Tích Hợp Ultralytics
Chào mừng bạn đến với trang Tích hợp Ultralytics! Trang này cung cấp tổng quan về quan hệ đối tác của chúng tôi với các công cụ và nền tảng khác nhau, được thiết kế để hợp lý hóa quy trình machine learning của bạn, tăng cường quản lý bộ dữ liệu, đơn giản hóa quá trình huấn luyện mô hình và tạo điều kiện triển khai hiệu quả.
Xem: Triển khai và Tích hợp Ultralytics YOLO11
Tích hợp huấn luyện
-
Amazon SageMaker: Tận dụng Amazon SageMaker để xây dựng, huấn luyện và triển khai các mô hình Ultralytics một cách hiệu quả, cung cấp một nền tảng tất cả trong một cho vòng đời ML.
-
ClearML: Tự động hóa quy trình làm việc Ultralytics ML của bạn, theo dõi các thử nghiệm và thúc đẩy sự hợp tác nhóm.
-
Comet ML: Nâng cao quá trình phát triển mô hình của bạn với Ultralytics bằng cách theo dõi, so sánh và tối ưu hóa các thử nghiệm machine learning của bạn.
-
DVC: Triển khai kiểm soát phiên bản cho các dự án machine learning Ultralytics của bạn, đồng bộ hóa dữ liệu, code và mô hình một cách hiệu quả.
-
Google Colab: Sử dụng Google Colab để huấn luyện và đánh giá các mô hình Ultralytics trong môi trường dựa trên đám mây, hỗ trợ cộng tác và chia sẻ.
-
IBM Watsonx: Tìm hiểu cách IBM Watsonx đơn giản hóa quá trình huấn luyện và đánh giá các mô hình Ultralytics bằng các công cụ AI tiên tiến, tích hợp dễ dàng và hệ thống quản lý mô hình nâng cao.
-
JupyterLab: Khám phá cách sử dụng môi trường tương tác và tùy biến của JupyterLab để huấn luyện và đánh giá các mô hình Ultralytics một cách dễ dàng và hiệu quả.
-
Kaggle: Tìm hiểu cách bạn có thể sử dụng Kaggle để huấn luyện và đánh giá các mô hình Ultralytics trong môi trường dựa trên đám mây với các thư viện được cài đặt sẵn, hỗ trợ GPU và một cộng đồng sôi động để cộng tác và chia sẻ.
-
MLFlow: Hợp lý hóa toàn bộ vòng đời ML của các mô hình Ultralytics, từ thử nghiệm và khả năng tái tạo đến triển khai.
-
Neptune: Duy trì nhật ký toàn diện về các thử nghiệm ML của bạn với Ultralytics trong kho lưu trữ siêu dữ liệu này được thiết kế cho MLOps.
-
Paperspace Gradient: Paperspace Gradient giúp đơn giản hóa việc thực hiện các dự án YOLO11 bằng cách cung cấp các công cụ đám mây dễ sử dụng để huấn luyện, kiểm tra và triển khai mô hình của bạn một cách nhanh chóng.
-
Ray Tune: Tối ưu hóa các siêu tham số của mô hình Ultralytics của bạn ở mọi quy mô.
-
TensorBoard: Trực quan hóa quy trình làm việc Ultralytics ML của bạn, theo dõi các số liệu mô hình và thúc đẩy sự cộng tác của nhóm.
-
Ultralytics HUB: Truy cập và đóng góp vào cộng đồng các mô hình Ultralytics được huấn luyện trước.
-
Weights & Biases (W&B): Theo dõi các thử nghiệm, trực quan hóa các số liệu và thúc đẩy khả năng tái tạo và cộng tác trên các dự án Ultralytics.
-
VS Code: Một tiện ích mở rộng cho VS Code cung cấp các đoạn mã để tăng tốc quy trình phát triển với Ultralytics và cũng dành cho bất kỳ ai đang tìm kiếm các ví dụ để giúp học hoặc bắt đầu với Ultralytics.
-
Albumentations: Nâng cao mô hình Ultralytics của bạn bằng các phương pháp tăng cường hình ảnh mạnh mẽ để cải thiện tính mạnh mẽ và khả năng khái quát hóa của mô hình.
Tích hợp triển khai
-
TorchScript: Được phát triển như một phần của framework PyTorch, TorchScript cho phép thực thi và triển khai hiệu quả các mô hình machine learning trong nhiều môi trường sản xuất khác nhau mà không cần phụ thuộc vào Python.
-
ONNX: Một định dạng mã nguồn mở được tạo bởi Microsoft để tạo điều kiện thuận lợi cho việc chuyển các mô hình AI giữa các framework khác nhau, nâng cao tính linh hoạt và tính linh hoạt trong triển khai của các mô hình Ultralytics.
-
OpenVINO: Bộ công cụ của Intel để tối ưu hóa và triển khai các mô hình thị giác máy tính một cách hiệu quả trên các nền tảng CPU và GPU khác nhau của Intel.
-
TensorRT: Được phát triển bởi NVIDIA, đây là một framework suy luận học sâu hiệu năng cao và định dạng mô hình giúp tối ưu hóa các mô hình AI để tăng tốc độ và hiệu quả trên GPU NVIDIA, đảm bảo triển khai được tối ưu.
-
CoreML: CoreML, được phát triển bởi Apple, là một framework được thiết kế để tích hợp hiệu quả các mô hình machine learning vào các ứng dụng trên iOS, macOS, watchOS và tvOS, sử dụng phần cứng của Apple để triển khai mô hình hiệu quả và an toàn.
-
TF SavedModel: Được phát triển bởi Google, TF SavedModel là một định dạng tuần tự hóa phổ quát cho các mô hình TensorFlow, cho phép chia sẻ và triển khai dễ dàng trên nhiều nền tảng, từ máy chủ đến thiết bị biên.
-
TF GraphDef: Được phát triển bởi Google, GraphDef là định dạng của TensorFlow để biểu diễn đồ thị tính toán, cho phép thực thi tối ưu hóa các mô hình machine learning trên các phần cứng khác nhau.
-
TFLite: Được phát triển bởi Google, TFLite là một framework nhẹ để triển khai các mô hình machine learning trên thiết bị di động và thiết bị biên, đảm bảo suy luận nhanh chóng, hiệu quả với mức sử dụng bộ nhớ tối thiểu.
-
TFLite Edge TPU: Được phát triển bởi Google để tối ưu hóa các mô hình TensorFlow Lite trên Edge TPU, định dạng mô hình này đảm bảo điện toán biên hiệu quả và tốc độ cao.
-
TF.js: Được phát triển bởi Google để tạo điều kiện cho machine learning trong trình duyệt và Node.js, TF.js cho phép triển khai các mô hình ML dựa trên JavaScript.
-
PaddlePaddle: Một nền tảng deep learning mã nguồn mở của Baidu, PaddlePaddle cho phép triển khai hiệu quả các mô hình AI và tập trung vào khả năng mở rộng của các ứng dụng công nghiệp.
-
MNN: Được phát triển bởi Alibaba, MNN là một framework deep learning nhẹ và hiệu quả cao. Nó hỗ trợ suy luận và huấn luyện các mô hình deep learning và có hiệu suất hàng đầu trong ngành để suy luận và huấn luyện trên thiết bị.
-
NCNN: Được phát triển bởi Tencent, NCNN là một framework suy luận mạng nơ-ron hiệu quả được thiết kế riêng cho các thiết bị di động. Nó cho phép triển khai trực tiếp các mô hình AI vào các ứng dụng, tối ưu hóa hiệu suất trên nhiều nền tảng di động khác nhau.
-
SONY IMX500 🚀 MỚI: Tối ưu hóa và triển khai các mô hình Ultralytics YOLOv8 trên Raspberry Pi AI Camera với cảm biến IMX500 để có hiệu suất nhanh, tiêu thụ điện năng thấp.
-
Rockchip RKNN: Được phát triển bởi Rockchip, RKNN là một framework suy luận mạng nơ-ron chuyên dụng được tối ưu hóa cho các nền tảng phần cứng của Rockchip, đặc biệt là NPU của họ. Nó tạo điều kiện triển khai hiệu quả các mô hình AI trên các thiết bị biên, cho phép suy luận hiệu suất cao trong các ứng dụng thời gian thực.
-
Neural Magic: Tận dụng các kỹ thuật Huấn luyện Nhận biết Lượng tử hóa (QAT) và tỉa bớt để tối ưu hóa các mô hình Ultralytics để có hiệu suất vượt trội và kích thước gọn nhẹ hơn.
-
Seeed Studio reCamera: Được phát triển bởi Seeed Studio, reCamera là một thiết bị AI biên tiên tiến được thiết kế cho các ứng dụng thị giác máy tính thời gian thực. Được hỗ trợ bởi bộ xử lý SG200X dựa trên RISC-V, nó cung cấp suy luận AI hiệu suất cao với hiệu quả năng lượng. Thiết kế mô-đun, khả năng xử lý video tiên tiến và hỗ trợ triển khai linh hoạt khiến nó trở thành một lựa chọn lý tưởng cho nhiều trường hợp sử dụng khác nhau, bao gồm giám sát an toàn, các ứng dụng môi trường và sản xuất.
-
Gradio: Triển khai các mô hình Ultralytics với Gradio để có các bản demo phát hiện đối tượng tương tác, theo thời gian thực.
Tích hợp bộ dữ liệu
- Roboflow: Hỗ trợ việc gán nhãn và quản lý bộ dữ liệu cho các mô hình Ultralytics, cung cấp các công cụ chú thích để gán nhãn hình ảnh.
Định dạng xuất
Chúng tôi cũng hỗ trợ nhiều định dạng xuất mô hình khác nhau để triển khai trong các môi trường khác nhau. Dưới đây là các định dạng hiện có:
Định dạng | format Đối số |
Mô hình | Metadata (Siêu dữ liệu) | Các đối số |
---|---|---|---|---|
PyTorch | - | yolo11n.pt |
✅ | - |
TorchScript | torchscript |
yolo11n.torchscript |
✅ | imgsz , half , dynamic , optimize , nms , batch , device |
ONNX | onnx |
yolo11n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , nms , batch , device |
OpenVINO | openvino |
yolo11n_openvino_model/ |
✅ | imgsz , half , dynamic , int8 , nms , batch , data , fraction , device |
TensorRT | engine |
yolo11n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , nms , batch , data , fraction , device |
CoreML | coreml |
yolo11n.mlpackage |
✅ | imgsz , half , int8 , nms , batch , device |
TF SavedModel | saved_model |
yolo11n_saved_model/ |
✅ | imgsz , keras , int8 , nms , batch , device |
TF GraphDef | pb |
yolo11n.pb |
❌ | imgsz , batch , device |
TF Lite | tflite |
yolo11n.tflite |
✅ | imgsz , half , int8 , nms , batch , data , fraction , device |
TF Edge TPU | edgetpu |
yolo11n_edgetpu.tflite |
✅ | imgsz , device |
TF.js | tfjs |
yolo11n_web_model/ |
✅ | imgsz , half , int8 , nms , batch , device |
PaddlePaddle | paddle |
yolo11n_paddle_model/ |
✅ | imgsz , batch , device |
MNN | mnn |
yolo11n.mnn |
✅ | imgsz , batch , int8 , half , device |
NCNN | ncnn |
yolo11n_ncnn_model/ |
✅ | imgsz , half , batch , device |
IMX500 | imx |
yolo11n_imx_model/ |
✅ | imgsz , int8 , data , fraction , device |
RKNN | rknn |
yolo11n_rknn_model/ |
✅ | imgsz , batch , name , device |
Tìm hiểu thêm về từng tích hợp và cách khai thác tối đa chúng với Ultralytics bằng cách truy cập các liên kết này. Xem đầy đủ export
chi tiết trong Xuất trang.
Đóng góp vào 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 những hiểu biết giá trị muốn chia sẻ, hãy cân nhắc đóng góp vào Tài liệu Tích hợp của chúng tôi.
Bằng cách viết hướng dẫn, bạn có thể giúp mở rộng tài liệu của chúng tôi và cung cấp các ví dụ thực tế mang lại lợi ích cho cộng đồng. Đây là một cách tuyệt vời để đóng góp vào hệ sinh thái đang phát triển xung quanh Ultralytics YOLO.
Để đóng góp, vui lòng xem Hướng dẫn Đóng góp của chúng tôi để biết hướng dẫn về cách gửi Yêu cầu Kéo (PR) 🛠️. Chúng tôi rất mong nhận được những đóng góp của bạn!
Hãy cùng nhau hợp tác để làm cho hệ sinh thái Ultralytics YOLO trở nên rộng lớn hơn và giàu tính năng hơn 🙏!
Câu hỏi thường gặp
Ultralytics HUB là gì và nó hợp lý hóa quy trình làm việc ML như thế nào?
Ultralytics HUB là một nền tảng dựa trên đám mây được thiết kế để giúp quy trình làm việc machine learning cho các mô hình Ultralytics trở nên liền mạch và hiệu quả. Bằng cách sử dụng công cụ này, bạn có thể dễ dàng tải lên bộ dữ liệu, huấn luyện mô hình, thực hiện theo dõi thời gian thực và triển khai các mô hình YOLO mà không cần kỹ năng viết code chuyên sâu. Nền tảng này đóng vai trò là một không gian làm việc tập trung, nơi bạn có thể quản lý toàn bộ pipeline ML của mình từ khâu chuẩn bị dữ liệu đến triển khai. Bạn có thể khám phá các tính năng chính trên trang Ultralytics HUB và bắt đầu nhanh chóng với hướng dẫn Bắt đầu Nhanh (Quickstart) của chúng tôi.
Tôi có thể theo dõi hiệu suất của các mô hình Ultralytics của mình bằng MLFlow không?
Có, bạn có thể. Tích hợp MLFlow với các mô hình Ultralytics cho phép bạn theo dõi các thử nghiệm, cải thiện khả năng tái tạo và hợp lý hóa toàn bộ vòng đời ML. Hướng dẫn chi tiết về cách thiết lập tích hợp này có thể được tìm thấy trên trang tích hợp MLFlow. Tích hợp này đặc biệt hữu ích để theo dõi các số liệu mô hình, so sánh các lần chạy huấn luyện khác nhau và quản lý quy trình làm việc ML một cách hiệu quả. MLFlow cung cấp một nền tảng tập trung để ghi lại các tham số, số liệu và artifacts, giúp bạn dễ dàng hiểu hành vi của mô hình và thực hiện các cải tiến dựa trên dữ liệu.
Những lợi ích của việc sử dụng Neural Magic để tối ưu hóa mô hình YOLO11 là gì?
Neural Magic tối ưu hóa các mô hình YOLO11 bằng cách tận dụng các kỹ thuật như Quantization Aware Training (QAT) và tỉa bớt, dẫn đến các mô hình nhỏ hơn, hiệu quả cao hơn, hoạt động tốt hơn trên phần cứng hạn chế về tài nguyên. Hãy xem trang tích hợp Neural Magic để tìm hiểu cách triển khai các tối ưu hóa này để có hiệu suất vượt trội và các mô hình tinh gọn hơn. Điều này đặc biệt có lợi cho việc triển khai trên các thiết bị biên, nơi tài nguyên tính toán bị hạn chế. Công cụ DeepSparse của Neural Magic có thể cung cấp khả năng suy luận nhanh hơn tới 6 lần trên CPU, giúp có thể chạy các mô hình phức tạp mà không cần phần cứng chuyên dụng.
Làm cách nào để triển khai các mô hình Ultralytics YOLO với Gradio cho các bản demo tương tác?
Để triển khai các mô hình Ultralytics YOLO với Gradio cho các bản demo phát hiện đối tượng tương tác, bạn có thể làm theo các bước được nêu trên trang tích hợp Gradio. Gradio cho phép bạn tạo các giao diện web dễ sử dụng để suy luận mô hình theo thời gian thực, biến nó thành một công cụ tuyệt vời để giới thiệu khả năng của mô hình YOLO của bạn ở định dạng thân thiện với người dùng, phù hợp cho cả nhà phát triển và người dùng cuối. Chỉ với một vài dòng code, bạn có thể xây dựng các ứng dụng tương tác để chứng minh hiệu suất của mô hình trên các đầu vào tùy chỉnh, tạo điều kiện hiểu và đánh giá tốt hơn về các giải pháp thị giác máy tính của bạn.