企业级安全： 符合 ISO 27001 + SOC 2 Type I 标准。

Link to this sectionUltralytics 集成#

欢迎来到 Ultralytics 集成页面！本页面概述了我们与各种工具和平台的合作伙伴关系，旨在简化你的 机器学习 工作流程、增强数据集管理、简化模型训练并促进高效部署。

Ultralytics YOLO ecosystem and integrations


Watch: Ultralytics YOLO Deployment and Integrations

Link to this section训练集成#

  • Albumentations：使用强大的图像增强功能增强你的 Ultralytics 模型，以提高模型的稳健性和泛化能力。

  • 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站式平台。

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

  • Comet ML：通过跟踪、比较和优化你的机器学习实验，增强你的 Ultralytics 模型开发体验。

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

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

  • IBM Watsonx：了解 IBM Watsonx 如何通过其尖端的 AI 工具、轻松的集成和先进的模型管理系统，简化 Ultralytics 模型的训练和评估。

  • JupyterLab：了解如何利用 JupyterLab 的交互式和可定制环境，轻松高效地训练和评估 Ultralytics 模型。

  • Kaggle：探索如何使用 Kaggle 在云端环境中训练和评估 Ultralytics 模型，该环境提供预装库、GPU 支持以及用于协作和共享的活跃社区。

  • 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 模型的整个机器学习生命周期，从实验和可重复性到部署。

  • Neptune：在这个专为 MLOps 设计的元数据存储中，全面记录你的 Ultralytics 机器学习实验。

  • Paperspace Gradient：Paperspace Gradient 提供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：在任何规模下优化你的 Ultralytics 模型超参数。

  • TensorBoard：可视化你的 Ultralytics 机器学习工作流程，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 开发工作流程，并提供示例帮助任何人学习或入门。

  • Weights & Biases (W&B)：监控实验、可视化指标，并促进 Ultralytics 项目的可重复性和协作。

Link to this section部署集成#

  • Ambarella：使用 SpongeTorch 感知压缩训练和离线 CVflow 工具链，为 Ambarella CVflow® SoC（如 CV72）训练、压缩并导出 Ultralytics YOLO 模型。

  • Axelera：探索 Metis 加速器和 Voyager SDK，以便在边缘侧高效运行 Ultralytics 模型推理。

  • Core AI：了解 Apple 的新 .aimodel 格式、Core AI 与 Core ML 的对比、其当前局限性，以及计划中针对 iOS 27 和 macOS 27 版本的 Ultralytics 集成。

  • 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 应用程序中的框架，利用 Apple 的硬件进行高效且安全的 模型部署。

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

  • ExecuTorch：由 Meta 开发，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，以进行实时的交互式目标检测演示。

  • Hailo：将 Ultralytics YOLO 检测、分割、姿态、OBB、分类和语义分割模型直接导出为 Hailo HEF；有关经过验证的模型和目标，请参阅集成指南。

  • MNN：由 Alibaba 开发，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和训练，并在端侧推理和训练方面具备行业领先的性能。

  • NCNN：由 Tencent 开发，NCNN 是一个专为移动设备定制的高效 神经网络 推理框架。它支持将 AI 模型直接部署到应用程序中，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小的模型体积。

  • ONNX：由 Microsoft 创建的开源格式，用于促进 AI 模型在不同框架之间的迁移，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 Baidu 开发的开源深度学习平台，PaddlePaddle 支持高效的 AI 模型部署，并专注于工业应用的可扩展性。

  • Qualcomm QNN：利用 ONNX Runtime QNN 执行提供程序，将 Ultralytics YOLO 模型在本地编译为 QNN (AI Engine Direct) 上下文二进制格式，以在移动和边缘设备的 Snapdragon CPU、Adreno GPU 和 Hexagon NPU 硬件上加速推理。

  • Rockchip RKNN：由 Rockchip 开发，RKNN 是一个专门的神经网络推理框架，针对 Rockchip 的硬件平台（特别是其 NPU）进行了优化。它促进了 AI 模型在边缘设备上的高效部署，使实时应用能够实现高性能推理。

  • Seeed Studio reCamera：由 Seeed Studio 开发，reCamera 是一款专为实时计算机视觉应用设计的先进边缘 AI 设备。它采用基于 RISC-V 的 SG200X 处理器，提供高性能、高能效的 AI 推理能力。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 上优化并部署 Ultralytics YOLO26 模型，以实现快速、低功耗的性能。

  • TensorRT：由 NVIDIA 开发，这个高性能 深度学习 推理框架和模型格式可优化 AI 模型在 NVIDIA GPU 上的加速速度和效率，确保简化的部署流程。

  • TF GraphDef：由 Google 开发，GraphDef 是 TensorFlow 用于表示计算图的格式，能够实现在不同硬件上对机器学习模型的优化执行。

  • TF SavedModel：由 Google 开发，TF SavedModel 是 TensorFlow 模型的通用序列化格式，便于在从服务器到边缘设备的各种平台上轻松共享和部署。

  • TFLite Edge TPU：由 Google 开发，用于优化 Edge TPU 上的 TensorFlow Lite 模型，该模型格式可确保高速、高效的 边缘计算。

  • LiteRT：由 Google 开发，LiteRT（前身为 TensorFlow Lite）是用于 .tflite 格式的端侧运行时，支持在移动设备、嵌入式设备、边缘设备和浏览器（通过 LiteRT.js）上部署单一模型。

  • 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。

Link to this section数据集集成#

  • Roboflow：促进 Ultralytics 模型的数据集标注和管理，提供用于标记图像的标注工具。

Link to this section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✅-
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, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, quantize, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, 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, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, opset, simplify, conf, iou

探索这些链接以了解有关各项集成的更多信息，以及如何通过 Ultralytics 最大限度地利用它们。有关 export 的详细信息，请参阅 Export 页面。

Link to this section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、工具和平台集成！如果你已成功将 YOLO 与新系统集成，或者有宝贵的见解想要分享，请考虑 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。

如需贡献，请查看我们的 贡献指南，获取关于如何提交拉取请求 (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 🙏！

Link to this section常见问题解答#

Link to this section什么是 Ultralytics Platform，它如何简化机器学习工作流程？#

Ultralytics Platform 是一个基于云的平台，旨在使 Ultralytics 模型的工作流实现无缝且高效的机器学习。通过使用此工具，你无需具备深厚的编程技能即可轻松上传数据集、训练模型、执行实时追踪并部署 YOLO 模型。该平台作为一个中心化工作区，让你能够管理从数据准备到部署的整个机器学习流水线。你可以在 Ultralytics Platform 页面探索主要功能，并按照我们的 Quickstart 指南快速上手。

Link to this section我可以使用 MLFlow 跟踪我的 Ultralytics 模型性能吗？#

是的，你可以。将 MLFlow 与 Ultralytics 模型集成，可以让你跟踪实验、提高可重复性并简化整个机器学习生命周期。设置此集成的详细说明可以在 MLFlow 集成页面找到。此集成对于监控模型指标、比较不同的训练运行以及高效管理机器学习工作流程特别有用。MLFlow 提供了一个集中式平台来记录参数、指标和制品，从而更容易理解模型行为并进行数据驱动的改进。

Link to this section使用 Neural Magic 进行 YOLO26 模型优化有哪些好处？#

Neural Magic 通过利用量化感知训练 (QAT) 和剪枝等技术优化 YOLO26 模型，从而产生在资源受限的硬件上性能更好的高效小型模型。查看 Neural Magic 集成页面，了解如何实施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为有利。Neural Magic 的 DeepSparse 引擎可以在 CPU 上提供快达 6 倍的推理速度，从而无需专业硬件即可运行复杂模型。

Link to this section我该如何使用 Gradio 部署 Ultralytics YOLO 模型以进行交互式演示？#

要将 Ultralytics YOLO 模型与 Gradio 部署用于交互式 object detection 演示，你可以遵循 Gradio 集成页面上概述的步骤。Gradio 允许你为实时模型推理创建易于使用的 Web 界面，使其成为以用户友好的格式展示 YOLO 模型能力的绝佳工具，非常适合开发者和终端用户。只需几行代码，你就能构建出交互式应用程序，展示模型在自定义输入上的性能，从而促进对你的计算机视觉解决方案的更好理解和评估。

贡献者
GLglenn-jocher32ABabirami-vina18AMambitious-octopus6BUBurhan-Q6RIRizwanMunawar4JEJESUSROYETH3RAraimbekovm2LAlakshanthad1DEdeepx-dgkim1PDpderrenger1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

评论