Meet YOLO26: next-gen vision AI.

Link to this sectionUltralytics インテグレーション#

Ultralytics インテグレーションページへようこそ！このページでは、機械学習ワークフローの合理化、データセット管理の強化、モデルトレーニングの簡素化、効率的なデプロイを促進するために設計された、さまざまなツールやプラットフォームとのパートナーシップの概要を紹介します。

Ultralytics YOLO ecosystem and integrations


Watch: Ultralytics YOLO Deployment and Integrations

Link to this sectionトレーニングのインテグレーション#

  • Albumentations: 強力な画像拡張機能を使用して Ultralytics モデルを強化し、モデルの堅牢性と汎化性能を向上させます。

  • Amazon SageMaker: Amazon SageMaker を活用して Ultralytics モデルを効率的に構築、トレーニング、デプロイします。MLライフサイクルのためのオールインワン・プラットフォームを提供します。

  • ClearML: Ultralytics の ML ワークフローを自動化し、実験を監視し、チームコラボレーションを促進します。

  • Comet ML: 機械学習実験の追跡、比較、最適化を行い、Ultralytics を使用したモデル開発を強化します。

  • DVC: Ultralytics 機械学習プロジェクトのバージョン管理を実装し、データ、コード、モデルを効率的に同期します。

  • Google Colab: Google Colab を使用して、コラボレーションと共有をサポートするクラウドベースの環境で Ultralytics モデルをトレーニングおよび評価します。

  • IBM Watsonx: IBM Watsonx の最先端 AI ツール、容易なインテグレーション、および高度なモデル管理システムによって、Ultralytics モデルのトレーニングと評価がいかに簡素化されるかをご覧ください。

  • JupyterLab: JupyterLab の対話型でカスタマイズ可能な環境を使用して、Ultralytics モデルを効率的かつ簡単にトレーニングおよび評価する方法をご紹介します。

  • Kaggle: 事前インストールされたライブラリ、GPU サポート、コラボレーションと共有のための活発なコミュニティを備えたクラウドベース環境で、Kaggle を使用して Ultralytics モデルをトレーニングおよび評価する方法を探ります。

  • Modal: 自動 GPU プロビジョニング、秒単位の課金、推論およびトレーニングワークロードに対するシームレスなスケーリングを備えた Modal のサーバーレスクラウドプラットフォームで、Ultralytics モデルを実行します。

  • MLFlow: 実験や再現性からデプロイまで、Ultralytics モデルの ML ライフサイクル全体を合理化します。

  • Neptune: MLOps 向けに設計されたこのメタデータストアを使用して、Ultralytics での ML 実験の包括的なログを管理します。

  • Paperspace Gradient: Paperspace Gradient は、トレーニング、テスト、およびモデルの迅速なデプロイのための使いやすいクラウドツールを提供することで、YOLO26 プロジェクトでの作業を簡素化します。

  • Ray Tune: あらゆる規模で Ultralytics モデルのハイパーパラメータを最適化します。

  • TensorBoard: Ultralytics ML ワークフローを可視化し、モデルメトリクスを監視し、チームコラボレーションを促進します。

  • Ultralytics Platform: 事前トレーニング済み Ultralytics モデルのコミュニティにアクセスし、貢献します。

  • VS Code: Ultralytics の開発ワークフローを加速するためのコードスニペットを提供し、学習や開始を支援するサンプルを提供する VS Code 用の拡張機能です。

  • Weights & Biases (W&B): 実験を監視し、メトリクスを可視化し、Ultralytics プロジェクトにおける再現性とコラボレーションを促進します。

Link to this sectionデプロイのインテグレーション#

  • Axelera: 効率的なエッジ推論で Ultralytics モデルを実行するための Metis アクセラレータと Voyager SDK について説明します。

  • CoreML: Apple によって開発された CoreML は、iOS、macOS、watchOS、tvOS 全体でアプリケーションに機械学習モデルを効率的に統合するために設計されたフレームワークであり、Apple のハードウェアを使用して効果的かつ安全なモデルデプロイを実現します。

  • DEEPX: Ultralytics YOLO モデルを DEEPX .dxnn フォーマットにエクスポートし、組み込みおよびエッジ AI アプリケーションを対象とした DEEPX NPU ハードウェア上での電力効率の高い INT8 推論を実現します。

  • ExecuTorch: Meta によって開発された ExecuTorch は、エッジデバイス上で Ultralytics YOLO モデルをデプロイするための PyTorch の統合ソリューションです。

  • Gradio: リアルタイムの対話型物体検出デモのために、Gradio を使用して Ultralytics モデルをデプロイします。

  • Hailo: Hailo の外部 Dataflow Compiler を使用して、Ultralytics YOLO 検出モデルを ONNX から Hailo HEF に変換し、Hailo-8、Hailo-8L、Raspberry Pi AI Kit、および Hailo-15 デバイスで利用できるようにします。

  • MNN: Alibaba によって開発された MNN は、非常に効率的で軽量なディープラーニングフレームワークです。ディープラーニングモデルの推論とトレーニングをサポートし、オンデバイスでの推論とトレーニングにおいて業界をリードするパフォーマンスを備えています。

  • NCNN: Tencent によって開発された NCNN は、モバイルデバイス向けに最適化された効率的なニューラルネットワーク推論フレームワークです。AI モデルを直接アプリにデプロイすることを可能にし、さまざまなモバイルプラットフォームでパフォーマンスを最適化します。

  • Neural Magic: 量子化認識トレーニング (QAT) とプルーニング技術を活用し、Ultralytics モデルの優れたパフォーマンスとモデルサイズの軽量化を実現します。

  • ONNX: Microsoft によって作成されたオープンソースのフォーマットで、さまざまなフレームワーク間での AI モデルの転送を容易にし、Ultralytics モデルの汎用性とデプロイの柔軟性を高めます。

  • OpenVINO: さまざまな Intel CPU および GPU プラットフォームでコンピュータビジョンモデルを効率的に最適化およびデプロイするための Intel のツールキットです。

  • PaddlePaddle: Baidu によるオープンソースのディープラーニングプラットフォームである PaddlePaddle は、AI モデルの効率的なデプロイを可能にし、産業用アプリケーションのスケーラビリティに重点を置いています。

  • Qualcomm QNN: ONNX Runtime QNN Execution Provider を使用して、モバイルおよびエッジデバイスの Snapdragon CPU、Adreno GPU、および Hexagon NPU ハードウェアでの推論を高速化するために、Ultralytics YOLO モデルを QNN (AI Engine Direct) コンテキストバイナリフォーマットへローカルでコンパイルします。

  • Rockchip RKNN: Rockchip によって開発された RKNN は、Rockchip のハードウェアプラットフォーム、特に NPU に最適化された特殊なニューラルネットワーク推論フレームワークです。エッジデバイス上での AI モデルの効率的なデプロイを容易にし、リアルタイムアプリケーションでの高性能な推論を実現します。

  • Seeed Studio reCamera: Seeed Studio によって開発された reCamera は、リアルタイムのコンピュータビジョンアプリケーション向けに設計された高度なエッジ AI デバイスです。RISC-V ベースの SG200X プロセッサを搭載しており、エネルギー効率を保ちながら高性能な AI 推論を実現します。そのモジュール設計、高度なビデオ処理能力、および柔軟なデプロイへのサポートにより、安全監視、環境アプリケーション、製造など、さまざまなユースケースに最適です。

  • SONY IMX500: 高速かつ低消費電力のパフォーマンスを実現するために、IMX500 センサーを搭載した Raspberry Pi AI Camera 上で Ultralytics YOLO26 モデルを最適化およびデプロイします。

  • TensorRT: NVIDIA によって開発されたこの高性能なディープラーニング推論フレームワークおよびモデルフォーマットは、NVIDIA GPU 上で AI モデルを加速し、スピードと効率を最適化することで、スムーズなデプロイを保証します。

  • TF GraphDef: Google によって開発された GraphDef は、計算グラフを表現するための TensorFlow のフォーマットであり、多様なハードウェア全体での機械学習モデルの最適化された実行を可能にします。

  • TF SavedModel: Google によって開発された TF SavedModel は、TensorFlow モデルの汎用的なシリアル化フォーマットであり、サーバーからエッジデバイスまで、幅広いプラットフォーム間での容易な共有とデプロイを可能にします。

  • TF.js: ブラウザおよび Node.js 環境での機械学習を促進するために Google によって開発された TF.js は、JavaScript ベースの ML モデルデプロイを可能にします。

  • TFLite: Google によって開発された TFLite は、モバイルおよびエッジデバイス上で機械学習モデルをデプロイするための軽量フレームワークであり、最小限のメモリフットプリントで迅速かつ効率的な推論を保証します。

  • TFLite Edge TPU: Edge TPU 上で TensorFlow Lite モデルを最適化するために Google によって開発されたこのモデルフォーマットは、高速かつ効率的なエッジコンピューティングを保証します。

  • TorchScript: PyTorch フレームワークの一部として開発された TorchScript は、Python 依存関係を必要とせずに、さまざまな本番環境で機械学習モデルを効率的に実行およびデプロイすることを可能にします。

Link to this sectionデータセットのインテグレーション#

  • Roboflow: Ultralytics モデルのデータセットラベリングと管理を促進し、画像にラベルを付けるためのアノテーションツールを提供します。

Link to this sectionエクスポート形式#

また、さまざまな環境へのデプロイのために、多様なモデルエクスポートフォーマットもサポートしています。利用可能なフォーマットは以下の通りです：

形式format引数モデルメタデータ引数
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, 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、half、int8、data、fraction、device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, int8, data, fraction, device

各インテグレーションの詳細や、Ultralytics でそれらを最大限に活用する方法については、各リンク先をご覧ください。export の詳細については、エクスポートページを参照してください。

Link to this sectionインテグレーションへの貢献#

コミュニティが Ultralytics YOLO を他のテクノロジー、ツール、プラットフォームとどのように統合しているかを知ることをいつも楽しみにしています！もし YOLO を新しいシステムと統合することに成功した場合や、共有すべき貴重な洞察がある場合は、インテグレーションドキュメントへの貢献をご検討ください。

ガイドやチュートリアルを作成することで、私たちのドキュメントを拡充し、コミュニティに役立つ現実的な例を提供できます。これは、成長を続ける Ultralytics YOLO 周辺のエコシステムに貢献する素晴らしい方法です。

貢献の詳細については、プルリクエスト (PR) 🛠️ の提出方法に関する貢献ガイドを確認してください。皆様からの貢献を心待ちにしております！

Ultralytics YOLO エコシステムをより広く、より機能豊富なものにするために協力しましょう 🙏！

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics Platform とは何ですか？また、どのように ML ワークフローを合理化しますか？#

Ultralytics Platform は、Ultralytics モデルの機械学習ワークフローをシームレスかつ効率的にするために設計されたクラウドベースのプラットフォームです。このツールを使用することで、コーディングの深い知識がなくても、データセットのアップロード、モデルのトレーニング、リアルタイムトラッキング、YOLO モデルのデプロイが簡単に実行できます。このプラットフォームは、データ準備からデプロイまでの ML パイプライン全体を管理するための集中型ワークスペースとして機能します。主要な機能については Ultralytics Platform ページで確認でき、クイックスタートガイドを使用してすぐに使い始めることができます。

Link to this sectionMLFlow を使用して Ultralytics モデルのパフォーマンスを追跡できますか？#

はい、可能です。MLFlow を Ultralytics モデルと統合することで、実験の追跡、再現性の向上、ML ライフサイクル全体の合理化が可能になります。この統合の設定に関する詳細な手順は、MLFlow インテグレーションページで確認できます。この統合は、モデルメトリクスの監視、さまざまなトレーニング実行の比較、ML ワークフローの効率的な管理に特に役立ちます。MLFlow はパラメータ、メトリクス、アーティファクトを記録するための集中型プラットフォームを提供し、モデルの動作を理解し、データに基づいた改善を行うことを容易にします。

Link to this sectionYOLO26 モデルの最適化に Neural Magic を使用する利点は何ですか？#

Neural Magic は、量子化認識トレーニング (QAT) やプルーニングといった技術を活用することで YOLO26 モデルを最適化し、リソースが限られたハードウェア上でより優れたパフォーマンスを発揮する、効率的で軽量なモデルを実現します。これらの最適化を実装し、優れたパフォーマンスとモデルの軽量化を図る方法については、Neural Magic インテグレーションページを確認してください。これは、計算リソースが制限されているエッジデバイスへのデプロイにおいて特に有益です。Neural Magic の DeepSparse エンジンは、CPU 上で最大 6 倍高速な推論を実現し、専用のハードウェアなしで複雑なモデルを実行することを可能にします。

Link to this section対話型デモのために Gradio を使って Ultralytics YOLO モデルをデプロイするにはどうすればよいですか？#

Ultralytics YOLOモデルをGradioを使用して物体検出デモとしてデプロイするには、Gradio統合ページの手順に従ってください。Gradioを使用すると、リアルタイムのモデル推論のための使いやすいWebインターフェースを作成でき、開発者とエンドユーザーの両方に適したユーザーフレンドリーな形式でYOLOモデルの機能を披露するための優れたツールとなります。わずか数行のコードで、カスタム入力に対するモデルのパフォーマンスを実証するインタラクティブなアプリケーションを構築でき、コンピュータビジョンソリューションの理解と評価を促進します。

貢献者
GLglenn-jocher30ABabirami-vina18BUBurhan-Q6AMambitious-octopus5RIRizwanMunawar4DEdeepx-dgkim1RAraimbekovm1PDpderrenger1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

コメント