Link to this sectionCác tích hợp của Ultralytics#

Chào mừng bạn đến với trang Tích hợp của Ultralytics! Trang này cung cấp tổng quan về các quan hệ đối tác của chúng tôi với nhiều công cụ và nền tảng khác nhau, được thiết kế để tối ưu hóa các quy trình làm việc machine learning của bạn, nâng cao khả năng quản lý tập dữ liệu, đơn giản hóa việc huấn luyện model và hỗ trợ triển khai hiệu quả.

Link to this sectionTích hợp huấn luyện#

• Albumentations: Nâng cao các model Ultralytics của bạn với các kỹ thuật tăng cường hình ảnh mạnh mẽ để cải thiện độ bền bỉ và khả năng tổng quát hóa của model.

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

• ClearML: Tự động hóa các quy trình làm việc ML của Ultralytics, giám sát các thử nghiệm và thúc đẩy sự hợp tác nhóm.

• Comet ML: Nâng cao quá trình phát triển model 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 của Ultralytics, đồng bộ hóa dữ liệu, mã nguồn và model một cách hiệu quả.

• Google Colab: Sử dụng Google Colab để huấn luyện và đánh giá các model Ultralytics trong môi trường dựa trên đám mây, hỗ trợ cộng tác và chia sẻ.

• IBM Watsonx: Khám phá cách IBM Watsonx đơn giản hóa việc huấn luyện và đánh giá các model Ultralytics với 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 và có thể tùy chỉnh của JupyterLab để huấn luyện và đánh giá các model Ultralytics một cách dễ dàng và hiệu quả.

• Kaggle: Khám phá cách sử dụng Kaggle để huấn luyện và đánh giá các model Ultralytics trong môi trường dựa trên đám mây với các thư viện được cài đặt sẵn, hỗ trợ GPU và cộng đồng sôi nổi để cộng tác và chia sẻ.

• Modal: Chạy các model Ultralytics trên nền tảng đám mây serverless của Modal với khả năng cung cấp GPU tự động, thanh toán theo giây và khả năng mở rộng linh hoạt cho các khối lượng công việc inference và huấn luyện.

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

• Neptune: Duy trì nhật ký toàn diện về các thử nghiệm ML của bạn với Ultralytics trong kho lưu trữ metadata này được thiết kế cho MLOps.

• Paperspace Gradient: Paperspace Gradient đơn giản hóa việc làm việc trên các dự án YOLO26 bằng cách cung cấp các công cụ đám mây dễ sử dụng để huấn luyện, kiểm tra và triển khai model của bạn một cách nhanh chóng.

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

• TensorBoard: Trực quan hóa các quy trình làm việc ML của Ultralytics, giám sát các chỉ số của model và thúc đẩy sự hợp tác nhóm.

• Ultralytics Platform: Truy cập và đóng góp vào cộng đồng các model Ultralytics đã được huấn luyện sẵn.

• VS Code: Một tiện ích mở rộng cho VS Code cung cấp các đoạn mã (code snippets) để tăng tốc quy trình phát triển Ultralytics và cung cấp các ví dụ giúp bất kỳ ai cũng có thể học hỏi hoặc bắt đầu.

• Weights & Biases (W&B): Giám sát các thử nghiệm, trực quan hóa các chỉ số và thúc đẩy khả năng tái lập và hợp tác trong các dự án Ultralytics.

Link to this sectionTích hợp triển khai#

• Axelera: Khám phá các bộ tăng tốc Metis và Voyager SDK để chạy các model Ultralytics với khả năng inference tại biên hiệu quả.

• CoreML: CoreML, được phát triển bởi Apple, là một framework được thiết kế để tích hợp hiệu quả các 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 bảo mật.

• DEEPX: Xuất các model Ultralytics YOLO sang định dạng .dxnn của DEEPX để thực hiện inference INT8 tiết kiệm năng lượng trên phần cứng NPU của DEEPX, nhắm đến các ứng dụng AI nhúng và tại biên.

• ExecuTorch: Được phát triển bởi Meta, ExecuTorch là giải pháp thống nhất của PyTorch để triển khai các model Ultralytics YOLO trên các thiết bị biên.

• Gradio: Triển khai các model Ultralytics với Gradio cho các bản demo nhận diện đối tượng tương tác, thời gian thực.

• Hailo: Chuyển đổi các model nhận diện Ultralytics YOLO từ ONNX sang Hailo HEF bằng công cụ Dataflow Compiler bên ngoài của Hailo cho các thiết bị Hailo-8, Hailo-8L, Raspberry Pi AI Kit và Hailo-15.

• MNN: Được phát triển bởi Alibaba, MNN là một framework deep learning cực kỳ hiệu quả và gọn nhẹ. Nó hỗ trợ inference và huấn luyện các model deep learning và có hiệu suất hàng đầu trong ngành về inference và huấn luyện trên thiết bị.

• NCNN: Được phát triển bởi Tencent, NCNN là một framework inference neural network hiệu quả được thiết kế riêng cho các thiết bị di động. Nó cho phép triển khai trực tiếp các model AI vào ứng dụng, tối ưu hóa hiệu suất trên các nền tảng di động khác nhau.

• Neural Magic: Tận dụng Quantization Aware Training (QAT) và các kỹ thuật cắt tỉa (pruning) để tối ưu hóa các model Ultralytics nhằm đạt hiệu suất vượt trội và kích thước gọn nhẹ hơn.

• ONNX: Một định dạng mã nguồn mở được tạo bởi Microsoft nhằm tạo điều kiện thuận lợi cho việc chuyển đổi các model AI giữa nhiều framework khác nhau, nâng cao tính linh hoạt và khả năng triển khai các model Ultralytics.

• OpenVINO: Bộ công cụ của Intel để tối ưu hóa và triển khai các model computer vision một cách hiệu quả trên nhiều nền tảng CPU và GPU của Intel.

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

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

• Rockchip RKNN: Được phát triển bởi Rockchip, RKNN là một framework inference neural network chuyên dụng được tối ưu hóa cho các nền tảng phần cứng của Rockchip, đặc biệt là các NPU của họ. Nó hỗ trợ triển khai hiệu quả các model AI trên thiết bị biên, cho phép inference hiệu suất cao trong các ứng dụng thời gian thực.

• Seeed Studio reCamera: Được phát triển bởi Seeed Studio, reCamera là một thiết bị AI tại biên tiên tiến được thiết kế cho các ứng dụng computer vision thời gian thực. Được trang bị bộ vi xử lý SG200X dựa trên RISC-V, nó mang lại khả năng inference 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 lựa chọn lý tưởng cho nhiều trường hợp sử dụng, bao gồm giám sát an toàn, các ứng dụng môi trường và sản xuất.

• SONY IMX500: Tối ưu hóa và triển khai các model Ultralytics YOLO26 trên Raspberry Pi AI Camera với cảm biến IMX500 để đạt hiệu suất nhanh, công suất thấp.

• TensorRT: Được phát triển bởi NVIDIA, framework inference deep learning hiệu suất cao và định dạng model này giúp tối ưu hóa các model AI để tăng tốc độ và hiệu quả trên các GPU của NVIDIA, đảm bảo việc triển khai được hợp lý hóa.

• TF GraphDef: Được phát triển bởi Google, GraphDef là định dạng của TensorFlow để đại diện cho các đồ thị tính toán, cho phép thực thi tối ưu các model machine learning trên nhiều phần cứng khác nhau.

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

• TF.js: Được phát triển bởi Google nhằm tạo điều kiện thuận lợi cho machine learning trong trình duyệt và Node.js, TF.js cho phép triển khai các model ML dựa trên JavaScript.

• TFLite: Được phát triển bởi Google, TFLite là một framework gọn nhẹ để triển khai các model machine learning trên các thiết bị di động và thiết bị biên, đảm bảo inference nhanh, hiệu quả với mức sử dụng bộ nhớ tối thiểu.

• TFLite Edge TPU: Được phát triển bởi Google để tối ưu hóa các model TensorFlow Lite trên Edge TPU, định dạng model này đảm bảo tốc độ cao, edge computing hiệu quả.

• TorchScript: Được phát triển như một phần của framework PyTorch, TorchScript cho phép thực thi và triển khai hiệu quả các model machine learning trong nhiều môi trường sản xuất mà không cần đến các phụ thuộc Python.

Link to this sectionTích hợp tập dữ liệu#

• Roboflow: Hỗ trợ việc gắn nhãn và quản lý tập dữ liệu cho các model Ultralytics, cung cấp các công cụ chú thích để gắn nhãn hình ảnh.

Link to this sectionCác định dạng xuất#

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

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

Link to this sectionĐóng góp vào 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 những thông tin hữu ích muốn chia sẻ, hãy cân nhắc đóng góp vào Tài liệu Tích hợp của chúng tôi.

Bằng cách viết một hướng dẫn hoặc bài giảng, bạn có thể giúp mở rộng tài liệu của chúng tôi và cung cấp các ví dụ thực tế có lợi 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 Pull Request (PR) 🛠️. Chúng tôi rất mong chờ những đóng góp của bạn!

Hãy cùng hợp tác để làm cho hệ sinh thái Ultralytics YOLO trở nên rộng mở và giàu tính năng hơn 🙏!

Link to this sectionCâu hỏi thường gặp#

Link to this sectionUltralytics Platform là gì và nó giúp hợp lý hóa quy trình làm việc ML như thế nào?#

Ultralytics Platform là một nền tảng dựa trên đám mây được thiết kế để làm cho các quy trình làm việc machine learning cho các model Ultralytics trở nên liền mạch và hiệu quả. Bằng cách sử dụng công cụ này, bạn có thể dễ dàng tải lên các tập dữ liệu, huấn luyện model, thực hiện theo dõi thời gian thực và triển khai các model YOLO mà không cần kỹ năng lập trình chuyên sâu. Nền tảng đóng vai trò như một không gian làm việc tập trung nơi bạn có thể quản lý toàn bộ pipeline ML của mình từ chuẩn bị dữ liệu đến triển khai. Bạn có thể khám phá các tính năng chính trên trang Ultralytics Platform và bắt đầu nhanh chóng với hướng dẫn Quickstart của chúng tôi.

Link to this sectionTôi có thể theo dõi hiệu suất của các model Ultralytics của mình bằng MLFlow không?#

Có, bạn có thể. Tích hợp MLFlow với các model Ultralytics cho phép bạn theo dõi các thử nghiệm, cải thiện khả năng tái lập và hợp lý hóa toàn bộ vòng đời ML. Hướng dẫn chi tiết để thiết lập tích hợp này có thể được tìm thấy trên trang tích hợp MLFlow. Tích hợp này đặc biệt hữu ích để giám sát các chỉ số của model, so sánh các đợt 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, chỉ số và artifact, giúp hiểu rõ hơn về hành vi của model và thực hiện các cải tiến dựa trên dữ liệu.

Link to this sectionNhững lợi ích của việc sử dụng Neural Magic để tối ưu hóa model YOLO26 là gì?#

Neural Magic tối ưu hóa các model YOLO26 bằng cách tận dụng các kỹ thuật như Quantization Aware Training (QAT) và cắt tỉa (pruning), tạo ra các model cực kỳ hiệu quả, nhỏ gọn hơn và hoạt động tốt hơn trên phần cứng bị giới hạn về tài nguyên. Hãy xem trang tích hợp Neural Magic để tìm hiểu cách triển khai các tối ưu hóa này nhằm đạt hiệu suất vượt trội và model gọn nhẹ 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 mang lại tốc độ inference nhanh hơn tới 6 lần trên CPU, giúp việc chạy các model phức tạp mà không cần phần cứng chuyên dụng trở nên khả thi.

Link to this sectionLàm cách nào để triển khai các model Ultralytics YOLO với Gradio cho các bản demo tương tác?#

Để triển khai các model Ultralytics YOLO với Gradio cho các bản demo nhận diện 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 cho việc inference model thời gian thực, biến nó thành một công cụ tuyệt vời để giới thiệu khả năng của model YOLO của bạn trong một định dạng thân thiện với người dùng, phù hợp cho cả nhà phát triển và người dùng cuối. Chỉ với vài dòng mã, bạn có thể xây dựng các ứng dụng tương tác chứng minh hiệu suất của model trên dữ liệu đầu vào tùy chỉnh, tạo điều kiện hiểu rõ và đánh giá các giải pháp computer vision của bạn tốt hơn.