Ultralytics 集成#
欢迎来到 Ultralytics Integrations 页面！本页面概述了我们与各种工具和平台的合作关系，旨在简化你的机器学习工作流、增强数据集管理、简化模型训练并促进高效部署。
Watch: Ultralytics YOLO Deployment and Integrations
训练集成#
-
Albumentations：利用强大的图像增强功能提升你的 Ultralytics 模型，以提高模型的鲁棒性和泛化能力。
-
Amazon SageMaker：利用 Amazon SageMaker 高效构建、训练和部署 Ultralytics 模型，为 ML 生命周期提供一体化平台。
-
AMD：在支持的 AMD GPU 上使用 PyTorch ROCm 训练、验证和运行 Ultralytics 模型，并提供 MIGraphX、DirectML 和 Ryzen AI NPU 可用性的清晰说明。
-
ClearML：自动化你的 Ultralytics ML 工作流，监控实验，并促进团队协作。
-
Comet ML：通过跟踪、比较和优化你的机器学习实验，利用 Ultralytics 增强你的模型开发。
-
DVC：为你的 Ultralytics 机器学习项目实施版本控制，有效同步数据、代码和模型。
-
Google Colab：在支持协作和共享的云端环境中，使用 Google Colab 训练和评估 Ultralytics 模型。
-
IBM Watsonx：了解 IBM Watsonx 如何凭借其尖端的 AI 工具、轻松的集成和高级的模型管理系统，简化 Ultralytics 模型的训练和评估。
-
JupyterLab：了解如何使用 JupyterLab 交互式且可定制的环境，轻松高效地训练和评估 Ultralytics 模型。
-
Kaggle：探索如何在预装库、支持 GPU 且拥有充满活力的协作和共享社区的云端环境中使用 Kaggle 训练和评估 Ultralytics 模型。
-
Modal：在 Modal 的无服务器云平台上运行 Ultralytics 模型，享受自动 GPU 资源调配、按秒计费以及无缝扩展的推理和训练工作流。
-
MLFlow：简化 Ultralytics 模型从实验、可复现性到部署的整个 ML 生命周期。
-
Neptune：在这个专为 MLOps 设计的元数据存储中，对你的 Ultralytics ML 实验进行全面日志记录。
-
Paperspace Gradient：Paperspace Gradient 提供了易于使用的云端工具，用于快速训练、测试和部署模型，从而简化 YOLO26 项目的开发。
-
Ray Tune：在任意规模下优化你的 Ultralytics 模型的超参数。
-
TensorBoard：可视化你的 Ultralytics ML 工作流，监控模型指标，并促进团队协作。
-
Ultralytics Platform：访问并贡献于预训练的 Ultralytics 模型社区。
-
VS Code：一个 VS Code 扩展，提供代码片段以加速 Ultralytics 开发工作流，并提供示例以帮助任何人学习或快速上手。
-
Weights & Biases (W&B)：在 Ultralytics 项目中监控实验、可视化指标，并促进可复现性和协作。
-
YAML2ModelGraph：直接从 Ultralytics YOLO YAML 配置文件生成可用于发表的 SVG 架构图。
部署集成#
-
Ambarella：针对 Ambarella CVflow® SoC（如 CV72），使用 SpongeTorch 压缩感知训练和离线 CVflow 工具链训练、压缩和导出 Ultralytics YOLO 模型。
-
Axelera：探索用于高效边缘推理的 Metis 加速器和 Voyager SDK，以运行 Ultralytics 模型。
-
Core AI：了解 Apple 的新
.aimodel格式、Core AI 与 Core ML 的对比、其当前局限性，以及 iOS 27 和 macOS 27 世代中计划的 Ultralytics 集成。 -
CoreML：由 Apple 开发的 CoreML 是一个框架，旨在将机器学习模型高效集成到 iOS、macOS、watchOS 和 tvOS 的应用程序中，利用 Apple 的硬件来实现有效且安全的模型部署。
-
DEEPX：将 Ultralytics YOLO 模型导出为 DEEPX
.dxnn格式，以便在 DEEPX NPU 硬件上进行高能效的 INT8 推理，面向嵌入式和边缘 AI 应用。 -
ExecuTorch：由 Meta 开发的 ExecuTorch 是 PyTorch 用于在边缘设备上部署 Ultralytics YOLO 模型的统一解决方案。
-
Gradio：使用 Gradio 部署 Ultralytics 模型，以实现实时、交互式的目标检测演示。
-
Hailo：将 Ultralytics YOLO 检测、分割、语义分割、深度估计、分类、姿态和 OBB 模型直接导出到 Hailo HEF；有关验证过的模型和目标，请参阅集成指南。
-
Huawei Ascend：使用 CANN ATC 编译器将 Ultralytics YOLO 模型编译为华为昇腾
.om离线格式，以便在 Atlas 和 OrangePi AIPro 设备上进行 FP16 推理。 -
MNN：由阿里巴巴开发的 MNN 是一个高效且轻量级的深度学习框架。它支持深度学习模型的推理与训练，并在端侧推理和训练方面拥有行业领先的性能。
-
NCNN：由腾讯开发的 NCNN 是一个专为移动设备量身定制的高效神经网络推理框架。它支持将 AI 模型直接部署到应用中，从而优化各种移动平台上的性能。
-
Neural Magic：利用量化感知训练 (QAT) 和剪枝技术来优化 Ultralytics 模型，以获得卓越的性能和更精简的体积。
-
ONNX：由微软创建的开源格式，用于促进不同框架之间的 AI 模型传输，增强 Ultralytics 模型的通用性和部署灵活性。
-
OpenVINO：Intel 的工具包，用于在各种 Intel CPU 和 GPU 平台上高效优化和部署计算机视觉模型。
-
PaddlePaddle：由百度开发的开源深度学习平台，PaddlePaddle 能够高效部署 AI 模型，并专注于工业应用的可扩展性。
-
Qualcomm QNN：使用 ONNX Runtime QNN 执行提供程序，在本地将 Ultralytics YOLO 模型编译为 QNN (AI Engine Direct) 上下文二进制格式，以便在移动设备和边缘设备的 Snapdragon CPU、Adreno GPU 和 Hexagon NPU 硬件上加速推理。
-
Rockchip RKNN：由瑞芯微开发的 RKNN 是一个专为瑞芯微硬件平台（特别是其 NPU）优化的专用神经网络推理框架。它有助于在边缘设备上高效部署 AI 模型，从而在实时应用中实现高性能推理。
-
Seeed Studio reCamera：由 Seeed Studio 开发的 reCamera 是一款专为实时计算机视觉应用设计的高级边缘 AI 设备。它由基于 RISC-V 的 SG200X 处理器驱动，在保持高能效的同时提供高性能 AI 推理。其模块化设计、先进的视频处理能力以及对灵活部署的支持，使其成为安全监控、环境应用和制造业等各种用例的理想选择。
-
SONY IMX500：在配备 IMX500 传感器的 Raspberry Pi AI Camera 上优化和部署 Ultralytics YOLO26 模型，以实现快速、低功耗的性能。
-
TensorRT：由英伟达开发的高性能深度学习推理框架和模型格式，可优化 AI 模型以在 NVIDIA GPU 上实现加速的速度和效率，从而确保简化的部署。
-
TF GraphDef：由谷歌开发的 GraphDef 是 TensorFlow 用于表示计算图的格式，能够跨多样化硬件优化执行机器学习模型。
-
TF SavedModel：由谷歌开发的 TF SavedModel 是 TensorFlow模型的通用序列化格式，支持从服务器到边缘设备的广泛平台上的轻松共享与部署。
-
TFLite Edge TPU：由谷歌开发，用于在 Edge TPU 上优化 TensorFlow Lite 模型，这种模型格式确保了高速、高效的边缘计算。
-
LiteRT：由谷歌开发，LiteRT（前身为 TensorFlow Lite）是
.tflite格式的端侧运行时，用于在移动、嵌入式、边缘以及浏览器（通过 LiteRT.js）中部署单一模型。 -
TorchScript：作为 PyTorch 框架的一部分开发，TorchScript 能够在各种生产环境中高效执行和部署机器学习模型，而无需 Python 依赖项。
数据集集成#
- Roboflow：为 Ultralytics 模型促进数据集标注和管理，提供用于标记图像的标注工具。
导出格式#
我们还支持各种模型导出格式，以便在不同环境中部署。以下是可用格式：
| 格式 | format 参数 | 模型 | 元数据 | 参数 |
|---|---|---|---|---|
| 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 |
探索这些链接以深入了解各个集成，以及如何通过 Ultralytics 发挥它们的最大效用。请在导出页面查看完整的 export 详情。
为我们的集成做出贡献#
我们总是很高兴看到社区如何将 Ultralytics YOLO 与其他技术、工具和平台进行集成！如果你已成功将 YOLO 与新系统集成或有宝贵的见解想要分享，请考虑贡献我们的集成文档。
通过撰写指南或教程，你可以帮助扩展我们的文档，并提供使社区受益的真实案例。这是为围绕 Ultralytics YOLO 不断发展的生态系统做出贡献的绝佳方式。
要进行贡献，请查阅我们的贡献指南，了解有关如何提交拉取请求 (PR) 🛠️ 的说明。我们热切期待你的贡献！
让我们携手合作，使 Ultralytics YOLO 生态系统更加广泛且功能丰富 🙏！
常见问题解答#
Ultralytics Platform 是一个云端平台，旨在使 Ultralytics 模型的机器学习工作流变得无缝且高效。通过使用此工具，你无需具备丰富的编码技能，即可轻松上传数据集、训练模型、执行实时跟踪并部署 YOLO 模型。该平台作为一个集中的工作区，你可以在其中管理从数据准备到部署的整个 ML 流水线。你可以在 Ultralytics Platform 页面上探索核心功能，并通过我们的快速入门指南快速上手。
Neural Magic 通过利用量化感知训练 (QAT) 和剪枝等技术来优化 YOLO26 模型，从而产生高效、更小的模型，在资源受限的硬件上表现更好。查看 Neural Magic 集成页面，了解如何实现这些优化以获得卓越的性能和更精简的模型。这对于计算资源受限的边缘设备部署尤其有利。Neural Magic 的 DeepSparse 引擎可以在 CPU 上提供高达 6 倍的推理加速，使得在没有专用硬件的情况下运行复杂模型成为可能。