Ultralytics Entegrasyonları#
Ultralytics Entegrasyonlar sayfasına hoş geldin! Bu sayfa, machine learning iş akışlarını kolaylaştırmak, veri seti yönetimini geliştirmek, model eğitimini basitleştirmek ve verimli dağıtımı kolaylaştırmak için tasarlanmış çeşitli araç ve platformlarla ortaklıklarımıza genel bir bakış sunar.
Watch: Ultralytics YOLO Deployment and Integrations
Eğitim Entegrasyonları#
-
Albumentations: Model sağlamlığını ve genellemesini iyileştirmek için güçlü görüntü artırımlarıyla Ultralytics modellerini geliştir.
-
Amazon SageMaker: ML yaşam döngüsü için hep bir arada bir platform sağlayarak Ultralytics modellerini verimli bir şekilde oluşturmak, eğitmek ve dağıtmak için Amazon SageMaker'dan yararlan.
-
AMD: MIGraphX, DirectML ve Ryzen AI NPU kullanılabilirliğinin net bir dökümüyle, PyTorch ROCm kullanan desteklenen AMD GPU'larda Ultralytics modellerini eğit, doğrula ve çalıştır.
-
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 geliştirmeni geliştir.
-
DVC: Verileri, kodu ve modelleri etkin 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'ı kullan.
-
IBM Watsonx: IBM Watsonx'in son teknoloji AI araçları, zahmetsiz entegrasyonu ve gelişmiş model yönetim sistemi ile Ultralytics modellerinin eğitimini ve değerlendirmesini nasıl basitleştirdiğini gör.
-
JupyterLab: Ultralytics modellerini kolaylık ve verimlilikle eğitmek ve değerlendirmek için JupyterLab'ın etkileşimli ve özelleştirilebilir ortamının nasıl kullanılacağını keşfet.
-
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 sağlama, saniye başına fiyatlandırma ve çıkarım ile eğitim iş yükleri için sorunsuz ölçeklendirme ile Ultralytics modellerini Modal'ın sunucusuz bulut platformunda çalıştır.
-
MLFlow: Deneme ve tekrarlanabilirlikten dağıtıma kadar Ultralytics modellerinin tüm ML yaşam döngüsünü modernize et.
-
Neptune: MLOps için tasarlanmış bu meta veri mağazasında Ultralytics ile ML deneylerinin kapsamlı bir günlüğünü 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 teşvik et.
-
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 uzantısı.
-
Weights & Biases (W&B): Ultralytics projelerinde deneyleri izle, metrikleri görselleştir, tekrarlanabilirliği ve iş birliğini teşvik et.
-
YAML2ModelGraph: Doğrudan Ultralytics YOLO YAML yapılandırma dosyalarından yayına hazır SVG mimari diyagramları oluştur.
Dağıtım Entegrasyonları#
-
Ambarella: SpongeTorch sıkıştırma bilincine sahip eğitim ve çevrimdışı CVflow araç zincirini kullanarak CV72 gibi Ambarella CVflow® SoC'leri için Ultralytics YOLO modellerini eğit, sıkıştır ve dışa aktar.
-
Axelera: Verimli uç çıkarımla Ultralytics modellerini çalıştırmak için Metis hızlandırıcılarını ve Voyager SDK'yı keşfet.
-
Core AI: Apple'ın yeni
.aimodelformatı hakkında bilgi edin, Core AI'ın Core ML ile nasıl karşılaştırıldığını, mevcut sınırlamalarını ve iOS 27 ile macOS 27 nesli için planlanan Ultralytics entegrasyonunu öğren. -
CoreML: Apple tarafından geliştirilen CoreML, etkili ve güvenli model deployment 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 AI uygulamalarını hedefleyerek DEEPX NPU donanımında güç tasarruflu INT8 çıkarımı için Ultralytics YOLO modellerini DEEPX
.dxnnformatına dışa aktar. -
ExecuTorch: Meta tarafından geliştirilen ExecuTorch, Ultralytics YOLO modellerini uç cihazlarda dağıtmak için PyTorch'un birleşik çözümüdür.
-
Gradio: Gerçek zamanlı, etkileşimli nesne tespiti demoları için Ultralytics modellerini Gradio ile dağıt.
-
Hailo: Ultralytics YOLO tespiti, segmentasyonu, anlamsal segmentasyonu, derinlik tahmini, sınıflandırması, pozu ve OBB modellerini doğrudan Hailo HEF'e dışa aktar; doğrulanmış modeller ve hedefler için entegrasyon kılavuzuna göz at.
-
Huawei Ascend: Atlas ve OrangePi AIPro cihazlarında FP16 çıkarımı için CANN ATC derleyicisi ile Ultralytics YOLO modellerini Huawei Ascend
.omçevrimdışı formatına derle. -
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 sektör lideri performansa sahiptir.
-
NCNN: Tencent tarafından geliştirilen NCNN, mobil cihazlar için uyarlanmış verimli bir neural network çıkarım çerçevesidir. Çeşitli mobil platformlarda performansı optimize ederek yapay zeka modellerinin doğrudan uygulamalara dağıtılmasını sağlar.
-
Neural Magic: Üstün performans ve daha yalın boyut için Ultralytics modellerini optimize etmek amacıyla Nicemleme Bilinçli Eğitim (QAT) ve budama tekniklerinden yararlan.
-
ONNX: Yapay zeka modellerinin çeşitli çerçeveler arasında aktarımını kolaylaştırmak, Ultralytics modellerinin çok yönlülüğünü ve dağıtım esnekliğini artırmak için Microsoft tarafından oluşturulan açık kaynaklı bir format.
-
OpenVINO: Intel'in computer vision modellerini çeşitli Intel CPU ve GPU platformlarında verimli bir şekilde optimize etmek ve dağıtmak için kullandığı araç setidir.
-
PaddlePaddle: Baidu tarafından sunulan açık kaynaklı bir derin öğrenme platformu olan PaddlePaddle, yapay zeka modellerinin verimli bir şekilde dağıtılmasını sağlar ve endüstriyel uygulamaların ölçeklenebilirliğine odaklanır.
-
Qualcomm QNN: Mobil ve uç cihazlardaki Snapdragon CPU, Adreno GPU ve Hexagon NPU donanımlarında hızlandırılmış çıkarım için ONNX Runtime QNN Yürütme Sağlayıcısı ile Ultralytics YOLO modellerini yerel olarak QNN (AI Engine Direct) bağlam ikili formatına 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 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 işlemci tarafından desteklenen bu cihaz, enerji verimliliğiyle yüksek performanslı yapay zeka çıkarımı sunar. Modüler tasarımı, gelişmiş video işleme yetenekleri ve esnek dağıtım desteği; onu güvenlik izleme, çevresel uygulamalar ve üretim dahil olmak üzere çeşitli kullanım senaryoları için ideal bir seçim haline getirir.
-
SONY IMX500: Hızlı, düşük güç tüketimli performans için IMX500 sensörlü Raspberry Pi AI Kameralarında Ultralytics YOLO26 modellerini optimize et ve dağıt.
-
TensorRT: NVIDIA tarafından geliştirilen bu yüksek performanslı deep learning çıkarım çerçevesi ve model formatı, akıcı dağıtım sağlayarak NVIDIA GPU'larda hızlandırılmış hız ve verimlilik için yapay zeka modellerini optimize eder.
-
TF GraphDef: Google tarafından geliştirilen GraphDef, makine öğrenimi modellerinin farklı donanımlarda optimize edilmiş yürütülmesini sağlayan TensorFlow'un hesaplama grafiklerini temsil etme formatıdır.
-
TF SavedModel: Google tarafından geliştirilen TF SavedModel, sunuculardan uç cihazlara kadar geniş bir yelpazedeki platformlarda kolay paylaşım ve dağıtım sağlayarak TensorFlow modelleri için evrensel bir serileştirme formatıdır.
-
TFLite Edge TPU: TensorFlow Lite modellerini Edge TPU'larda optimize etmek için Google tarafından geliştirilen bu model formatı, yüksek hızlı ve verimli edge computing sağlar.
-
LiteRT: Google tarafından geliştirilen LiteRT (eski adıyla TensorFlow Lite), tek bir modeli mobil, gömülü, uç ve tarayıcıda (LiteRT.js aracılığıyla) dağıtan
.tfliteformatı için cihaz üstü çalışma zamanıdır. -
TorchScript: PyTorch çerçevesinin bir parçası olarak geliştirilen TorchScript, Python bağımlılıklarına ihtiyaç duymadan makine öğrenimi modellerinin çeşitli üretim ortamlarında verimli bir şekilde yürütülmesini ve dağıtılmasını sağlar.
Veri Kümesi Entegrasyonları#
- Roboflow: Görüntüleri etiketlemek için açıklama araçları sunarak Ultralytics modelleri için veri seti etiketlemeyi ve yönetimini kolaylaştır.
Dışa Aktarma Formatları#
Ayrıca farklı ortamlarda dağıtım için çeşitli model dışa aktarma formatlarını destekliyoruz. İşte mevcut formatlar:
| Format | format Argümanı | Model | Meta veriler | Argümanlar |
|---|---|---|---|---|
| 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 |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, 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 |
| 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 |
| LiteRT | litert | yolo26n.tflite | ✅ | imgsz, quantize, batch, data, fraction, device |
| Hailo | hailo | yolo26n_hailo_model/ | ✅ | imgsz, name, quantize, data, fraction, simplify, conf, iou |
| Huawei Ascend | ascend | yolo26n_ascend_model/ | ✅ | imgsz, batch, name, quantize, opset, simplify, nms |
Her bir entegrasyon hakkında daha fazla bilgi edinmek ve Ultralytics ile bunlardan en iyi şekilde nasıl yararlanabileceğinizi öğrenmek için bağlantıları keşfet. Tam export detaylarını Export sayfasında bulabilirsin.
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 içgörülere sahipsen, contributing to our Integrations Docs yapmayı değerlendir.
Bir rehber veya eğitim yazarak dokümantasyonumuzu genişletmemize ve topluluğa fayda sağlayan gerçek dünya örnekleri sunmamıza yardımcı olabilirsin. Bu, Ultralytics YOLO etrafında büyüyen ekosisteme katkıda bulunmanın mükemmel bir yoludur.
Katkıda bulunmak için bir Pull Request (PR) 🛠️ gönderme talimatları adına lütfen Contributing Guide göz at. Katkılarını sabırsızlıkla bekliyoruz!
Ultralytics YOLO ekosistemini daha kapsamlı ve özellik açısından zengin hale getirmek için iş birliği yapalım 🙏!
SSS#
Ultralytics Platform, Ultralytics modelleri için makine öğrenimi iş akışlarını sorunsuz ve verimli hale getirmek için tasarlanmış bulut tabanlı bir platformdur. Bu aracılığıyla kapsamlı kodlama becerilerine ihtiyaç duymadan kolayca veri setleri yükleyebilir, modeller eğitebilir, gerçek zamanlı izleme gerçekleştirebilir ve YOLO modelleri dağıtabilirsin. Platform, veri hazırlamadan dağıtıma kadar tüm ML boru hattını yönetebileceğin merkezi bir çalışma alanı görevi görür. Temel özellikleri Ultralytics Platform sayfasında keşfedebilir ve Quickstart kılavuzumuzla hızlı bir şekilde başlayabilirsin.
Evet, yapabilirsin. MLFlow entegrasyonunu Ultralytics modelleriyle kullanmak; deneyleri takip etmeni, tekrarlanabilirliği artırmanı ve tüm ML yaşam döngüsünü modernize etmeni sağlar. Bu entegrasyonu kurmak için ayrıntılı talimatlar MLFlow entegrasyon sayfasında bulunabilir. Bu entegrasyon özellikle model metriklerini izlemek, farklı eğitim çalıştırmalarını 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.
Neural Magic, Nicemleme Bilinçli Eğitim (QAT) ve budama gibi tekniklerden yararlanarak YOLO26 modellerini optimize eder; bu sayede kaynak kısıtlı donanımlarda daha iyi performans gösteren, son derece verimli ve daha küçük modeller elde edilir. Üstün performans ve daha yalın modeller için bu optimizasyonların nasıl uygulanacağını öğrenmek adına Neural Magic entegrasyon sayfasına göz at. Bu, özellikle hesaplama kaynaklarının kısıtlı olduğu uç cihazlara dağıtım için oldukça faydalıdır. Neural Magic'in DeepSparse motoru, CPU'larda 6 kata kadar daha hızlı çıkarım sağlayarak özel donanıma ihtiyaç duymadan karmaşık modelleri çalıştırmayı mümkün kılar.
Ultralytics YOLO modellerini etkileşimli object detection demoları için Gradio ile dağıtmak adına Gradio entegrasyon sayfasında özetlenen adımları takip edebilirsin. Gradio, gerçek zamanlı model çıkarımı için kullanımı kolay web arayüzleri oluşturmana olanak tanır; bu da onu hem geliştiriciler hem de son kullanıcılar için uygun, kullanıcı dostu bir formatta YOLO modelinin yeteneklerini sergilemek için mükemmel bir araç haline getirir. Yalnızca birkaç satır kodla, modelinin özel girdiler üzerindeki performansını gösteren etkileşimli uygulamalar oluşturabilir, bilgisayarlı görü çözümlerinin daha iyi anlaşılmasını ve değerlendirilmesini kolaylaştırabilirsin.