ultralytics YOLO modellerini DEEPX
.dxnnbiçimine aktar. -
Google Coral Edge TPU: Google tarafından TensorFlow Lite modellerini Edge TPU'larda optimize etmek için geliştirilen bu model biçimi, hızlı ve verimli uç bilişim olanağı sağlar.
-
Raspberry Pi'de Google Coral Edge TPU: Google Edge TPU, Raspberry Pi üzerinde YOLO çıkarımını hızlandırır.
-
Hailo: Ultralytics YOLO algılama, segmentasyon, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz ve OBB modellerini doğrudan Hailo HEF biçimine aktar (YOLO26 segmentasyon, poz ve OBB henüz desteklenmiyor); doğrulanmış modeller ve hedefler için entegrasyon kılavuzuna bak.
-
Huawei Ascend: Ultralytics YOLO modellerini, Atlas ve Orange Pi AIpro cihazlarında FP16 çıkarımı için CANN ATC derleyicisiyle Huawei Ascend
.omçevrimdışı biçimine derle. -
Luxonis OAK: Ultralytics YOLO modellerini Luxonis Hub veya yerel Luxonis araçlarıyla dönüştürün ve modelleri Luxonis OAK
RVC2veRVC4kameralarında cihaz üzerinde çalıştırın. -
MediaTek Dimensity: Ultralytics YOLO'yu LiteRT dışa aktarma seçeneği ve resmî Flutter eklentisiyle MediaTek Dimensity Android telefonlarda dağıt; ölçülmüş CPU, GPU ve prototip NPU sonuçlarından yararlan.
-
NVIDIA DGX Spark: YOLO modellerini NVIDIA DGX Spark cihazlarında dağıtmaya yönelik hızlı başlangıç kılavuzu.
-
NVIDIA Jetson: YOLO modellerini NVIDIA Jetson cihazlarında dağıtmaya yönelik hızlı başlangıç kılavuzu.
-
NXP i.MX95: Kalibrasyonu yapılmış INT8 YOLO modellerini Neutron SDK 3.3.0 ile i.MX95 Neutron NPU için derle.
-
Qualcomm QNN: Snapdragon ve Dragonwing cihazlarının Hexagon NPU'sunda çıkarım için, Ultralytics YOLO modellerini yerel olarak QNN (AI Engine Direct) bağlam ikilisi biçiminde ONNX Runtime QNN Execution Provider ile derle.
-
Raspberry Pi: YOLO modellerini en yeni Raspberry Pi donanımında çalıştırmaya yönelik hızlı başlangıç eğitimi.
-
Rockchip RKNN: Rockchip tarafından geliştirilen RKNN, Rockchip'in donanım platformları ve özellikle NPU'ları için optimize edilmiş bir sinir ağı çıkarım çerçevesidir; uç cihazlarda gerçek zamanlı yapay zekâ çıkarımı sağlar.
-
Seeed Studio reCamera: Seeed Studio tarafından geliştirilen reCamera, gerçek zamanlı bilgisayarlı görü uygulamalarına yönelik bir uç yapay zekâ cihazıdır. RISC-V tabanlı SG200X işlemcisiyle çalışan cihaz, enerji verimli yapay zekâ çıkarımı sunar; modüler tasarımı ve video işleme yetenekleriyle güvenlik izleme, çevresel uygulamalar ve üretim gibi kullanım alanlarına uygundur.
-
Sony IMX500: Hızlı ve düşük güç tüketimli performans için IMX500 sensörlü Raspberry Pi AI Kameralarda Ultralytics YOLOv8n ve YOLO11n modellerini optimize et ve dağıt.
-
ST Edge AI: Ultralytics YOLO'yu
format="stedgeai"ile kayan noktalı veya INT8 ONNX modellerine aktar; STMicroelectronics STM32 cihazlarında doğruluğu bilgisayarında kontrol et ve ST Edge AI Core ile derle.
Sunum ve İşlem Hatları#
-
Intel DL Streamer: DL Streamer ve OpenVINO™ kullanarak Intel Core Ultra Series 3 cihazlarında YOLO26 modellerini dağıtmaya yönelik hızlı başlangıç kılavuzu.
-
NVIDIA DALI: NVIDIA DALI ile YOLO letterbox yeniden boyutlandırma, dolgu ve normalleştirme işlemlerini GPU'da çalıştırarak CPU ön işleme darboğazlarını ortadan kaldır; Triton Inference Server entegrasyonu da dahildir.
-
NVIDIA DeepStream: DeepStream ve TensorRT kullanarak NVIDIA Jetson cihazlarında YOLO modellerini dağıtmaya yönelik hızlı başlangıç kılavuzu.
-
NVIDIA Triton: Ölçeklenebilir ve verimli derin öğrenme çıkarımı dağıtımları için Ultralytics YOLO26'yı NVIDIA Triton Inference Server ile entegre et.
-
ROS: Nokta bulutu ve derinlik görüntüleri dahil olmak üzere robotik uygulamalarında gerçek zamanlı nesne algılama için YOLO'yu Robot İşletim Sistemi (ROS) ile nasıl entegre edeceğini öğren.
Veri ve Eğitim#
-
Albumentations: Modelin sağlamlığını ve genelleme yeteneğini geliştirmek için Ultralytics eğitimi sırasında ek görüntü artırmaları uygula.
-
ClearML: Ultralytics ML iş akışlarını otomatikleştir, deneyleri takip et ve ekip olarak iş birliği yap.
-
Comet: 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.
-
MLflow: Ultralytics modellerinin denemeden ve tekrarlanabilirlikten dağıtıma kadar tüm ML yaşam döngüsünü kolaylaştırın.
-
Ray Tune: Ultralytics modellerin için her ölçekte hiperparametre ayarlaması yap.
-
Roboflow: Görüntülere etiket eklemek için açıklama araçları sunarak Ultralytics modellerinin veri kümesi etiketleme ve yönetim süreçlerini kolaylaştır.
-
TensorBoard: Ultralytics eğitim çalışmalarını görselleştir ve model metriklerini izle.
-
Weights & Biases (W&B): Deneyleri izle, metrikleri görselleştir; Ultralytics projelerinde tekrarlanabilirliği ve iş birliğini destekle.
Bulut ve Not Defterleri#
-
Amazon SageMaker: ML yaşam döngüsü boyunca Ultralytics modellerini tek bir platformda oluşturmak, eğitmek ve dağıtmak için Amazon SageMaker'ı kullan.
-
Google Colab: İş birliğini ve paylaşımı destekleyen bulut tabanlı bir ortamda Ultralytics modellerini eğitmek ve değerlendirmek için Google Colab'ı kullan.
-
Google Vertex AI: YOLO modellerini Docker ile kapsayıcıya alma ve Google Cloud Vertex AI üzerinde dağıtma için kapsamlı bir kılavuz; derleme, gönderme, otomatik ölçeklendirme ve izlemeyi ele alır.
-
IBM watsonx: Ultralytics modellerini IBM watsonx.ai not defterlerinde eğitip değerlendir; veri yönetimi ve model yönetişimi için IBM araçlarını da kullan.
-
JupyterLab: Ultralytics modellerini eğitmek ve değerlendirmek için JupyterLab'ın etkileşimli, özelleştirilebilir ortamını kullan.
-
Kaggle: Önceden yüklenmiş kütüphaneler, GPU desteği ve iş birliği ile paylaşım için etkin bir topluluk sunan bulut tabanlı ortamda Ultralytics modellerini eğitmek ve değerlendirmek için Kaggle'ı nasıl kullanabileceğini keşfet.
-
Microsoft AzureML: Ultralytics YOLO modellerini Microsoft Azure Makine Öğrenimi platformunda kullanmaya başla. Nesne algılama projelerini bulutta eğitmeyi, dağıtmayı ve ölçeklendirmeyi öğren.
-
Modal: Çıkarım ve eğitim iş yükleri için otomatik GPU tahsisi, saniye başına ücretlendirme ve otomatik ölçeklendirme sunan Modal sunucusuz bulut platformunda Ultralytics modellerini çalıştır.
-
Paperspace Gradient: YOLO26 modellerini eğitmek, test etmek ve dağıtmak için Paperspace Gradient bulut GPU'larını ve not defterlerini kullan.
-
Ultralytics Platform: Ultralytics modellerini tarayıcıda eğit, yönet ve dağıt; resmî önceden eğitilmiş modelleri ve veri kümelerini indir.
Geliştirici Araçları#
-
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.
-
Gradio: Gerçek zamanlı, etkileşimli nesne algılama demoları için Ultralytics modellerini Gradio ile dağıt.
-
VS Code: Ultralytics geliştirme iş akışlarını hızlandıran kod parçacıkları ve herkesin öğrenmesine veya başlamasına yardımcı olan örnekler sunan bir VS Code uzantısı.
-
YAML2ModelGraph: Yayına hazır SVG mimari diyagramlarını doğrudan Ultralytics YOLO YAML yapılandırma dosyalarından oluştur.
Entegrasyonlarımıza Katkıda Bulun#
Ultralytics YOLO'yu diğer teknolojiler, araçlar ve platformlarla entegre etmeye yönelik topluluk rehberlerini memnuniyetle karşılıyoruz. YOLO'yu yeni bir sistemle başarıyla entegre ettiysen veya paylaşmaya değer fikirlerin varsa Entegrasyonlar Belgelerimize katkıda bulunmayı düşünebilirsin.
Bir rehber veya öğretici yazarak belgelerimizi genişletmeye ve topluluğa yarar sağlayan gerçek dünya örnekleri sunmaya yardımcı olabilirsin.
Katkıda bulunmak için Pull Request (PR) gönderme talimatlarını katkı rehberimizde izle.
Sık Sorulan Sorular#
Ultralytics Platform, Ultralytics modelleriyle uçtan uca makine öğrenimi iş akışlarına yönelik bulut tabanlı bir platformdur. Veri kümelerini yükleyip etiketleyebilir, modelleri bulut GPU'larında eğitebilir, deneyleri takip edebilir ve kapsamlı kodlama gerektirmeden YOLO modellerini dağıtabilirsin. Platform, veri hazırlığından dağıtıma kadar tüm ML işlem hattın için merkezi bir çalışma alanı sunar.
Evet, izleyebilirsin. MLflow ile Ultralytics modellerini entegre ederek denemeleri izleyebilir, tekrarlanabilirliği artırabilir ve tüm ML yaşam döngüsünü kolaylaştırabilirsin. Bu entegrasyonu kurmaya yönelik ayrıntılı talimatları MLflow entegrasyon sayfasında bulabilirsin. Bu entegrasyon; model metriklerini izlemek, farklı eğitim çalışmalarını karşılaştırmak ve ML iş akışını verimli biçimde yönetmek için özellikle kullanışlıdır. MLflow; parametreleri, metrikleri ve yapıtları günlüğe kaydetmek için merkezi bir platform sunarak model davranışını anlamayı ve veriye dayalı iyileştirmeler yapmayı kolaylaştırır.
Etkileşimli nesne algılama demoları için Ultralytics YOLO modellerini Gradio ile dağıtmak üzere Gradio entegrasyon sayfasında açıklanan adımları izleyebilirsin. Gradio, gerçek zamanlı model çıkarımı için web arayüzleri oluşturur; bu da YOLO modelini hem geliştiricilere hem de son kullanıcılara tanıtmak için Gradio'yu kullanışlı kılar. Birkaç satır kodla modelinin özel girdilerdeki performansını gösteren etkileşimli uygulamalar oluşturabilirsin.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

