Ultralytics Entegrasyonlar
Ultralytics Entegrasyonlar sayfasına hoş geldiniz! Bu sayfa, makine öğrenimi iş akışlarınızı kolaylaştırmak, veri kümesi yönetimini geliştirmek, model eğitimini basitleştirmek ve verimli dağıtımı kolaylaştırmak için tasarlanmış çeşitli araçlar ve platformlarla olan ortaklıklarımıza genel bir bakış sağlar.
İzle: Ultralytics YOLO11 Dağıtımı ve Entegrasyonları
Veri Setleri Entegrasyonları
- Roboflow: Ultralytics modelleri için sorunsuz veri seti yönetimini kolaylaştırarak sağlam açıklama, ön işleme ve artırma yetenekleri sunar.
Eğitim Entegrasyonları
Amazon SageMaker: Ultralytics modellerini verimli bir şekilde oluşturmak, eğitmek ve dağıtmak için Amazon SageMaker'dan yararlanın ve makine öğrenimi yaşam döngüsü için hepsi bir arada bir platform sağlayın.
ClearML: Ultralytics ML iş akışlarınızı otomatikleştirin, deneyleri izleyin ve ekip işbirliğini teşvik edin.
Comet ML: Makine öğrenimi deneylerinizi izleyerek, karşılaştırarak ve optimize ederek Ultralytics ile model geliştirmenizi geliştirin.
DVC: Ultralytics makine öğrenimi projeleriniz için sürüm kontrolü uygulayarak verileri, kodu ve modelleri etkili bir şekilde senkronize edin.
Google Colab: İşbirliği ve paylaşımı destekleyen bulut tabanlı bir ortamda Ultralytics modellerini eğitmek ve değerlendirmek için Google Colab'ı kullanın.
IBM Watsonx: IBM Watsonx'ın son teknoloji yapay zeka araçları, zahmetsiz entegrasyonu ve gelişmiş model yönetim sistemi ile Ultralytics modellerinin eğitimini ve değerlendirilmesini nasıl basitleştirdiğini görün.
JupyterLab: Ultralytics modellerini kolay ve verimli bir şekilde eğitmek ve değerlendirmek için JupyterLab'in etkileşimli ve özelleştirilebilir ortamını nasıl kullanacağınızı öğrenin.
Kaggle: Önceden yüklenmiş kütüphaneler, GPU desteği ve işbirliği ve paylaşım için canlı bir topluluk ile bulut tabanlı bir ortamda Ultralytics modellerini eğitmek ve değerlendirmek için Kaggle'ı nasıl kullanabileceğinizi keşfedin.
MLFlow: Ultralytics modellerinin deneme ve yeniden üretilebilirlikten dağıtıma kadar tüm makine öğrenimi yaşam döngüsünü kolaylaştırın.
Neptune: MLOps için tasarlanmış bu meta veri deposunda Ultralytics ile ML deneylerinizin kapsamlı bir günlüğünü tutun.
Paperspace Gradient: Paperspace Gradient, modellerinizi hızlı bir şekilde eğitmek, test etmek ve dağıtmak için kullanımı kolay bulut araçları sağlayarak YOLO11 projeleri üzerinde çalışmayı basitleştirir.
Ray Tune: Ultralytics modellerinizin hiperparametrelerini her ölçekte optimize edin.
TensorBoard: Ultralytics ML iş akışlarınızı görselleştirin, model metriklerini izleyin ve ekip işbirliğini teşvik edin.
Ultralytics HUB: Önceden eğitilmiş Ultralytics modellerinden oluşan bir topluluğa erişin ve katkıda bulunun.
Weights & Biases (W&B): Deneyleri izleyin, metrikleri görselleştirin ve Ultralytics projelerinde yeniden üretilebilirliği ve işbirliğini teşvik edin.
VS Code: VS Code için Ultralytics ile geliştirme iş akışlarını hızlandırmak için kod parçacıkları sağlayan ve ayrıca Ultralytics'u öğrenmeye veya kullanmaya başlamaya yardımcı olacak örnekler arayan herkes için bir uzantı.
Albümantasyonlar: Model sağlamlığını ve genelleştirmeyi iyileştirmek için Ultralytics modellerinizi güçlü görüntü büyütmeleriyle geliştirin.
SONY IMX500: Optimize edin ve dağıtın Ultralytics YOLOv8 Hızlı, düşük güç performansı için IMX500 sensörlü Raspberry Pi AI Kameralar üzerindeki modeller.
Dağıtım Entegrasyonları
CoreML: CoreMLApple tarafından geliştirilen, makine öğrenimi modellerini iOS, macOS, watchOS ve tvOS'taki uygulamalara verimli bir şekilde entegre etmek için tasarlanmış bir çerçevedir ve etkili ve güvenli model dağıtımı için Apple'ın donanımını kullanır.
Gradio 🚀 YENİ: Gerçek zamanlı, etkileşimli nesne algılama demoları için Ultralytics modellerini Gradio ile dağıtın.
NCNN: Tencent tarafından geliştirilen NCNN , mobil cihazlar için özel olarak tasarlanmış verimli bir sinir ağı çıkarım çerçevesidir. Yapay zeka modellerinin uygulamalara doğrudan dağıtılmasını sağlayarak çeşitli mobil platformlarda performansı optimize eder.
MNN: Alibaba tarafından geliştirilen MNN, son derece verimli ve hafif bir derin öğrenme çerçevesidir. Derin öğrenme modellerinin çıkarımını ve eğitimini destekler ve cihaz üzerinde çıkarım ve eğitim için endüstri lideri performansa sahiptir.
Neural Magic: Quantization Aware Training (QAT) ve budama tekniklerinden yararlanarak Ultralytics modellerini üstün performans ve daha yalın boyut için optimize edin.
ONNX: tarafından oluşturulan açık kaynaklı bir formattır. Microsoft Yapay zeka modellerinin çeşitli çerçeveler arasında aktarımını kolaylaştırmak, Ultralytics modellerinin çok yönlülüğünü ve dağıtım esnekliğini artırmak için.
OpenVINO: Intel'un bilgisayarla görme modellerini çeşitli Intel CPU ve GPU platformlarında verimli bir şekilde optimize etmeye ve dağıtmaya yönelik araç seti.
PaddlePaddle: Baidu'nun açık kaynaklı bir derin öğrenme platformu olan PaddlePaddle , yapay zeka modellerinin verimli bir şekilde dağıtılmasını sağlar ve endüstriyel uygulamaların ölçeklenebilirliğine odaklanır.
TF GraphDef: Tarafından geliştirilmiştir GoogleGraphDef , TensorFlow'un hesaplama grafiklerini temsil etme formatıdır ve makine öğrenimi modellerinin farklı donanımlarda optimize edilmiş şekilde yürütülmesini sağlar.
TF SavedModel: Tarafından geliştirilmiştir Google, TF SavedModel için evrensel bir serileştirme formatıdır. TensorFlow modelleri, sunuculardan uç cihazlara kadar geniş bir platform yelpazesinde kolay paylaşım ve dağıtım sağlar.
TF.js: Tarafından geliştirilen Google Tarayıcılarda ve Node.js'de makine öğrenimini kolaylaştırmak için TF.js ML modellerinin JavaScript tabanlı dağıtımına izin verir.
TFLite: Tarafından geliştirilmiştir GoogleTFLite, makine öğrenimi modellerini mobil ve uç cihazlara dağıtmak için hafif bir çerçevedir ve minimum bellek ayak izi ile hızlı, verimli çıkarım sağlar.
TFLite Edge TPU: Tarafından geliştirilmiştir Google Edge TPU'larda TensorFlow Lite modellerini optimize etmek için bu model formatı yüksek hızlı, verimli edge hesaplama sağlar.
TensorRT: Tarafından geliştirilmiştir NVIDIABu yüksek performanslı derin öğrenme çıkarım çerçevesi ve model formatı, yapay zeka modellerini NVIDIA GPU'larda hızlandırılmış hız ve verimlilik için optimize ederek kolaylaştırılmış dağıtım sağlar.
TorchScript: Projenin bir parçası olarak geliştirilen PyTorch çerçevesi olan TorchScript , Python bağımlılıklarına ihtiyaç duymadan çeşitli üretim ortamlarında makine öğrenimi modellerinin verimli bir şekilde yürütülmesini ve dağıtılmasını sağlar.
Dışa Aktarma Biçimleri
Ayrıca, farklı ortamlarda dağıtım için çeşitli model dışa aktarma formatlarını da destekliyoruz. İşte mevcut formatlar:
| Biçim | format Tartışma | Model | Metadata | Argümanlar |
|---|---|---|---|---|
| PyTorch | - | yolo11n.pt | ✅ | - |
| TorchScript | torchscript | yolo11n.torchscript | ✅ | imgsz, optimize, batch |
| ONNX | onnx | yolo11n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, batch |
| OpenVINO | openvino | yolo11n_openvino_model/ | ✅ | imgsz, half, int8, batch |
| TensorRT | engine | yolo11n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, batch |
| CoreML | coreml | yolo11n.mlpackage | ✅ | imgsz, half, int8, nms, batch |
| TF SavedModel | saved_model | yolo11n_saved_model/ | ✅ | imgsz, keras, int8, batch |
| TF GraphDef | pb | yolo11n.pb | ❌ | imgsz, batch |
| TF Lite | tflite | yolo11n.tflite | ✅ | imgsz, half, int8, batch |
| TF Kenar TPU | edgetpu | yolo11n_edgetpu.tflite | ✅ | imgsz |
| TF.js | tfjs | yolo11n_web_model/ | ✅ | imgsz, half, int8, batch |
| PaddlePaddle | paddle | yolo11n_paddle_model/ | ✅ | imgsz, batch |
| MNN | mnn | yolo11n.mnn | ✅ | imgsz, batch, int8, half |
| NCNN | ncnn | yolo11n_ncnn_model/ | ✅ | imgsz, half, batch |
| IMX500 | imx | yolo11n_imx_model/ | ✅ | imgsz, int8 |
Her bir entegrasyon hakkında daha fazla bilgi edinmek ve Ultralytics ile bunlardan en iyi şekilde nasıl yararlanabileceğinizi öğrenmek için bağlantıları keşfedin. Tamamı görün export detaylar İhracat Sayfa.
Entegrasyonlarımıza Katkıda Bulunun
Topluluğun Ultralytics YOLO adresini diğer teknolojiler, araçlar ve platformlarla nasıl entegre ettiğini görmekten her zaman heyecan duyuyoruz! YOLO 'u yeni bir sistemle başarılı bir şekilde entegre ettiyseniz veya paylaşacak değerli bilgileriniz varsa, Entegrasyon Belgelerimize katkıda bulunmayı düşünün.
Bir kılavuz veya öğretici yazarak, belgelerimizin genişletilmesine yardımcı olabilir ve topluluğa fayda sağlayan gerçek dünya örnekleri sağlayabilirsiniz. Bu, Ultralytics YOLO çevresinde büyüyen ekosisteme katkıda bulunmanın mükemmel bir yoludur.
Katkıda bulunmak için lütfen 🛠️ adresinden nasıl Çekme İsteği (PR) gönderileceğine ilişkin talimatlar için Katkıda Bulunma Kılavuzumuza göz atın. Katkılarınızı sabırsızlıkla bekliyoruz!
Ultralytics YOLO ekosistemini daha geniş ve zengin özelliklere sahip hale getirmek için işbirliği yapalım 🙏!
SSS
Ultralytics HUB nedir ve makine öğrenimi iş akışını nasıl kolaylaştırır?
Ultralytics HUB, Ultralytics modellerine yönelik makine öğrenimi (ML) iş akışlarını sorunsuz ve verimli hale getirmek için tasarlanmış bulut tabanlı bir platformdur. Bu aracı kullanarak, kapsamlı kodlama becerilerine ihtiyaç duymadan veri kümelerini kolayca yükleyebilir, modelleri eğitebilir, gerçek zamanlı izleme gerçekleştirebilir ve YOLO11 modellerini dağıtabilirsiniz. Temel özellikleri Ultralytics HUB sayfasında keşfedebilir ve Hızlı Başlangıç kılavuzumuzla hızlı bir şekilde başlayabilirsiniz.
Veri kümesi yönetimi için Ultralytics YOLO modellerini Roboflow ile nasıl entegre edebilirim?
Ultralytics YOLO modellerini Roboflow ile entegre etmek, açıklama, ön işleme ve büyütme için sağlam araçlar sağlayarak veri kümesi yönetimini geliştirir. Başlamak için, aşağıdaki adımları izleyin Roboflow entegrasyon sayfası. Bu ortaklık, doğru ve sağlam YOLO modelleri geliştirmek için çok önemli olan verimli veri kümesi işlemeyi sağlar.
MLFlow kullanarak Ultralytics modellerimin performansını takip edebilir miyim?
Evet, yapabilirsiniz. MLFlow'u Ultralytics modelleriyle entegre etmek deneyleri izlemenize, tekrarlanabilirliği artırmanıza ve tüm ML yaşam döngüsünü kolaylaştırmanıza olanak tanır. Bu entegrasyonun kurulumuna ilişkin ayrıntılı talimatları MLFlow entegrasyon sayfasında bulabilirsiniz. Bu entegrasyon özellikle model metriklerini izlemek ve ML iş akışını verimli bir şekilde yönetmek için kullanışlıdır.
YOLO11 model optimizasyonu için Neural Magic kullanmanın faydaları nelerdir?
Neural Magic Quantization Aware Training (QAT) ve budama gibi tekniklerden yararlanarak YOLO11 modellerini optimize eder ve kaynak sınırlı donanımlarda daha iyi performans gösteren yüksek verimli, daha küçük modeller elde edilmesini sağlar. Göz atın Neural Magic entegrasyon sayfasını ziyaret ederek üstün performans ve daha yalın modeller için bu optimizasyonların nasıl uygulanacağını öğrenebilirsiniz. Bu, özellikle uç cihazlarda dağıtım için faydalıdır.
Etkileşimli demolar için Gradio ile Ultralytics YOLO modellerini nasıl dağıtabilirim?
Etkileşimli nesne algılama demoları için Gradio ile Ultralytics YOLO modellerini dağıtmak için Gradio entegrasyon sayfasında özetlenen adımları takip edebilirsiniz. Gradio, gerçek zamanlı model çıkarımı için kullanımı kolay web arayüzleri oluşturmanıza olanak tanıyarak YOLO modelinizin yeteneklerini hem geliştiricilere hem de son kullanıcılara uygun kullanıcı dostu bir biçimde sergilemek için mükemmel bir araç haline getirir.
Bu yaygın soruları ele alarak, kullanıcı deneyimini geliştirmeyi ve Ultralytics ürünlerinin güçlü yetenekleri hakkında değerli bilgiler sağlamayı amaçlıyoruz. Bu SSS'lerin dahil edilmesi yalnızca dokümantasyonu geliştirmekle kalmayacak, aynı zamanda Ultralytics web sitesine daha fazla organik trafik çekecektir.
