Ultralytics YOLO27：
Get Started

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程、改进数据集管理、简化模型训练，并助力高效部署。

Ultralytics YOLO ecosystem and integrations


观看： Ultralytics YOLO 部署与集成

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，让 Claude Code、Codex、Cursor 和 Gemini CLI 等 AI 编码代理掌握完整的 Ultralytics YOLO 工作流程。

  • Albumentations：使用强大的图像增强功能提升 Ultralytics 模型的鲁棒性和泛化能力。

  • Amazon SageMaker：借助 Amazon SageMaker 高效构建、训练和部署 Ultralytics 模型，通过一体化平台覆盖整个 ML 生命周期。

  • ClearML：自动化 Ultralytics ML 工作流程、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，提升 Ultralytics 模型的开发效率。

  • DVC：为 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：使用 Google Colab 在支持协作和共享的云环境中训练和评估 Ultralytics 模型。

  • IBM Watsonx：了解 IBM Watsonx 如何借助前沿 AI 工具、轻松集成和先进的模型管理系统，简化 Ultralytics 模型的训练与评估。

  • JupyterLab：了解如何利用 JupyterLab 交互式且可定制的环境，轻松高效地训练和评估 Ultralytics 模型。

  • Kaggle：探索如何在 Kaggle 的云环境中训练和评估 Ultralytics 模型。该环境提供预装库、GPU 支持，以及活跃的社区，便于协作和共享。

  • Modal：在 Modal 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缩容。

  • MLFlow：简化 Ultralytics 模型的整个 ML 生命周期，涵盖实验、可复现性和部署。

  • Paperspace Gradient：Paperspace Gradient 提供易用的云工具，帮助你快速训练、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 Ultralytics 模型的超参数。

  • TensorBoard：可视化 Ultralytics ML 工作流程、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和数据集。

  • VS Code：适用于 VS Code 的扩展，提供代码片段以加快 Ultralytics 开发工作流程，并提供示例，帮助任何人学习或快速上手。

  • 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：直接根据 Ultralytics YOLO YAML 配置文件生成适用于出版物的 SVG 架构图。

部署集成#

  • Ambarella：使用 SpongeTorch 压缩感知训练和离线 CVflow 工具链，为 CV72 等 Ambarella CVflow® SoC 训练、压缩并导出 Ultralytics YOLO 模型。

  • AMD：将 Ultralytics YOLO 导出为 ONNX，并通过 ROCm 上的 ONNX Runtime MIGraphX 执行提供程序，在 AMD Instinct 和 Radeon GPU 上运行 GPU 加速推理；同时也支持原生 PyTorch ROCm 训练。

  • AMD Xilinx：使用 format="xilinx" 导出 Ultralytics YOLO，以用于 AMD Versal AI Edge Series Gen 2 NPU，并借助 AMD Quark 和 Vitis AI；本指南还介绍 Zynq、Kria 和 Versal 设备、DPU 与 NPU 加速器的区别，以及 YOLO 算子支持情况。

  • Axelera：了解 Metis 加速器和 Voyager SDK，使用高效的边缘推理运行 Ultralytics 模型。

  • Core AI：了解 Apple 全新的 .aimodel 格式、Core AI 与 Core ML 的对比及其当前限制，以及如何使用 format="coreai" 导出适用于 iOS 27 和 macOS 27 新一代系统的 YOLO26 模型。

  • CoreML：CoreML 由 Apple 开发，是一个框架，旨在利用 Apple 硬件，高效地将机器学习模型集成到 iOS、macOS、watchOS 和 tvOS 应用中，实现安全有效的模型部署。

  • DEEPX：将 Ultralytics YOLO 模型导出为 DEEPX .dxnn 格式，以便在 DEEPX NPU 硬件上进行节能的 INT8 推理，适用于嵌入式和边缘 AI 应用。

  • ExecuTorch：由 Meta 开发的 ExecuTorch 是 PyTorch 提供的统一解决方案，可将 Ultralytics YOLO 模型部署到边缘设备上。

  • Gradio：使用 Gradio 部署 Ultralytics 模型，构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；有关已验证的模型和目标设备，请参阅集成指南。

  • 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 摄像头上直接运行模型。

  • MNN：MNN 由 Alibaba 开发，是一种高效、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拥有业界领先的性能。

  • NCNN：NCNN 由 Tencent 开发，是一种专为移动设备设计的高效神经网络推理框架。它可将 AI 模型直接部署到应用中，并针对各种移动平台优化性能。

  • Neural Magic：运用量化感知训练 (QAT) 和剪枝技术，优化 Ultralytics 模型，实现更出色的性能和更小的模型体积。

  • ONNX：由 Microsoft 创建的开源格式，旨在促进 AI 模型在不同框架之间迁移，提升 Ultralytics 模型的通用性和部署灵活性。

  • OpenVINO：Intel 的工具套件，可在各种 Intel CPU 和 GPU 平台上高效优化和部署计算机视觉模型。

  • PaddlePaddle：Baidu 推出的开源深度学习平台，支持高效部署 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) context-binary 格式，从而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：RKNN 由 Rockchip 开发，是一种专为 Rockchip 硬件平台（尤其是其 NPU）优化的神经网络推理框架。它能够在边缘设备上高效部署 AI 模型，支持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，能够以较高能效提供高性能 AI 推理。其模块化设计、先进的视频处理能力和灵活的部署支持，使其适用于安全监控、环境应用和制造等多种场景。

  • 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：该高性能深度学习推理框架和模型格式由 NVIDIA 开发，可优化 AI 模型，使其在 NVIDIA GPU 上实现更快速度和更高效率，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，可在各种硬件上优化机器学习模型的执行。

  • TF SavedModel：TF SavedModel 由 Google 开发，是一种通用的序列化格式，适用于 TensorFlow 模型，可轻松地在从服务器到边缘设备的各种平台上共享和部署模型。

  • TFLite Edge TPU：该模型格式由 Google 开发，用于在 Edge TPU 上优化 TensorFlow Lite 模型，确保实现高速、高效的边缘计算。

  • LiteRT：LiteRT 由 Google 开发，原名 TensorFlow Lite，是适用于设备端 .tflite 格式的运行时，可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（通过 LiteRT.js）。

  • TorchScript：TorchScript 作为 PyTorch 框架的一部分开发，无需依赖 Python，即可在各种生产环境中高效执行和部署机器学习模型。

数据集集成#

  • Roboflow：为 Ultralytics 模型提供数据集标注和管理支持，并提供图像标注工具。

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
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, 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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, 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
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device

nms=None 默认输出原始结果，以供外部 NMS 使用。设置 nms=False 可选择可用的无 NMS 检测头；不支持的格式会回退到其原生输出路径。上方的 nms 条目表示可以通过 nms=True 嵌入 NMS 的格式。

点击链接，了解各项集成的更多信息，以及如何充分利用这些集成功能来配合 Ultralytics 使用。请参阅 导出页面，了解完整的 export 详情。

为我们的集成项目贡献力量#

我们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，或有宝贵经验想要分享，不妨考虑为我们的集成文档做出贡献。

通过撰写指南或教程，你可以帮助扩展我们的文档，并提供惠及社区的真实案例。这是为不断发展的 Ultralytics YOLO 生态系统贡献力量的绝佳方式。

如需贡献，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，让 Ultralytics YOLO 生态系统更加丰富、功能更加完善 🙏！

常见问题#

  • Ultralytics Platform 是一个云平台，旨在让 Ultralytics 模型的机器学习工作流程更加顺畅、高效。使用该工具，你可以轻松上传数据集、训练模型、执行实时跟踪和部署 YOLO 模型，无需具备丰富的编码技能。该平台是一个集中式工作空间，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 页面了解主要功能，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、提高可复现性，并简化整个 ML 生命周期。有关设置此集成的详细说明，请参阅 MLFlow 集成页面。此集成尤其适用于监控模型指标、比较不同的训练运行，以及高效管理 ML 工作流程。MLFlow 提供集中式平台，用于记录参数、指标和制品，帮助你更轻松地了解模型行为并进行数据驱动的改进。

  • Neural Magic 运用量化感知训练 (QAT) 和剪枝等技术优化 YOLO26 模型，从而生成高效、小巧的模型，使其在资源受限的硬件上表现更出色。查看 Neural Magic 集成页面，了解如何实施这些优化，以获得更佳性能和更小的模型体积。这对于计算资源受限的边缘设备部署尤其有益。Neural Magic 的 DeepSparse 引擎可将 CPU 推理速度提升至最高 6 倍，让你无需专用硬件也能运行复杂模型。

  • 如需使用 Gradio 部署 Ultralytics YOLO 模型，创建交互式目标检测演示，你可以按照 Gradio 集成页面中的步骤操作。Gradio 让你能够创建易用的 Web 界面，用于实时模型推理，是以用户友好形式展示 YOLO 模型能力的绝佳工具，适合开发者和最终用户。只需几行代码，你就能构建交互式应用，展示模型在自定义输入上的表现，从而帮助用户更好地理解和评估你的计算机视觉解决方案。

贡献者
GLglenn-jocher40ABabirami-vina18AMambitious-octopus6BUBurhan-Q6JEJESUSROYETH4RIRizwanMunawar4RAraimbekovm3LAlakshanthad2PDpderrenger2IVIvan Tikhonov1KLklemen19991DADaisuke Majima1JAJaviChulvi1RARahulbiradar91DEdeepx-dgkim1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

评论