Tích hợp Ultralytics#

Chào mừng bạn đến với trang Tích hợp Ultralytics! Trang này tổng quan về quan hệ đối tác của chúng tôi với nhiều công cụ và nền tảng, được thiết kế để tinh giản quy trình machine learning, cải thiện khả năng quản lý dataset, đơn giản hóa quá trình huấn luyện model và hỗ trợ triển khai hiệu quả.

Tích hợp huấn luyện#

• Agent Skills: Hướng dẫn các AI coding agent như Claude Code, Codex, Cursor và Gemini CLI thực hiện toàn bộ quy trình Ultralytics YOLO bằng các skill chính thức, bao quát dataset, huấn luyện, suy luận và export.

• Albumentations: Tăng cường model Ultralytics bằng các kỹ thuật augmentation ảnh mạnh mẽ để cải thiện độ bền vững và khả năng tổng quát hóa của model.

• Amazon SageMaker: Tận dụng Amazon SageMaker để xây dựng, huấn luyện và triển khai model Ultralytics hiệu quả, với một nền tảng tất-cả-trong-một cho vòng đời ML.

• ClearML: Tự động hóa quy trình ML của Ultralytics, theo dõi thử nghiệm và thúc đẩy cộng tác nhóm.

• Comet ML: Cải thiện quá trình phát triển model với Ultralytics bằng cách tracking, so sánh và tối ưu hóa các thử nghiệm machine learning.

• DVC: Triển khai version control cho các dự án machine learning của Ultralytics, đồng bộ hóa dữ liệu, code và model một cách hiệu quả.

• Google Colab: Sử dụng Google Colab để huấn luyện và đánh giá model Ultralytics trong môi trường cloud hỗ trợ cộng tác và chia sẻ.

• IBM Watsonx: Tìm hiểu cách IBM Watsonx đơn giản hóa việc huấn luyện và đánh giá model Ultralytics nhờ các công cụ AI tiên tiến, khả năng tích hợp dễ dàng và hệ thống quản lý model nâng cao.

• JupyterLab: Tìm hiểu cách sử dụng môi trường tương tác, có thể tùy chỉnh của JupyterLab để huấn luyện và đánh giá model Ultralytics dễ dàng, hiệu quả.

• Kaggle: Khám phá cách sử dụng Kaggle để huấn luyện và đánh giá model Ultralytics trong môi trường cloud có sẵn thư viện, hỗ trợ GPU và cộng đồng sôi nổi để cộng tác, chia sẻ.

• Modal: Chạy model Ultralytics trên nền tảng cloud serverless của Modal với khả năng cấp phát GPU tự động, tính phí theo giây và mở rộng liền mạch cho workload suy luận và huấn luyện.

• MLFlow: Tinh giản toàn bộ vòng đời ML của model Ultralytics, từ thử nghiệm và khả năng tái lập đến triển khai.

• Paperspace Gradient: Paperspace Gradient giúp đơn giản hóa quá trình làm việc với các dự án YOLO26 bằng cách cung cấp công cụ cloud dễ sử dụng để huấn luyện, kiểm thử và triển khai nhanh model.

• Ray Tune: Tối ưu hóa siêu tham số của model Ultralytics ở mọi quy mô.

• TensorBoard: Trực quan hóa quy trình ML của Ultralytics, theo dõi metric của model và thúc đẩy cộng tác nhóm.

• Ultralytics Platform: Huấn luyện, quản lý và triển khai model Ultralytics trên trình duyệt, đồng thời tải xuống model pretrained và dataset chính thức.

• VS Code: Extension cho VS Code cung cấp code snippet để tăng tốc quy trình phát triển Ultralytics và đưa ra ví dụ giúp mọi người học hoặc bắt đầu.

• Weights & Biases (W&B): Theo dõi thử nghiệm, trực quan hóa metric và thúc đẩy khả năng tái lập cũng như cộng tác trong các dự án Ultralytics.

• YAML2ModelGraph: Tạo sơ đồ kiến trúc SVG sẵn sàng cho xuất bản trực tiếp từ file cấu hình YAML của Ultralytics YOLO.

Tích hợp triển khai#

• Ambarella: Huấn luyện, nén và export model Ultralytics YOLO cho SoC Ambarella CVflow® như CV72 bằng phương pháp huấn luyện có nhận biết nén SpongeTorch và toolchain CVflow offline.

• AMD: Export Ultralytics YOLO sang ONNX và chạy suy luận tăng tốc GPU trên GPU AMD Instinct và Radeon thông qua execution provider ONNX Runtime MIGraphX trên ROCm; đồng thời hỗ trợ huấn luyện PyTorch ROCm gốc.

• AMD Xilinx: Export Ultralytics YOLO bằng format="xilinx" cho NPU dòng AMD Versal AI Edge Series Gen 2 sử dụng AMD Quark và Vitis AI; hướng dẫn này giới thiệu các thiết bị Zynq, Kria và Versal, bộ tăng tốc DPU so với NPU, cùng khả năng hỗ trợ operator YOLO.

• Axelera: Khám phá accelerator Metis và Voyager SDK để chạy model Ultralytics với suy luận biên hiệu quả.

• Core AI: Tìm hiểu định dạng .aimodel mới của Apple, cách Core AI so sánh với Core ML, những hạn chế hiện tại và cách export model YOLO26 bằng format="coreai" cho thế hệ iOS 27 và macOS 27.

• CoreML: CoreML, do Apple phát triển, là framework được thiết kế để tích hợp hiệu quả model machine learning vào ứng dụng trên iOS, macOS, watchOS và tvOS, sử dụng phần cứng của Apple để triển khai model hiệu quả và an toàn.

• DEEPX: Export model Ultralytics YOLO sang định dạng .dxnn của DEEPX để suy luận INT8 tiết kiệm điện trên phần cứng NPU DEEPX, hướng đến ứng dụng AI nhúng và AI biên.

• ExecuTorch: Do Meta phát triển, ExecuTorch là giải pháp hợp nhất của PyTorch để triển khai model Ultralytics YOLO trên thiết bị biên.

• Gradio: Triển khai model Ultralytics với Gradio để tạo bản demo phát hiện đối tượng tương tác theo thời gian thực.

• Hailo: Export trực tiếp model Ultralytics YOLO về phát hiện, phân đoạn, phân đoạn ngữ nghĩa, ước tính độ sâu, phân loại, tư thế và OBB sang Hailo HEF; xem hướng dẫn tích hợp để biết các model và mục tiêu đã được xác thực.

• Huawei Ascend: Biên dịch model Ultralytics YOLO sang định dạng offline .om của Huawei Ascend bằng trình biên dịch CANN ATC để suy luận FP16 trên thiết bị Atlas và OrangePi AIPro.

• Luxonis: Chuyển đổi model Ultralytics YOLO bằng Luxonis Hub hoặc công cụ Luxonis cục bộ và chạy trực tiếp trên thiết bị camera Luxonis OAK RVC2 và RVC4.

• MNN: Do Alibaba phát triển, MNN là framework deep learning hiệu quả cao và gọn nhẹ. MNN hỗ trợ suy luận và huấn luyện model deep learning, đồng thời có hiệu năng hàng đầu trong ngành khi suy luận và huấn luyện trên thiết bị.

• NCNN: Do Tencent phát triển, NCNN là framework suy luận neural network hiệu quả, được thiết kế riêng cho thiết bị di động. NCNN cho phép triển khai trực tiếp model AI vào ứng dụng, tối ưu hóa hiệu năng trên nhiều nền tảng di động.

• Neural Magic: Tận dụng huấn luyện có nhận biết lượng tử hóa (QAT) và kỹ thuật pruning để tối ưu hóa model Ultralytics, nâng cao hiệu năng và giảm kích thước.

• ONNX: Định dạng mã nguồn mở do Microsoft tạo ra nhằm hỗ trợ chuyển model AI giữa các framework, tăng tính linh hoạt và khả năng triển khai của model Ultralytics.

• OpenVINO: Bộ công cụ của Intel để tối ưu hóa và triển khai hiệu quả model thị giác máy tính trên nhiều nền tảng CPU và GPU Intel.

• PaddlePaddle: Nền tảng deep learning mã nguồn mở của Baidu, PaddlePaddle cho phép triển khai model AI hiệu quả và tập trung vào khả năng mở rộng cho các ứng dụng công nghiệp.

• Qualcomm QNN: Biên dịch model Ultralytics YOLO cục bộ sang định dạng context-binary QNN (AI Engine Direct) bằng QNN Execution Provider của ONNX Runtime để tăng tốc suy luận trên phần cứng CPU Snapdragon, GPU Adreno và NPU Hexagon trong thiết bị di động và thiết bị biên.

• Rockchip RKNN: Do Rockchip phát triển, RKNN là framework suy luận neural network chuyên dụng, được tối ưu hóa cho nền tảng phần cứng Rockchip, đặc biệt là NPU. RKNN hỗ trợ triển khai hiệu quả model AI trên thiết bị biên, cho phép suy luận hiệu năng cao trong các ứng dụng thời gian thực.

• Seeed Studio reCamera: Do Seeed Studio phát triển, reCamera là thiết bị AI biên tiên tiến dành cho các ứng dụng thị giác máy tính thời gian thực. Được trang bị bộ xử lý SG200X dựa trên RISC-V, reCamera mang lại khả năng suy luận AI hiệu năng cao với mức tiêu thụ năng lượng hiệu quả. Thiết kế mô-đun, khả năng xử lý video tiên tiến và hỗ trợ triển khai linh hoạt khiến reCamera trở thành lựa chọn lý tưởng cho nhiều trường hợp sử dụng, bao gồm giám sát an toàn, ứng dụng môi trường và sản xuất.

• SONY IMX500: Tối ưu hóa và triển khai model Ultralytics YOLO26 trên Raspberry Pi AI Camera với cảm biến IMX500 để đạt hiệu năng nhanh và tiết kiệm điện.

• TensorRT: Do NVIDIA phát triển, framework suy luận deep learning hiệu năng cao và định dạng model này tối ưu hóa model AI để tăng tốc độ và hiệu quả trên GPU NVIDIA, giúp đơn giản hóa quá trình triển khai.

• TF GraphDef: Do Google phát triển, GraphDef là định dạng biểu diễn đồ thị tính toán của TensorFlow, cho phép thực thi model machine learning được tối ưu hóa trên nhiều loại phần cứng.

• TF SavedModel: Do Google phát triển, TF SavedModel là định dạng tuần tự hóa phổ quát cho model TensorFlow, cho phép dễ dàng chia sẻ và triển khai trên nhiều nền tảng, từ server đến thiết bị biên.

• TFLite Edge TPU: Được Google phát triển để tối ưu hóa model TensorFlow Lite trên Edge TPU, định dạng model này đảm bảo điện toán biên tốc độ cao và hiệu quả.

• LiteRT: Do Google phát triển, LiteRT (trước đây là TensorFlow Lite) là runtime trên thiết bị dành cho định dạng .tflite, cho phép triển khai một model duy nhất trên thiết bị di động, thiết bị nhúng, thiết bị biên và trình duyệt (thông qua LiteRT.js).

• TorchScript: Được phát triển trong framework PyTorch, TorchScript cho phép thực thi và triển khai model machine learning hiệu quả trong nhiều môi trường production mà không cần dependency Python.

Tích hợp dataset#

• Roboflow: Hỗ trợ gán nhãn và quản lý dataset cho model Ultralytics, cung cấp công cụ annotation để gán nhãn ảnh.

Các định dạng xuất#

Chúng tôi cũng hỗ trợ nhiều định dạng export model để triển khai trong các môi trường khác nhau. Dưới đây là những định dạng hiện có:

nms=None mặc định xuất đầu ra thô cho NMS bên ngoài. Đặt nms=False để chọn một head không dùng NMS hiện có; các định dạng không được hỗ trợ sẽ chuyển về luồng đầu ra gốc. Các mục nms ở trên xác định những định dạng có thể tích hợp NMS với nms=True.

Khám phá các liên kết để tìm hiểu thêm về từng tích hợp và cách tận dụng tối đa chúng với Ultralytics. Xem thông tin chi tiết đầy đủ về export trên trang Export.

Đóng góp cho các tích hợp của chúng tôi#

Chúng tôi luôn hào hứng khi thấy cộng đồng tích hợp Ultralytics YOLO với các công nghệ, công cụ và nền tảng khác! Nếu bạn đã tích hợp thành công YOLO với một hệ thống mới hoặc có thông tin hữu ích muốn chia sẻ, hãy cân nhắc đóng góp cho tài liệu Tích hợp của chúng tôi.

Bằng cách viết hướng dẫn hoặc bài hướng dẫn, bạn có thể giúp mở rộng tài liệu và cung cấp ví dụ thực tế hữu ích cho cộng đồng. Đây là cách tuyệt vời để đóng góp vào hệ sinh thái Ultralytics YOLO đang ngày càng phát triển.

Để đóng góp, vui lòng xem Hướng dẫn đóng góp để biết cách gửi Pull Request (PR) 🛠️. Chúng tôi rất mong nhận được đóng góp của bạn!

Hãy cùng cộng tác để mở rộng hệ sinh thái Ultralytics YOLO và bổ sung thêm nhiều tính năng 🙏!

Câu hỏi thường gặp#