Các tích hợp của Ultralytics#
Chào mừng bạn đến với trang Tích hợp Ultralytics! Trang này cung cấp tổng quan về các mối 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 việc quản lý tập dữ liệu, đơn giản hóa quá trình huấn luyện mô hình và hỗ trợ triển khai hiệu quả.
Watch: Ultralytics YOLO Deployment and Integrations
Tích hợp huấn luyện#
-
Agent Skills: Dạy các AI coding agent như Claude Code, Codex, Cursor và Gemini CLI quy trình làm việc đầy đủ của Ultralytics YOLO với các kỹ năng chính thức bao gồm dataset, training, inference và export.
-
Albumentations: Nâng cao các mô hình Ultralytics của bạn bằng các kỹ thuật tăng cường hình ảnh mạnh mẽ để cải thiện tính mạnh mẽ và khả năng tổng quát hóa của mô hình.
-
Amazon SageMaker: Tận dụng Amazon SageMaker để xây dựng, huấn luyện và triển khai các mô hình Ultralytics một cách hiệu quả, cung cấp nền tảng toàn diện cho vòng đời ML.
-
AMD: Huấn luyện, xác thực và chạy các mô hình Ultralytics trên các GPU AMD được hỗ trợ bằng PyTorch ROCm, đi kèm thông tin chi tiết rõ ràng về khả năng sẵn có của MIGraphX, DirectML và Ryzen AI NPU.
-
ClearML: Tự động hóa quy trình ML Ultralytics của bạn, giám sát các thử nghiệm và thúc đẩy sự cộng tác nhóm.
-
Comet ML: Nâng cao quá trình phát triển mô hình với Ultralytics bằng cách theo dõi, so sánh và tối ưu hóa các thử nghiệm machine learning của bạn.
-
DVC: Triển khai quản lý phiên bản cho các dự án machine learning Ultralytics của bạn, đồng bộ hóa dữ liệu, mã nguồn 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: Xem cách IBM Watsonx đơn giản hóa việc huấn luyện và đánh giá các mô hình Ultralytics với các công cụ AI tiên tiến, khả năng tích hợp dễ dàng và hệ thống quản lý mô hình 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 mô hình 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 mô hình Ultralytics trong môi trường 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 mô hình Ultralytics trên nền tảng đám mây không máy chủ của Modal với tính năng cấp phát GPU tự động, định giá theo giây và khả năng mở rộng liền mạch cho các tác vụ suy luận và huấn luyện.
-
MLFlow: Tối ưu 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 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 thử và triển khai mô hình của bạn một cách nhanh chóng.
-
Ray Tune: Tối ưu hóa các siêu tham số của các mô hình Ultralytics ở mọi quy mô.
-
TensorBoard: Trực quan hóa quy trình ML Ultralytics của bạn, giám sát các chỉ số của mô hình và thúc đẩy sự cộng tác nhóm.
-
Ultralytics Platform: Truy cập và đóng góp vào cộng đồng các mô hình Ultralytics được huấn luyện sẵn.
-
VS Code: Một tiện ích mở rộng dành 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 tập hoặc bắt đầu dễ dàng.
-
Weights & Biases (W&B): Giám sát thử nghiệm, trực quan hóa các chỉ số, đồng thời thúc đẩy khả năng tái tạo và cộng tác trên các dự án Ultralytics.
-
YAML2ModelGraph: Tạo các biểu đồ kiến trúc SVG sẵn sàng xuất bản trực tiếp từ các tệp cấu hình YAML của Ultralytics YOLO.
Tích hợp triển khai#
-
Ambarella: Huấn luyện, nén và xuất các mô hình Ultralytics YOLO cho các SoC Ambarella CVflow® như CV72 bằng phương pháp huấn luyện nhận thức nén SpongeTorch và chuỗi công cụ CVflow ngoại tuyến.
-
Axelera: Khám phá các bộ tăng tốc Metis và Voyager SDK để chạy các mô hình Ultralytics với tính năng suy luận biên hiệu quả.
-
Core AI: Tìm hiểu về định dạng
.aimodelmới của Apple, cách Core AI so sánh với Core ML, các hạn chế hiện tại và tích hợp Ultralytics được lên kế hoạch cho thế hệ iOS 27 và macOS 27. -
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 bảo mật.
-
DEEPX: Xuất các mô hình Ultralytics YOLO sang định dạng
.dxnncủa DEEPX để thực hiện suy luận INT8 tiết kiệm năng lượng trên phần cứng NPU DEEPX, nhắm mục tiêu vào các ứng dụng AI nhúng và biên. -
ExecuTorch: Được phát triển bởi Meta, ExecuTorch là giải pháp thống nhất của PyTorch để triển khai các mô hình Ultralytics YOLO trên các thiết bị biên.
-
Gradio: Triển khai các mô hình Ultralytics với Gradio cho các bản demo phát hiện đối tượng tương tác thời gian thực.
-
Hailo: Xuất trực tiếp các mô hình phát hiện, phân đoạn, phân đoạn ngữ nghĩa, ước tính chiều sâu, phân loại, tư thế và OBB của Ultralytics YOLO sang Hailo HEF; xem hướng dẫn tích hợp để biết các mô hình và mục tiêu đã được xác thực.
-
Huawei Ascend: Biên dịch các mô hình Ultralytics YOLO sang định dạng ngoại tuyến
.omcủa Huawei Ascend bằng trình biên dịch CANN ATC để suy luận FP16 trên các thiết bị Atlas và OrangePi AIPro. -
MNN: Được phát triển bởi Alibaba, MNN là một framework deep learning hiệu suất cao và trọng lượng nhẹ. Nó hỗ trợ suy luận và huấn luyện các mô hình deep learning, đồng thời sở hữu hiệu năng hàng đầu ngành cho việc suy luận và huấn luyện trên thiết bị.
-
NCNN: Được phát triển bởi Tencent, NCNN là một framework suy luận neural network 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 năng trên nhiều nền tảng di động khác nhau.
-
Neural Magic: Tận dụng các kỹ thuật Quantization Aware Training (QAT) và tỉa mạng (pruning) để tối ưu hóa các mô hình Ultralytics nhằm đạt hiệu năng 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 mô hình AI giữa các framework khác nhau, nâng cao tính đa dạng và sự 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 computer vision một cách hiệu quả trên các nền tảng CPU và GPU khác nhau của Intel.
-
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.
-
Qualcomm QNN: Biên dịch cục bộ các mô hình Ultralytics YOLO thành định dạng nhị phân ngữ cảnh QNN (AI Engine Direct) bằng ONNX Runtime QNN Execution Provider để tăng tốc suy luận trên phần cứng Snapdragon CPU, Adreno GPU và Hexagon NPU trong các thiết bị di động và biên.
-
Rockchip RKNN: Được phát triển bởi Rockchip, RKNN là một framework suy luận neural network chuyên biệt được tối ưu hóa cho các nền tảng phần cứng của Rockchip, đặc biệt là các NPU của họ. Framework này hỗ trợ triển khai hiệu quả các mô hình AI trên các thiết bị biên, cho phép suy luận hiệu năng cao trong các ứng dụng thời gian thực.
-
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 computer vision thời gian thực. Hoạt động dựa trên bộ vi xử lý SG200X kiến trúc RISC-V, thiết bị mang lại hiệu năng suy luận AI cao cùng khả năng tiết kiệm năng lượng. Thiết kế mô-đun, khả năng xử lý video tiên tiến và hỗ trợ triển khai linh hoạt biến nó thành lựa chọn lý tưởng cho nhiều trường hợp sử dụng khác nhau, bao gồm giám sát an toàn, ứng dụng môi trường và sản xuất công nghiệp.
-
SONY IMX500: Tối ưu hóa và triển khai các mô hình Ultralytics YOLO26 trên Raspberry Pi AI Cameras với cảm biến IMX500 để đạt hiệu năng nhanh chóng và tiêu thụ ít điện năng.
-
TensorRT: Được phát triển bởi NVIDIA, framework suy luận deep learning và định dạng mô hình hiệu suất cao này giúp tối ưu hóa các mô hình AI để tăng tốc độ và hiệu quả trên GPU NVIDIA, đảm bảo quá trình triển khai diễn ra suôn sẻ.
-
TF GraphDef: Được phát triển bởi Google, GraphDef là định dạng của TensorFlow dùng để biểu diễn các đồ thị tính toán, cho phép thực thi tối ưu các mô hình machine learning trên đa dạng phần cứng.
-
TF SavedModel: Được phát triển bởi Google, TF SavedModel là một định dạng tuần tự hóa đa năng dành cho các mô hình TensorFlow, cho phép chia sẻ và triển khai dễ dàng trên nhiều nền tảng, từ máy chủ đến các thiết bị biên.
-
TFLite Edge TPU: Được phát triển bởi Google để tối ưu hóa các mô hình TensorFlow Lite trên Edge TPUs, định dạng mô hình này đảm bảo edge computing tốc độ cao và hiệu quả.
-
LiteRT: Được phát triển bởi Google, LiteRT (trước đây là TensorFlow Lite) là runtime chạy trên thiết bị dành cho định dạng
.tflite, cho phép triển khai một mô hình duy nhất trên di động, thiết bị nhúng, thiết bị biên và trình duyệt (thông qua LiteRT.js). -
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.
Tích hợp tập dữ liệu#
- Roboflow: Tạo điều kiện thuận lợi cho việc dán nhãn và quản lý tập dữ liệu cho các mô hình Ultralytics, cung cấp các công cụ chú thích để gán nhãn hình ảnh.
Các định dạng xuất#
Chúng tôi cũng hỗ trợ nhiều định dạng xuất mô hình để triển khai trong các môi trường khác nhau. Dưới đây là các định dạng có sẵn:
| Định dạng | Đối số format | Mô hình | Metadata | Tham số |
|---|---|---|---|---|
| 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 |
Khám phá các liên kết để tìm hiểu thêm về từng bản tích hợp và cách tận dụng tối đa chúng cùng Ultralytics. Xem thông tin chi tiết đầy đủ về export trong 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 những hiểu biết giá trị muốn chia sẻ, hãy cân nhắc contributing to our Integrations Docs.
Bằng cách viết một hướng dẫn hoặc bài 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. Đó là một cách tuyệt vời để đóng góp vào hệ sinh thái đang phát triển xung quanh Ultralytics YOLO.
Để đóng góp, vui lòng tham khảo Contributing Guide của chúng tôi để biết hướng dẫn cách gửi một Pull Request (PR) 🛠️. Chúng tôi rất mong chờ những đóng góp từ bạn!
Hãy cùng hợp tác để làm cho hệ sinh thái Ultralytics YOLO trở nên rộng lớn và giàu tính năng hơn 🙏!
Câu hỏi thường gặp#
Ultralytics Platform 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 các tập 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 lập trình chuyên sâu. Nền tảng này đóng vai trò là một không gian làm việc tập trung, nơi bạn có thể quản lý toàn bộ chuỗi quy trình ML 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.
Có, bạn hoàn toàn có thể. Việc tích hợp MLFlow với các mô hình Ultralytics cho phép bạn theo dõi các thử nghiệm, cải thiện khả năng tái tạo và tối ưu 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. Sự tích hợp này đặc biệt hữu ích trong việc giám sát các chỉ số mô hình, 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, chỉ số và thành phần (artifacts), giúp dễ dàng hiểu được hành vi của mô hình và đưa ra các cải tiến dựa trên dữ liệu.
Neural Magic tối ưu hóa các mô hình YOLO26 bằng cách tận dụng các kỹ thuật như Quantization Aware Training (QAT) và tỉa mạng (pruning), mang lại các mô hình nhỏ gọn hơn, hiệu quả cao hơn và hoạt động tốt hơn trên phần cứng bị giới hạn tài nguyên. Hãy xem trang tích hợp Neural Magic để tìm hiểu cách triển khai các tối ưu hóa này nhằm đạt hiệu năng vượt trội và các mô hình 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 suy luận nhanh hơn tới 6 lần trên CPU, giúp việc chạy các mô hình phức tạp trở nên khả thi mà không cần phần cứng chuyên dụng.
Để triển khai các mô hình Ultralytics YOLO với Gradio cho các bản demo object detection tương tác, bạn có thể làm theo các bước được phác thảo trên trang tích hợp Gradio. Gradio cho phép bạn tạo các giao diện web dễ sử dụng để suy luận mô hình thời gian thực, biến nó thành một công cụ tuyệt vời để trưng bày các tính năng của mô hình YOLO ở định dạng thân thiện với người dùng, phù hợp cho cả nhà phát triển lẫn người dùng cuối. Chỉ với một vài dòng mã, bạn có thể xây dựng các ứng dụng tương tác thể hiện hiệu năng của mô hình trên các đầu vào tùy chỉnh, hỗ trợ việc hiểu và đánh giá các giải pháp computer vision của bạn tốt hơn.