Các tích hợp của Ultralytics#

Chào mừng bạn đến với trang tích hợp của Ultralytics! Trang này cung cấp thông tin tổng quan về mối quan hệ hợp tác của chúng tôi với nhiều công cụ và nền tảng khác nhau, được thiết kế để tinh giản quy trình machine learning, nâng cao khả năng quản lý dataset, đơn giản hóa việc training model và hỗ trợ deployment hiệu quả.

Tích hợp training#

• Agent Skills: Hướng dẫn các coding agent AI như Claude Code, Codex, Cursor và Gemini CLI sử dụng toàn bộ workflow Ultralytics YOLO với các skill chính thức bao quát dataset, training, inference và export.

• Albumentations: Nâng cao các model Ultralytics bằng những kỹ thuật image augmentation mạnh mẽ để cải thiện độ robust và khả năng tổng quát hóa của model.

• Amazon SageMaker: Tận dụng Amazon SageMaker để xây dựng, training và deployment model Ultralytics hiệu quả, cung cấp một nền tảng tất cả-trong-một cho vòng đời ML.

• AMD: Training, validation và chạy các model Ultralytics trên GPU AMD được hỗ trợ với PyTorch ROCm, kèm phân tích rõ ràng về khả năng hỗ trợ MIGraphX, DirectML và Ryzen AI NPU.

• ClearML: Tự động hóa workflow ML của Ultralytics, theo dõi experiment và thúc đẩy cộng tác nhóm.

• Comet ML: Nâng cao quá trình phát triển model với Ultralytics bằng cách tracking, so sánh và tối ưu các experiment machine learning.

• DVC: Triển khai version control cho các project machine learning của Ultralytics, đồng bộ hóa hiệu quả data, code và model.

• Google Colab: Sử dụng Google Colab để training 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 training và đánh giá model Ultralytics bằng 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 training và đánh giá model Ultralytics một cách dễ dàng, hiệu quả.

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

• Modal: Chạy model Ultralytics trên nền tảng cloud serverless của Modal với khả năng tự động cấp phát GPU, cơ chế tính phí theo giây và scaling liền mạch cho workload inference và training.

• MLFlow: Tinh giản toàn bộ vòng đời ML của model Ultralytics, từ experimentation và reproducibility đến deployment.

• Paperspace Gradient: Paperspace Gradient đơn giản hóa việc phát triển project YOLO26 bằng cách cung cấp các công cụ cloud dễ sử dụng để training, testing và deployment model nhanh chóng.

• Ray Tune: Tối ưu hyperparameter của model Ultralytics ở mọi quy mô.

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

• Ultralytics Platform: Huấn luyện, quản lý và triển khai mô hình Ultralytics trực tiếp trên trình duyệt, đồng thời tải xuống các mô hình và tập dữ liệu đã huấn luyện sẵn chính thức.

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

• Weights & Biases (W&B): Theo dõi experiment, trực quan hóa metric và thúc đẩy reproducibility cũng như cộng tác trong các project Ultralytics.

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

Tích hợp deployment#

• Ambarella: Training, nén và export model Ultralytics YOLO cho SoC CVflow® của Ambarella như CV72 bằng phương pháp training nhận biết nén SpongeTorch và toolchain CVflow offline.

• Axelera: Khám phá các accelerator Metis và Voyager SDK để chạy model Ultralytics với inference edge hiệu quả.

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

• CoreML: CoreML, do Apple phát triển, 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 deployment model hiệu quả và an toàn.

• DEEPX: Export model Ultralytics YOLO sang format .dxnn của DEEPX để inference INT8 tiết kiệm điện năng trên phần cứng NPU DEEPX, hướng đến các ứng dụng AI nhúng và edge.

• ExecuTorch: Do Meta phát triển, ExecuTorch là giải pháp thống nhất của PyTorch để deployment model Ultralytics YOLO trên thiết bị edge.

• Gradio: Deployment model Ultralytics với Gradio để tạo demo object detection tương tác theo thời gian thực.

• Hailo: Export trực tiếp các model Ultralytics YOLO về Hailo HEF cho detection, segmentation, semantic segmentation, depth estimation, classification, pose và OBB; xem integration guide để biết các model và target đã được validation.

• Huawei Ascend: Biên dịch model Ultralytics YOLO sang format offline .om của Huawei Ascend bằng compiler CANN ATC để inference FP16 trên thiết bị Atlas và OrangePi AIPro.

• Luxonis: Chuyển đổi các model Ultralytics YOLO bằng Luxonis Hub hoặc công cụ cục bộ của Luxonis và chạy chúng 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 lightweight. Framework này hỗ trợ inference và training các model deep learning, đồng thời mang lại hiệu năng hàng đầu trong inference và training trên thiết bị.

• NCNN: Do Tencent phát triển, NCNN là framework inference neural network hiệu quả, được tối ưu cho thiết bị mobile. Framework này cho phép deployment trực tiếp các model AI vào app, tối ưu hiệu năng trên nhiều nền tảng mobile.

• Neural Magic: Tận dụng kỹ thuật Đào tạo nhận biết lượng tử hóa (QAT) và pruning để tối ưu model Ultralytics, mang lại hiệu năng vượt trội và kích thước gọn hơn.

• ONNX: Format mã nguồn mở do Microsoft tạo ra nhằm hỗ trợ chuyển model AI giữa nhiều framework, nâng cao tính linh hoạt và khả năng deployment của model Ultralytics.

• OpenVINO: Toolkit của Intel để tối ưu và deployment computer vision model hiệu quả trên nhiều nền tảng CPU và GPU Intel.

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

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

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

• Seeed Studio reCamera: Do Seeed Studio phát triển, reCamera là thiết bị AI edge tiên tiến được thiết kế cho các ứng dụng computer vision thời gian thực. Được trang bị processor SG200X dựa trên RISC-V, thiết bị mang lại inference AI hiệu năng cao với mức tiêu thụ năng lượng hiệu quả. Thiết kế module, khả năng xử lý video tiên tiến và hỗ trợ deployment linh hoạt khiến thiết bị trở thành lựa chọn lý tưởng cho nhiều use case, bao gồm giám sát an toàn, ứng dụng môi trường và sản xuất.

• SONY IMX500: Tối ưu và deployment model Ultralytics YOLO26 trên Raspberry Pi AI Cameras với sensor IMX500 để đạt hiệu năng nhanh và tiết kiệm điện năng.

• TensorRT: Do NVIDIA phát triển, framework inference deep learning hiệu năng cao và format model này tối ưu các model AI để tăng tốc độ và hiệu quả trên GPU NVIDIA, bảo đảm deployment tinh gọn.

• TF GraphDef: Do Google phát triển, GraphDef là format của TensorFlow để biểu diễn computation graph, cho phép thực thi tối ưu các model machine learning trên nhiều loại phần cứng.

• TF SavedModel: Do Google phát triển, TF SavedModel là format serialization universal cho model TensorFlow, cho phép dễ dàng chia sẻ và deployment trên nhiều nền tảng, từ server đến thiết bị edge.

• TFLite Edge TPU: Do Google phát triển để tối ưu model TensorFlow Lite trên Edge TPU, format model này bảo đảm edge computing tốc độ cao và hiệu quả.

• LiteRT: Do Google phát triển, LiteRT (trước đây là TensorFlow Lite) là runtime on-device cho format .tflite, cho phép deployment một model duy nhất trên mobile, thiết bị nhúng, edge và browser (thông qua LiteRT.js).

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

Tích hợp dataset#

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

Các format export#

Chúng tôi cũng hỗ trợ nhiều format export model để deployment trong các môi trường khác nhau. Dưới đây là các format hiện có:

nms=None mặc định sử dụng đầu ra thô cho NMS bên ngoài. Thiết lập nms=False để chọn phần đầu không có NMS khả dụng; các định dạng không được hỗ trợ sẽ quay lại đường dẫn đầu ra gốc của chúng. Các mục nms ở trên xác định các định dạng có thể nhúng NMS bằng nms=True.

Khám phá các liên kết để tìm hiểu thêm về từng tích hợp và cách khai thác tối đa chúng với Ultralytics. Xem thông tin chi tiết 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 guide hoặc tutorial, bạn có thể giúp mở rộng tài liệu của chúng tôi và cung cấp các ví dụ thực tế hữu ích cho cộng đồng. Đây là một cách tuyệt vời để đóng góp cho 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 chờ các đóng góp của bạn!

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

FAQ#