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 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, batch |
| 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🙏！