Ultralytics Entegrasyonları#

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

Eğitim Entegrasyonları#

• Agent Skills: Claude Code, Codex, Cursor ve Gemini CLI gibi yapay zekâ kodlama aracılarını; veri kümeleri, eğitim, çıkarım ve dışa aktarmayı kapsayan resmî becerilerle eksiksiz Ultralytics YOLO iş akışı konusunda eğit.

• Albumentations: Model sağlamlığını ve genelleştirme yeteneğini geliştirmek için güçlü görüntü artırma teknikleriyle Ultralytics modellerini iyileştir.

• Amazon SageMaker: ML yaşam döngüsü için hepsi bir arada bir platform sunan Amazon SageMaker ile Ultralytics modellerini verimli şekilde oluştur, eğit ve dağıt.

• AMD: PyTorch ROCm ile desteklenen AMD GPU'larında Ultralytics modellerini eğit, doğrula ve çalıştır; MIGraphX, DirectML ve Ryzen AI NPU kullanılabilirliğine ilişkin net bir döküm edin.

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

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

• DVC: Ultralytics makine öğrenimi projelerinde sürüm denetimi uygulayarak veri, kod ve modelleri etkili şekilde senkronize et.

• 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 değerlendirmesini nasıl basitleştirdiğini gör.

• JupyterLab: Ultralytics modellerini kolayca ve verimli 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 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'in sunucusuz bulut platformunda Ultralytics modellerini çalıştır.

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

• Paperspace Gradient: Paperspace Gradient, modellerini hızlıca eğitmek, test etmek ve dağıtmak için kullanımı kolay bulut araçları sunarak YOLO26 projeleriyle çalışmayı basitleştirir.

• Ray Tune: Ultralytics modellerinin hiperparametrelerini her ölçekte optimize et.

• TensorBoard: Ultralytics ML iş akışlarını görselleştir, model metriklerini izle ve ekip iş birliğini geliştir.

• Ultralytics Platform: Tarayıcıda Ultralytics modellerini eğit, yönet ve dağıt, ayrıca resmi önceden eğitilmiş modelleri ve veri kümelerini indir.

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

• Weights & Biases (W&B): Ultralytics projelerinde deneyleri izle, metrikleri görselleştir, yeniden üretilebilirliği ve iş birliğini destekle.

• YAML2ModelGraph: Doğrudan Ultralytics YOLO YAML yapılandırma dosyalarından yayına hazır SVG mimari diyagramları oluştur.

Dağıtım Entegrasyonları#

• Ambarella: SpongeTorch sıkıştırma farkındalıklı eğitimi ve çevrimdışı CVflow araç zincirini kullanarak Ultralytics YOLO modellerini CV72 gibi Ambarella CVflow® SoC'leri için eğit, sıkıştır ve dışa aktar.

• Axelera: Verimli uç çıkarımıyla Ultralytics modellerini çalıştırmak için Metis hızlandırıcılarını ve Voyager SDK'sını keşfet.

• Core AI: Apple'ın yeni .aimodel biçimi, Core AI'ın Core ML ile karşılaştırması, mevcut sınırlamaları ve iOS 27 ile macOS 27 nesli için format="coreai" kullanarak YOLO26 modellerinin nasıl dışa aktarılacağı hakkında bilgi edin.

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

• DEEPX: Gömülü ve uç yapay zekâ uygulamalarını hedefleyerek, Ultralytics YOLO modellerini DEEPX NPU donanımında güç tasarruflu INT8 çıkarımı için DEEPX .dxnn biçimine aktar.

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

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

• Hailo için Ultralytics YOLO algılama, segmentasyon, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz ve OBB modellerini doğrudan Hailo HEF'e aktar; doğrulanmış modeller ve hedefler için entegrasyon kılavuzuna bak.

• Huawei Ascend: Ultralytics YOLO modellerini, Atlas ve OrangePi AIPro cihazlarında FP16 çıkarımı için CANN ATC derleyicisiyle Huawei Ascend .om çevrimdışı biçiminde derle.

• Luxonis: Luxonis Hub veya yerel Luxonis araçları ile Ultralytics YOLO modellerini dönüştür ve bunları Luxonis OAK RVC2 ve RVC4 kameralarında cihaz üstünde çalıştır.

• 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 sektörde öncü performans sunar.

• NCNN: Tencent tarafından geliştirilen NCNN, mobil cihazlar için tasarlanmış verimli bir sinir ağı çıkarım çerçevesidir. Yapay zekâ modellerinin doğrudan uygulamalara dağıtılmasını sağlayarak çeşitli mobil platformlarda performansı optimize eder.

• Neural Magic: Üstün performans ve daha küçük boyut elde etmek için Kuantizasyon Farkındalıklı Eğitim (QAT) ve budama tekniklerinden yararlanarak Ultralytics modellerini optimize et.

• ONNX: Microsoft tarafından oluşturulan, yapay zekâ modellerinin çeşitli çerçeveler arasında aktarılmasını kolaylaştıran ve Ultralytics modellerinin çok yönlülüğünü ve dağıtım esnekliğini artıran açık kaynaklı bir biçimdir.

• OpenVINO: Bilgisayarlı görü modellerini çeşitli Intel CPU ve GPU platformlarında verimli bir şekilde optimize edip dağıtmak için Intel'in araç setidir.

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

• Qualcomm QNN: Ultralytics YOLO modellerini, mobil ve uç cihazlardaki Snapdragon CPU, Adreno GPU ve Hexagon NPU donanımlarında hızlandırılmış çıkarım için ONNX Runtime QNN Execution Provider ile yerel olarak QNN (AI Engine Direct) context-binary biçiminde derle.

• Rockchip RKNN: Rockchip tarafından geliştirilen RKNN, Rockchip'in donanım platformları, özellikle de NPU'ları için optimize edilmiş özel bir sinir ağı çıkarım çerçevesidir. Yapay zekâ modellerinin uç cihazlarda verimli bir şekilde dağıtılmasını kolaylaştırarak gerçek zamanlı uygulamalarda yüksek performanslı çıkarım sağlar.

• 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 işlemci tarafından desteklenen cihaz, enerji verimliliğiyle yüksek performanslı yapay zekâ çıkarımı sunar. Modüler tasarımı, gelişmiş video işleme yetenekleri ve esnek dağıtım desteği; güvenlik izleme, çevresel uygulamalar ve üretim dâhil olmak üzere çeşitli kullanım alanları için onu ideal bir seçenek hâline getirir.

• SONY IMX500: Hızlı ve düşük güç tüketimli performans için Ultralytics YOLO26 modellerini IMX500 sensörlü Raspberry Pi AI Cameras üzerinde optimize edip dağıt.

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

• TF GraphDef: Google tarafından geliştirilen GraphDef, hesaplama grafiklerini temsil etmek için TensorFlow'un kullandığı biçimdir ve makine öğrenimi modellerinin çeşitli donanımlarda optimize edilmiş şekilde çalıştırılmasını sağlar.

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

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

• LiteRT: Google tarafından geliştirilen LiteRT (eski adıyla TensorFlow Lite), .tflite biçimi için cihaz üzerinde çalışan bir çalışma zamanıdır ve tek bir modeli mobil, gömülü, uç ve tarayıcı ortamlarında (LiteRT.js aracılığıyla) dağıtır.

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

Veri Kümesi Entegrasyonları#

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

Dışa Aktarma Biçimleri#

Farklı ortamlarda dağıtım için çeşitli model dışa aktarma biçimlerini de destekliyoruz. Kullanılabilir biçimler şunlardır:

nms=None, harici NMS için varsayılan olarak ham çıktıları kullanır. Mevcut bir NMS'siz başlığı seçmek için nms=False değerini ayarla; desteklenmeyen formatlar yerel çıktı yollarına geri döner. Yukarıdaki nms girdileri, NMS'yi nms=True ile gömebilen formatları tanımlar.

Her entegrasyon hakkında daha fazla bilgi edinmek ve bunlardan Ultralytics ile en iyi şekilde yararlanmak için bağlantıları keşfet. Export sayfasında export ayrıntılarının tamamına bak.

Entegrasyonlarımıza Katkıda Bulun#

Topluluğun Ultralytics YOLO'yu diğer teknolojiler, araçlar ve platformlarla nasıl entegre ettiğini görmek bizi her zaman heyecanlandırıyor! YOLO'yu yeni bir sistemle başarıyla entegre ettiysen veya paylaşabileceğin değerli içgörüler varsa Entegrasyon Belgelerimize katkıda bulunmayı düşün.

Bir kılavuz veya öğretici yazarak belgelerimizi genişletmeye ve topluluğa fayda sağlayacak gerçek dünya örnekleri sunmaya yardımcı olabilirsin. Bu, Ultralytics YOLO çevresinde büyüyen ekosisteme katkıda bulunmanın mükemmel bir yoludur.

Katkıda bulunmak için Pull Request (PR) gönderme talimatları için Katkıda Bulunma Kılavuzumuza göz at 🛠️. Katkılarını sabırsızlıkla bekliyoruz!

Ultralytics YOLO ekosistemini daha kapsamlı ve zengin özelliklere sahip hâle getirmek için birlikte çalışalım 🙏!

SSS#