Các Tích hợp Ultralytics

Chào mừng bạn đến với trang Tích hợp Ultralytics! Trang này cung cấp thông tin 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 quy trình machine learning của bạn, cải thiện quản lý tập dữ liệu, đơn giản hóa việc huấn luyện model và tạo điều kiện triển khai hiệu quả.

Tích hợp Huấn luyện

• Albumentations: Tăng cường sức mạnh cho các model Ultralytics của bạn bằng các kỹ thuật augmentation 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 ML Ultralytics, giám sát các thử nghiệm và thúc đẩy cộng 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 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 các model Ultralytics trong môi trường cloud hỗ trợ cộng tác và chia sẻ.

• IBM Watsonx: Xem 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 tùy biến của JupyterLab để huấn luyện và đánh giá các model Ultralytics một cách dễ dàng và hiệu quả.

• Kaggle: Khám phá cách bạn có thể sử dụng Kaggle để huấn luyện và đánh giá các model Ultralytics trong môi trường cloud với các thư viện được cài đặt sẵn, hỗ trợ GPU và một cộng đồng sôi động để cộng tác và chia sẻ.

• Modal: Chạy các model Ultralytics trên nền tảng cloud serverless của Modal với tính năng tự động cấp phát GPU, định giá theo giây và khả năng mở rộng liền mạch 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 được thiết kế cho MLOps này.

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

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

• TensorBoard: Trực quan hóa các quy trình ML Ultralytics, giám sát các số liệu model và thúc đẩy cộng 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 code snippet để tăng tốc quy trình phát triển Ultralytics và cung cấp các ví dụ để giúp bất kỳ ai tìm hiểu hoặc bắt đầu.

• Weights & Biases (W&B): Giám sát thử nghiệm, trực quan hóa số liệu và thúc đẩy khả năng tái lập cũng như cộng tác trên các dự án Ultralytics.

Tích hợp Triển khai

• Axelera: Khám phá các bộ tăng tốc Metis và Voyager SDK để chạy các model Ultralytics với khả năng edge inference 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 các ứng dụng trên iOS, macOS, watchOS và tvOS, sử dụng phần cứng của Apple cho việc triển khai model hiệu quả và an toàn.

• DeepX: Xuất các model Ultralytics YOLO sang định dạng .dxnn của DeepX để thực hiện inference INT8 tiết kiệm điện năng trên phần cứng DeepX NPU, nhắm tới các ứng dụng AI nhúng và edge.

• 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 edge.

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

• MNN: Được phát triển bởi Alibaba, MNN là một framework deep learning cực kỳ hiệu quả và nhẹ. Nó hỗ trợ inference và huấn luyện các model deep learning và có hiệu suất hàng đầu trong ngành cho việc inference và huấn luyện on-device.

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

• Neural Magic: Tận dụng các kỹ thuật Quantization Aware Training (QAT) và 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 do Microsoft tạo ra nhằm tạo điều kiện chuyển đổi các model AI giữa các framework khác nhau, nâng cao tính linh hoạt và khả năng triển khai của các model Ultralytics.

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

• PaddlePaddle: Một nền tảng deep learning mã nguồn mở bởi 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.

• Rockchip RKNN: Được phát triển bởi Rockchip, RKNN là một framework inference neural network chuyên biệt được tối ưu hóa cho các nền tảng phần cứng của Rockchip, đặc biệt là các NPU. Nó tạo điều kiện triển khai hiệu quả các model AI trên các thiết bị edge, 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 edge AI 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 AI inference hiệu suất cao với mức tiêu thụ năng lượng thấp. Thiết kế dạng module, 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 ninh, ứng dụng môi trường và sản xuất.

• SONY IMX500: Tối ưu hóa và triển khai các model Ultralytics YOLO26 trên Raspberry Pi AI Cameras 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 và đạt hiệu quả trên các GPU NVIDIA, đảm bảo việc triển khai được hợp lý hóa.

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

• TF SavedModel: Được phát triển bởi Google, TF SavedModel là 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 server đến các thiết bị edge.

• TF.js: Được phát triển bởi Google nhằm tạo điều kiện 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 nhẹ để triển khai các model machine learning trên các thiết bị di động và edge, đảm bảo việc inference nhanh, hiệu quả với dung lượng 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 production khác nhau mà không cần các phụ thuộc Python.

Tích hợp Tập dữ liệu

• Roboflow: Tạo điều kiện cho 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.

Các định dạng xuất

Chúng tôi cũng hỗ trợ nhiều định dạng xuất model cho việc 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.

Đóng 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 giá trị muốn chia sẻ, hãy cân nhắc đóng góp vào Tài liệu Tích hợp của chúng tôi.

Bằng cách viết hướng dẫn hoặc bài giảng, 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 cách tuyệt vời để đóng góp cho hệ sinh thái ngày càng 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 đợi sự đóng góp của bạn!

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

Câu hỏi thường gặp (FAQ)

Ultralytics Platform là gì và nó giúp hợp lý hóa quy trình ML như thế nào?

Ultralytics Platform là một nền tảng dựa trên cloud được thiết kế để làm cho các quy trình 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 từ khâu chuẩn bị dữ liệu đến khi 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.

Tôi có thể theo dõi hiệu suất của các model Ultralytics 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 số liệu model, so sánh các lần huấn luyện khác nhau và quản lý quy trình ML một cách hiệu quả. MLFlow cung cấp một nền tảng tập trung để ghi lại các tham số, số liệu và artifact, giúp hiểu rõ hơn về hành vi của model và đưa ra các cải tiến dựa trên dữ liệu.

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 pruning, mang lại các model hiệu quả, nhỏ gọn hơn, hoạt động tốt hơn trên các phần cứng có tài nguyên hạn chế. 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 các model gọn nhẹ hơn. Điều này đặc biệt có lợi cho việc triển khai trên các thiết bị edge nơi tài nguyên tính toán bị hạn chế. Engine DeepSparse của Neural Magic có thể mang lại tốc độ inference nhanh hơn tới 6 lần trên CPU, giúp chạy được các model phức tạp mà không cần phần cứng chuyên dụng.

Làm 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 thực hiện inference model thời gian thực, biến nó thành 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 code, bạn có thể xây dựng các ứng dụng tương tác giúp minh họa hiệu suất của model trên các đầu vào tùy chỉnh, tạo điều kiện cho việc hiểu và đánh giá tốt hơn các giải pháp computer vision của bạn.