在 GitHub 上编辑页面 (EN)

Ultralytics 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

训练集成

  • Albumentations：通过强大的图像增强功能增强你的 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，增强你使用 Ultralytics 进行的模型开发。

  • 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：了解如何使用 JupyterLab 的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 在云端环境中训练和评估 Ultralytics 模型，该环境预装了库、支持 GPU，并拥有活跃的社区以供协作和共享。

  • Modal：在 Modal 的无服务器云平台上运行 Ultralytics 模型，该平台提供自动 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 模型从实验、可重复性到部署的整个机器学习生命周期。

  • Neptune：在这个专为 MLOps 设计的元数据存储中，为你使用 Ultralytics 进行的机器学习实验维护全面的日志。

  • Paperspace Gradient：Paperspace Gradient 通过提供易于使用的云工具来快速训练、测试和部署模型，从而简化 YOLO26 项目的工作。

  • 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：访问预训练的 Ultralytics 模型社区并为其做出贡献。

  • VS Code：一个适用于 VS Code 的扩展，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。

部署集成

  • Axelera：探索 Metis 加速器和 Voyager SDK，以实现高效的边缘端 Ultralytics 模型推理。

  • 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 应用程序中，并利用 Apple 的硬件进行有效且安全的 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 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、交互式的目标检测演示。

  • 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拥有行业领先的性能。

  • 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，优化跨各种移动平台的性能。

  • 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的传输，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：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。

  • 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 开发的 reCamera 是一款先进的边缘 AI 设备，专为实时计算机视觉应用而设计。它由基于 RISC-V 的 SG200X 处理器提供动力，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：在带有 IMX500 传感器的 Raspberry Pi AI 摄像头上优化和部署 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优化了 AI 模型，以在 NVIDIA GPU 上实现加速的速度和效率，确保简化的部署。

  • TF GraphDef：由 Google 开发，GraphDef 是 TensorFlow 用于表示计算图的格式，实现了机器学习模型在不同硬件上的优化执行。

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

  • TF.js：由 Google 开发，旨在促进浏览器和 Node.js 中的机器学习，TF.js 允许基于 JavaScript 的机器学习模型部署。

  • TFLite：由 Google 开发，TFLite 是一个用于在移动设备和边缘设备上部署机器学习模型的轻量级框架，确保以最小的内存占用实现快速、高效的推理。

  • TFLite Edge TPU：由 Google 开发，用于在 Edge TPU 上优化 TensorFlow Lite 模型，该模型格式确保了高速、高效的 边缘计算。

  • TorchScript：作为 PyTorch 框架的一部分开发，TorchScript 支持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：促进 Ultralytics 模型的数据集标注和管理，提供标注工具以标记图像。

导出格式

我们还支持各种模型导出格式，以便在不同的环境中进行部署。以下是可用的格式：

格式format 参数模型元数据参数
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Litetfliteyolo26n.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DeepXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device

Explore the links to learn more about each integration and how to get the most out of them with Ultralytics. See full export details in the Export page.

为我们的集成做出贡献

我们总是很兴奋看到社区如何将 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实际示例。这是为 Ultralytics YOLO 周围不断发展的生态系统做出贡献的一种绝佳方式。

若要做出贡献，请查看我们的 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 生态系统更加广阔且功能丰富 🙏！

常见问题 (FAQ)

什么是 Ultralytics Platform，它如何简化机器学习工作流程？

Ultralytics Platform 是一个云端平台，旨在使 Ultralytics 模型的工作流程变得无缝且高效。通过使用此工具，你可以轻松上传数据集、训练模型、执行实时跟踪并部署 YOLO 模型，而无需深厚的编码技能。该平台作为一个集中的工作空间，你可以从中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，并利用我们的 快速入门 指南快速上手。

我可以使用 MLFlow 跟踪我的 Ultralytics 模型性能吗？

是的，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 集成页面上找到。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 提供了一个集中的平台来记录参数、指标和工件，从而更容易理解模型行为并进行数据驱动的改进。

使用 Neural Magic 优化 YOLO26 模型有哪些好处？

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，了解如何实施这些优化以获得卓越的性能和更精简的模型。这对于部署在计算资源受限的边缘设备上特别有益。Neural Magic 的 DeepSparse 引擎在 CPU 上可以提供高达 6 倍的推理加速，使在没有专用硬件的情况下运行复杂模型成为可能。

我如何使用 Gradio 部署 Ultralytics YOLO 模型以进行交互式演示？

要使用 Gradio 部署 Ultralytics YOLO 模型以进行交互式 目标检测 演示，你可以按照 Gradio 集成页面上概述的步骤操作。Gradio 允许你创建易于使用的 Web 界面以进行实时模型推理，使其成为展示 YOLO 模型功能的优秀工具，其用户友好的格式适合开发人员和最终用户。只需几行代码，你就可以构建交互式应用程序，在自定义输入上展示模型性能，从而促进对你的计算机视觉解决方案的更好理解和评估。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher28ABabirami-vina18BUBurhan-Q6AMambitious-octopus4RIRizwanMunawar4RAraimbekovm1PDpderrenger1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

评论