跳至内容

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。

Ultralytics YOLO 生态系统和集成



观看: Ultralytics YOLOv8 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

  • 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。

  • MLFlow:简化Ultralytics 模型的整个 ML 生命周期,从实验、可重现性到部署。

  • Ultralytics HUB:访问预先训练的Ultralytics 模型社区并为其做出贡献。

  • 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。

  • 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。

  • 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。

  • 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。

  • 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YOLOv8 项目的工作。

  • 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。

部署集成

  • 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。

  • 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。

  • 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,而无需依赖Python 。

  • ONNX:由微软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传输,提高Ultralytics 模型的通用性和部署灵活性。

  • OpenVINO:英特尔工具包:用于在各种英特尔 CPU 和 GPU 平台上优化和高效部署计算机视觉模型。

  • TensorRT:该高性能深度学习推理框架和模型格式由英伟达™(NVIDIA®)开发,可优化人工智能模型,在英伟达™(NVIDIA®)GPU 上加快速度和提高效率,确保简化部署。

  • CoreML:CoreML该框架旨在将机器学习模型高效地集成到 iOS、macOS、watchOS 和 tvOS 应用程序中,并利用苹果的硬件实现高效、安全的模型部署。

  • TF SavedModel:TF SavedModel 由Google 开发,是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 GraphDef:GraphDef 由谷歌开发,是TensorFlow 用来表示计算图的格式,可在不同硬件上优化机器学习模型的执行。

  • TFLite:TFLite由谷歌开发,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,用于优化 Edge TPU 上的TensorFlow Lite 模型,这种模型格式可确保高速、高效的边缘计算。

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

  • 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。

  • 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。

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 - yolov8n.pt -
TorchScript torchscript yolov8n.torchscript imgsz, optimize, batch
ONNX onnx yolov8n.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolov8n.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb imgsz, batch
TF 轻型 tflite yolov8n.tflite imgsz, half, int8, batch
TF 边缘TPU edgetpu yolov8n_edgetpu.tflite imgsz
TF.js tfjs yolov8n_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ imgsz, half, batch

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🙏!



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (15), Burhan-Q (5), abirami-vina (14), RizwanMunawar (1)

评论