Ultralytics YOLO27：

Ultralytics 集成#

欢迎访问 Ultralytics 集成页面！本页面概述了我们与各种工具和平台的合作，旨在简化你的机器学习工作流、改进数据集管理、简化模型训练并促进高效部署。

Ultralytics YOLO ecosystem and integrations


Watch: Ultralytics YOLO Deployment and Integrations

训练集成#

  • Agent Skills：通过涵盖数据集、训练、推理和导出的官方技能，教会 Claude Code、Codex、Cursor 和 Gemini CLI 等 AI 编码代理完整的 Ultralytics YOLO 工作流。

  • Albumentations：利用强大的图像增强功能增强你的 Ultralytics 模型，从而提升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，为机器学习生命周期提供一体化平台。

  • AMD：通过 PyTorch ROCm 在受支持的 AMD GPU 上训练、验证和运行 Ultralytics 模型，并清晰了解 MIGraphX、DirectML 和 Ryzen AI NPU 的可用情况。

  • ClearML：自动化你的 Ultralytics 机器学习工作流、监控实验并促进团队协作。

  • Comet ML：通过跟踪、比较和优化机器学习实验，增强你使用 Ultralytics 进行模型开发的能力。

  • DVC：为你的 Ultralytics 机器学习项目实施版本控制，高效同步数据、代码和模型。

  • Google Colab：使用 Google Colab 在支持协作与共享的云环境中训练和评估 Ultralytics 模型。

  • IBM Watsonx：了解 IBM Watsonx 如何借助先进的 AI 工具、轻松集成能力和高级模型管理系统，简化 Ultralytics 模型的训练与评估。

  • JupyterLab：了解如何利用 JupyterLab 交互式且可自定义的环境，轻松高效地训练和评估 Ultralytics 模型。

  • Kaggle：探索如何使用 Kaggle 在云环境中训练和评估 Ultralytics 模型，该环境提供预安装库、GPU 支持以及充满活力的协作与共享社区。

  • Modal：在 Modal 的无服务器云平台上运行 Ultralytics 模型，享受自动 GPU 配置、按秒计费以及针对推理和训练工作负载的无缝扩展。

  • MLFlow：简化 Ultralytics 模型的完整机器学习生命周期，从实验和可复现性一直到部署。

  • Paperspace Gradient：Paperspace Gradient 通过提供易于使用的云工具，简化 YOLO26 项目的开发，让你快速训练、测试和部署模型。

  • Ray Tune：在任意规模下优化 Ultralytics 模型的超参数。

  • TensorBoard：可视化你的 Ultralytics 机器学习工作流、监控模型指标并促进团队协作。

  • Ultralytics Platform：在浏览器中训练、管理和部署 Ultralytics 模型，并下载官方预训练模型与数据集。

  • VS Code：VS Code 扩展，提供代码片段以加快 Ultralytics 开发工作流，并提供示例帮助任何人学习或快速入门。

  • Weights & Biases (W&B)：监控实验、可视化指标，并促进 Ultralytics 项目的可复现性与协作。

  • 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：使用支持压缩感知训练的 SpongeTorch 和离线 CVflow 工具链，为 Ambarella CVflow® SoC（例如 CV72）训练、压缩并导出 Ultralytics YOLO 模型。

  • Axelera：探索 Metis 加速器和 Voyager SDK，以高效进行边缘推理并运行 Ultralytics 模型。

  • Core AI：了解 Apple 的新 .aimodel 格式、Core AI 与 Core ML 的比较及其当前限制，以及如何使用 format="coreai" 为 iOS 27 和 macOS 27 这一代系统导出 YOLO26 模型。

  • CoreML：CoreML 由 Apple 开发，是一个旨在将机器学习模型高效集成到 iOS、macOS、watchOS 和 tvOS 应用中的框架，利用 Apple 硬件实现高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 INT8 推理，面向嵌入式和边缘 AI 应用。

  • ExecuTorch：ExecuTorch 由 Meta 开发，是 PyTorch 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，创建实时交互式目标检测演示。

  • Hailo：将 Ultralytics YOLO 检测、分割、语义分割、深度估计、分类、姿态和 OBB 模型直接导出为 Hailo HEF；请参阅集成指南，了解经过验证的模型和目标。

  • Huawei Ascend：使用 CANN ATC 编译器，将 Ultralytics YOLO 模型编译为 Huawei Ascend .om 离线格式，以便在 Atlas 和 OrangePi AIPro 设备上进行 FP16 推理。

  • Luxonis：使用 Luxonis Hub 或本地 Luxonis 工具转换 Ultralytics YOLO 模型，并在 Luxonis OAK RVC2 和 RVC4 相机上进行端侧运行。

  • MNN：MNN 由 Alibaba 开发，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和训练，并在设备端推理和训练方面具备业界领先的性能。

  • NCNN：NCNN 由 Tencent 开发，是一个针对移动设备优化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，并优化其在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，优化 Ultralytics 模型，以获得更出色的性能和更小的模型尺寸。

  • ONNX：由 Microsoft 创建的开源格式，用于促进 AI 模型在各种框架之间的迁移，增强 Ultralytics 模型的多功能性和部署灵活性。

  • OpenVINO：Intel 的工具套件，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 Baidu 提供的开源深度学习平台。PaddlePaddle 支持高效部署 AI 模型，并专注于工业应用的可扩展性。

  • Qualcomm QNN：借助 ONNX Runtime QNN Execution Provider，将 Ultralytics YOLO 模型在本地编译为 QNN（AI Engine Direct）上下文二进制格式，从而在移动和边缘设备的 Snapdragon CPU、Adreno GPU 和 Hexagon NPU 硬件上实现加速推理。

  • Rockchip RKNN：RKNN 由 Rockchip 开发，是一个针对 Rockchip 硬件平台（尤其是其 NPU）优化的专用神经网络推理框架。它支持在边缘设备上高效部署 AI 模型，实现实时应用中的高性能推理。

  • Seeed Studio reCamera：reCamera 由 Seeed Studio 开发，是一款面向实时计算机视觉应用的先进边缘 AI 设备。它搭载基于 RISC-V 的 SG200X 处理器，以高能效提供高性能 AI 推理。其模块化设计、先进的视频处理能力和灵活部署支持，使其成为安全监控、环境应用和制造业等各种使用场景的理想选择。

  • SONY IMX500：在配备 IMX500 传感器的 Raspberry Pi AI Cameras 上优化和部署 Ultralytics YOLO26 模型，实现快速、低功耗的性能。

  • TensorRT：这个高性能深度学习推理框架和模型格式由 NVIDIA 开发，可在 NVIDIA GPU 上优化 AI 模型，以提升速度和效率，确保部署流程顺畅。

  • TF GraphDef：GraphDef 由 Google 开发，是 TensorFlow 用于表示计算图的格式，支持在各种硬件上优化执行机器学习模型。

  • TF SavedModel：TF SavedModel 由 Google 开发，是 TensorFlow 模型的通用序列化格式，支持在从服务器到边缘设备的广泛平台之间轻松共享和部署。

  • TFLite Edge TPU：此模型格式由 Google 开发，用于在 Edge TPU 上优化 TensorFlow Lite 模型，可实现高速且高效的边缘计算。

  • LiteRT：LiteRT 由 Google 开发，前身为 TensorFlow Lite，是用于 .tflite 格式的设备端运行时，可通过 LiteRT.js 将单个模型部署到移动设备、嵌入式设备、边缘设备和浏览器中。

  • TorchScript：TorchScript 作为 PyTorch 框架的一部分开发，可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。

数据集集成#

  • Roboflow：为 Ultralytics 模型提供数据集标注和管理功能，并提供用于标注图像的注释工具。

导出格式#

我们还支持多种模型导出格式，以便在不同环境中进行部署。以下是可用格式：

格式format 参数模型元数据参数
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz、quantize、dynamic、nms、batch、device
ONNXonnxyolo26n.onnx✅imgsz、quantize、dynamic、simplify、opset、nms、batch、data、fraction、device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz、quantize、dynamic、nms、batch、data、fraction、device
TensorRTengineyolo26n.engine✅imgsz、quantize、dynamic、simplify、opset、workspace、nms、batch、data、fraction、device
CoreMLcoremlyolo26n.mlpackage✅imgsz、dynamic、quantize、nms、batch、device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz、keras、quantize、opset、nms、batch、data、fraction、device
TF GraphDefpbyolo26n.pb❌imgsz、opset、batch、device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz、quantize、opset、data、fraction、device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz、batch、device
MNNmnnyolo26n.mnn✅imgsz、batch、dynamic、quantize、simplify、opset、nms、device
NCNNncnnyolo26n_ncnn_model/✅imgsz、quantize、batch、device
IMX500imxyolo26n_imx_model/✅imgsz、quantize、data、fraction、nms、device
RKNNrknnyolo26n_rknn_model/✅imgsz、batch、name、quantize、simplify、opset、data、fraction、device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz、batch、device
Axeleraaxelerayolo26n_axelera_model/✅imgsz、batch、quantize、data、fraction、device
DEEPXdeepxyolo26n_deepx_model/✅imgsz、quantize、simplify、opset、data、optimize、device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz、batch、name、quantize、simplify、opset、data、fraction、device
LiteRTlitertyolo26n.tflite✅imgsz、quantize、batch、data、fraction、device
Hailohailoyolo26n_hailo_model/✅imgsz、name、quantize、data、fraction、simplify、conf、iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz、batch、name、quantize、opset、simplify、nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz、batch、quantize

nms=None 默认对外部 NMS 使用原始输出。设置 nms=False 以选择可用的无 NMS 检测头；不支持的格式将回退到其本机输出路径。上面的 nms 条目标识了可以通过 nms=True 嵌入 NMS 的格式。

通过浏览这些链接，详细了解每种集成以及如何将其与 Ultralytics 结合使用以发挥最大价值。请在导出页面查看完整的 export 详情。

为我们的集成做出贡献#

我们一直很期待看到社区如何将 Ultralytics YOLO 与其他技术、工具和平台集成！如果你已成功将 YOLO 集成到新系统中，或有宝贵的见解可以分享，不妨考虑为我们的集成文档做出贡献。

通过编写指南或教程，你可以帮助扩展我们的文档，并提供让社区受益的真实示例。这是为不断发展的 Ultralytics YOLO 生态系统做出贡献的绝佳方式。

如需贡献内容，请查看我们的贡献指南，了解如何提交拉取请求 (PR) 🛠️。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、功能更加丰富 🙏！

常见问题#

  • Ultralytics Platform 是一个基于云的平台，旨在让 Ultralytics 模型的机器学习工作流变得无缝且高效。使用此工具，你可以轻松上传数据集、训练模型、执行实时跟踪以及部署 YOLO 模型，而无需具备深厚的编码技能。该平台充当集中式工作区，让你能够管理从数据准备到部署的完整机器学习流程。你可以在 Ultralytics Platform 页面探索主要功能，并通过我们的快速入门指南快速开始。

  • 可以。将 MLFlow 与 Ultralytics 模型集成后，你可以跟踪实验、提升可复现性并简化整个机器学习生命周期。有关设置此集成的详细说明，请参阅 MLFlow 集成页面。此集成特别适用于监控模型指标、比较不同的训练运行以及高效管理机器学习工作流。MLFlow 提供集中式平台来记录参数、指标和产物，从而更容易了解模型行为并进行数据驱动的改进。

  • Neural Magic 利用量化感知训练 (QAT) 和剪枝等技术优化 YOLO26 模型，从而得到高效、小型且在资源受限硬件上表现更佳的模型。请查看 Neural Magic 集成页面，了解如何实施这些优化，以获得更出色的性能和更小的模型尺寸。这对于部署到计算资源受限的边缘设备尤其有益。Neural Magic 的 DeepSparse 引擎可在 CPU 上实现最高 6 倍的推理加速，从而无需专用硬件即可运行复杂模型。

  • 要使用 Gradio 部署 Ultralytics YOLO 模型，创建交互式目标检测演示，你可以按照 Gradio 集成页面中列出的步骤操作。Gradio 支持你创建易于使用的 Web 界面来进行实时模型推理，是以适合开发者和终端用户的友好形式展示 YOLO 模型能力的优秀工具。只需几行代码，你就可以构建交互式应用，展示模型在自定义输入上的性能，从而更好地理解和评估你的计算机视觉解决方案。

贡献者
GLglenn-jocher37ABabirami-vina18AMambitious-octopus6BUBurhan-Q6JEJESUSROYETH4RIRizwanMunawar4RAraimbekovm3PDpderrenger2KLklemen19991DADaisuke Majima1JAJaviChulvi1RARahulbiradar91LAlakshanthad1DEdeepx-dgkim1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

评论