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关系，旨在简化您的机器学习工作流程、加强数据集管理、简化模型训练并促进高效部署。
观看： Ultralytics YOLO11 部署和集成
数据集集成
- Roboflow:促进Ultralytics 模型的无缝数据集管理，提供强大的注释、预处理和增强功能。
培训整合
-
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。
-
ClearML:自动化Ultralytics ML 工作流、监控实验并促进团队协作。
-
Comet ML：通过Ultralytics 跟踪、比较和优化机器学习实验，加强模型开发。
-
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 如何利用其尖端的人工智能工具、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 在基于云的环境中训练和评估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。
-
MLFlow：简化Ultralytics 模型的整个 ML 生命周期，从实验、可重现性到部署。
-
Neptune:在这个专为 MLOps 设计的元数据存储中，通过Ultralytics 维护 ML 实验的全面日志。
-
Paperspace Gradient Paperspace Gradient 提供易于使用的云工具，可用于快速培训、测试和部署模型，从而简化YOLO11 项目的工作。
-
Ray Tune：以任何比例优化Ultralytics 模型的超参数。
-
TensorBoard：可视化Ultralytics ML 工作流、监控模型指标并促进团队协作。
-
Ultralytics HUB：访问预先训练的Ultralytics 模型社区并为其做出贡献。
-
Weights & Biases (W&B）：监控实验、可视化指标、促进Ultralytics 项目的可重复性和协作。
-
VS 代码：它是 VS Code 的一个扩展，可提供代码片段，用于使用Ultralytics 加速开发工作流程，还可为查找示例以帮助学习或开始使用Ultralytics 的任何人提供帮助。
-
图像增强：利用强大的图像增强功能来增强Ultralytics 模型，从而提高模型的稳健性和通用性。
-
索尼 IMX500：优化和部署 Ultralytics YOLOv8在 Raspberry Pi AI 相机上使用 IMX500 传感器，以实现快速、低功耗的性能。
部署集成
-
CoreML:CoreML该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，并利用苹果的硬件实现高效、安全的模型部署。
-
Gradio🚀 新功能：使用 Gradio 部署Ultralytics 模型，进行实时、交互式对象检测演示。
-
NCNN:NCNN 由腾讯开发，是专为移动设备定制的高效神经网络推理框架。它可以将人工智能模型直接部署到应用程序中，优化各种移动平台的性能。
-
MNN：MNN 由阿里巴巴开发，是一个高效、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，在设备上进行推理和训练时具有业界领先的性能。
-
Neural Magic:利用量化感知训练（QAT）和剪枝技术优化Ultralytics 模型，使其性能更优、体积更小。
-
ONNX:一种开源格式，由 Microsoft创建的一种开源格式，用于促进人工智能模型在各种框架之间的转移，提高Ultralytics 模型的通用性和部署灵活性。
-
PaddlePaddle:PaddlePaddle 是百度的一个开源深度学习平台，可实现人工智能模型的高效部署，并专注于工业应用的可扩展性。
-
TF GraphDef:开发者 Google,GraphDef 是TensorFlow 用来表示计算图的格式，可以优化机器学习模型在不同硬件上的执行。
-
TF SavedModel:开发者 GoogleTF SavedModel 是一种通用的模型序列化格式。 TensorFlow模型的通用序列化格式，可在从服务器到边缘设备的各种平台上轻松共享和部署。
-
TF.js：由 GoogleTF.js 允许基于 JavaScript 部署 ML 模型，以促进浏览器和 Node.js 中的机器学习。
-
TFLite：由 GoogleTFLite 是一个轻量级框架，用于在移动和边缘设备上部署机器学习模型，确保以最小的内存占用进行快速、高效的推理。
-
TFLite EdgeTPU: 由 Google开发，用于在边缘 TPU 上优化TensorFlow Lite 模型，这种模型格式可确保高速、高效的边缘计算。
-
TensorRT:由 NVIDIA该高性能深度学习推理框架和模型格式优化了人工智能模型，可在NVIDIA GPU 上加快速度和提高效率，确保简化部署。
-
TorchScript:作为 PyTorchTorchScript 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 依赖性。
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。以下是可用的格式：
| 格式 | format 论据 |
模型 | 元数据 | 论据 |
|---|---|---|---|---|
| PyTorch | - | yolo11n.pt |
✅ | - |
| TorchScript | torchscript |
yolo11n.torchscript |
✅ | imgsz, optimize, batch |
| ONNX | onnx |
yolo11n.onnx |
✅ | imgsz, half, dynamic, simplify, opset, batch |
| OpenVINO | openvino |
yolo11n_openvino_model/ |
✅ | imgsz, half, int8, batch |
| TensorRT | engine |
yolo11n.engine |
✅ | imgsz, half, dynamic, simplify, workspace, int8, batch |
| CoreML | coreml |
yolo11n.mlpackage |
✅ | imgsz, half, int8, nms, batch |
| TF SavedModel | saved_model |
yolo11n_saved_model/ |
✅ | imgsz, keras, int8, batch |
| TF GraphDef | pb |
yolo11n.pb |
❌ | imgsz, batch |
| TF 轻型 | tflite |
yolo11n.tflite |
✅ | imgsz, half, int8, batch |
| TF 边缘TPU | edgetpu |
yolo11n_edgetpu.tflite |
✅ | imgsz |
| TF.js | tfjs |
yolo11n_web_model/ |
✅ | imgsz, half, int8, batch |
| PaddlePaddle | paddle |
yolo11n_paddle_model/ |
✅ | imgsz, batch |
| MNN | mnn |
yolo11n.mnn |
✅ | imgsz, batch, int8, half |
| NCNN | ncnn |
yolo11n_ncnn_model/ |
✅ | imgsz, half, batch |
| IMX500 | imx |
yolov8n_imx_model/ |
✅ | imgsz, int8 |
浏览链接，了解有关每个集成的更多信息，以及如何通过Ultralytics 充分利用这些集成。查看全文 export 中的详细信息 出口 page.
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！如果您已成功地将YOLO 与新系统集成，或有宝贵的见解可供分享，请考虑向我们的集成文档投稿。
通过编写指南或教程，您可以帮助扩展我们的文档，并提供有益于社区的实际示例。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。
要做出贡献，请查看我们的贡献指南，了解如何提交 Pull Request (PR) 🛠️。我们热切期待您的贡献！
让我们携手合作，使Ultralytics YOLO 生态系统更加广阔、功能更加丰富🙏！
常见问题
Ultralytics HUB 是什么？它如何简化 ML 工作流程？
Ultralytics HUB 是一个基于云的平台，旨在使Ultralytics 模型的机器学习 (ML) 工作流程无缝而高效。通过使用该工具，您可以轻松上传数据集、训练模型、执行实时跟踪并部署YOLO11 模型，而无需大量的编码技能。您可以在Ultralytics HUB 页面上了解主要功能，并通过我们的 快速入门指南快速入门。
如何将Ultralytics YOLO 模型与Roboflow 进行数据集管理？
将Ultralytics YOLO 模型与Roboflow 整合，可为标注、预处理和扩增提供强大的工具，从而加强数据集管理。要开始使用，请按照 Roboflow集成页面上的步骤开始操作。这种合作关系可确保高效的数据集处理，这对开发准确、强大的YOLO 模型至关重要。
能否使用 MLFlow 跟踪Ultralytics 模型的性能？
是的，您可以。将 MLFlow 与Ultralytics 模型集成后，您就可以跟踪实验、提高可重复性并简化整个 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。该集成对于监控模型指标和高效管理 ML 工作流特别有用。
使用Neural Magic 对YOLO11 模型进行优化有什么好处？
Neural Magic 通过利用量化感知训练（QAT）和剪枝等技术优化YOLO11 模型，从而生成高效、更小的模型，在资源有限的硬件上表现更佳。查看 Neural Magic集成页面，了解如何实现这些优化，以获得更出色的性能和更精简的模型。这对在边缘设备上部署尤其有益。
如何使用 Gradio 部署Ultralytics YOLO 模型进行交互式演示？
要将Ultralytics YOLO 模型与 Gradio 一起部署用于交互式物体检测演示，您可以按照Gradio集成页面上概述的步骤进行操作。Gradio 允许您为实时模型推理创建易于使用的网络界面，是以适合开发人员和最终用户的用户友好格式展示YOLO 模型功能的绝佳工具。
通过解决这些常见问题，我们旨在改善用户体验，为Ultralytics 产品的强大功能提供有价值的见解。纳入这些常见问题不仅可以增强文档的功能，还能为Ultralytics 网站带来更多的有机流量。
