Link to this sectionIntegrações Ultralytics#

Bem-vindo à página de Integrações Ultralytics! Esta página fornece uma visão geral das nossas parcerias com várias ferramentas e plataformas, concebidas para simplificar os teus fluxos de trabalho de machine learning, melhorar a gestão de datasets, simplificar o treino de modelos e facilitar a implementação eficiente.

Link to this sectionIntegrações de Treino#

• Albumentations: Melhora os teus modelos Ultralytics com potentes aumentações de imagem para melhorar a robustez e generalização do modelo.

• Amazon SageMaker: Aproveita o Amazon SageMaker para construir, treinar e implementar de forma eficiente modelos Ultralytics, fornecendo uma plataforma tudo-em-um para o ciclo de vida de ML.

• ClearML: Automatiza os teus fluxos de trabalho de ML da Ultralytics, monitoriza experiências e promove a colaboração da equipa.

• Comet ML: Melhora o desenvolvimento do teu modelo com a Ultralytics, rastreando, comparando e otimizando as tuas experiências de machine learning.

• DVC: Implementa controlo de versão para os teus projetos de machine learning da Ultralytics, sincronizando dados, código e modelos de forma eficaz.

• Google Colab: Usa o Google Colab para treinar e avaliar modelos Ultralytics num ambiente baseado na nuvem que suporta colaboração e partilha.

• IBM Watsonx: Vê como o IBM Watsonx simplifica o treino e a avaliação de modelos Ultralytics com as suas ferramentas de IA de ponta, integração fácil e sistema avançado de gestão de modelos.

• JupyterLab: Descobre como usar o ambiente interativo e personalizável do JupyterLab para treinar e avaliar modelos Ultralytics com facilidade e eficiência.

• Kaggle: Explora como podes usar o Kaggle para treinar e avaliar modelos Ultralytics num ambiente baseado na nuvem com bibliotecas pré-instaladas, suporte para GPU e uma comunidade vibrante para colaboração e partilha.

• Modal: Executa modelos Ultralytics na plataforma cloud serverless do Modal com provisionamento automático de GPU, preços por segundo e escalonamento contínuo para cargas de trabalho de inferência e treino.

• MLFlow: Simplifica todo o ciclo de vida de ML dos modelos Ultralytics, desde a experimentação e reprodutibilidade até à implementação.

• Neptune: Mantém um registo abrangente das tuas experiências de ML com a Ultralytics neste repositório de metadados concebido para MLOps.

• Paperspace Gradient: O Paperspace Gradient simplifica o trabalho em projetos YOLO26 ao fornecer ferramentas em nuvem fáceis de usar para treinar, testar e implementar os teus modelos rapidamente.

• Ray Tune: Otimiza os hiperparâmetros dos teus modelos Ultralytics a qualquer escala.

• TensorBoard: Visualiza os teus fluxos de trabalho de ML da Ultralytics, monitoriza métricas de modelo e promove a colaboração da equipa.

• Ultralytics Platform: Acede e contribui para uma comunidade de modelos pré-treinados da Ultralytics.

• VS Code: Uma extensão para VS Code que fornece snippets de código para acelerar fluxos de trabalho de desenvolvimento da Ultralytics e oferece exemplos para ajudar qualquer pessoa a aprender ou começar.

• Weights & Biases (W&B): Monitoriza experiências, visualiza métricas e promove a reprodutibilidade e colaboração em projetos Ultralytics.

Link to this sectionIntegrações de Implementação#

• Axelera: Explora os aceleradores Metis e o Voyager SDK para executar modelos Ultralytics com inferência de ponta eficiente.

• CoreML: CoreML, desenvolvido pela Apple, é um framework concebido para integrar eficientemente modelos de machine learning em aplicações através de iOS, macOS, watchOS e tvOS, usando o hardware da Apple para uma implementação de modelo eficaz e segura.

• DEEPX: Exporta modelos YOLO da Ultralytics para o formato .dxnn da DEEPX para inferência INT8 com eficiência energética em hardware NPU DEEPX, visando aplicações de IA incorporadas e na edge.

• ExecuTorch: Desenvolvido pela Meta, o ExecuTorch é a solução unificada do PyTorch para implementar modelos YOLO da Ultralytics em dispositivos edge.

• Gradio: Implementa modelos Ultralytics com Gradio para demonstrações interativas de deteção de objetos em tempo real.

• Hailo: Converte modelos de deteção YOLO da Ultralytics de ONNX para Hailo HEF com o compilador externo Dataflow Compiler da Hailo para dispositivos Hailo-8, Hailo-8L, Raspberry Pi AI Kit e Hailo-15.

• MNN: Desenvolvido pela Alibaba, o MNN é um framework de deep learning altamente eficiente e leve. Suporta inferência e treino de modelos de deep learning e tem desempenho líder no setor para inferência e treino no dispositivo.

• NCNN: Desenvolvido pela Tencent, o NCNN é um framework de inferência de redes neuronais eficiente adaptado para dispositivos móveis. Permite a implementação direta de modelos de IA em aplicações, otimizando o desempenho em várias plataformas móveis.

• Neural Magic: Aproveita técnicas de Quantization Aware Training (QAT) e poda para otimizar modelos Ultralytics para um desempenho superior e tamanho mais reduzido.

• ONNX: Um formato open-source criado pela Microsoft para facilitar a transferência de modelos de IA entre vários frameworks, melhorando a versatilidade e flexibilidade de implementação dos modelos Ultralytics.

• OpenVINO: O toolkit da Intel para otimizar e implementar modelos de computer vision eficientemente através de várias plataformas de CPU e GPU Intel.

• PaddlePaddle: Uma plataforma de deep learning open-source da Baidu, o PaddlePaddle permite a implementação eficiente de modelos de IA e foca-se na escalabilidade de aplicações industriais.

• Qualcomm QNN: Compila modelos YOLO da Ultralytics localmente para o formato de contexto binário QNN (AI Engine Direct) com o ONNX Runtime QNN Execution Provider para inferência acelerada em hardware de CPU Snapdragon, GPU Adreno e NPU Hexagon em dispositivos móveis e edge.

• Rockchip RKNN: Desenvolvido pela Rockchip, o RKNN é um framework de inferência de redes neuronais especializado otimizado para plataformas de hardware da Rockchip, particularmente as suas NPUs. Facilita a implementação eficiente de modelos de IA em dispositivos edge, permitindo inferência de alto desempenho em aplicações em tempo real.

• Seeed Studio reCamera: Desenvolvida pela Seeed Studio, a reCamera é um dispositivo de edge AI avançado concebido para aplicações de computer vision em tempo real. Alimentada pelo processador SG200X baseado em RISC-V, oferece inferência de IA de alto desempenho com eficiência energética. O seu design modular, capacidades avançadas de processamento de vídeo e suporte para implementação flexível tornam-na uma escolha ideal para vários casos de uso, incluindo monitorização de segurança, aplicações ambientais e manufatura.

• SONY IMX500: Otimiza e implementa modelos Ultralytics YOLO26 em Raspberry Pi AI Cameras com o sensor IMX500 para um desempenho rápido e de baixo consumo.

• TensorRT: Desenvolvido pela NVIDIA, este framework de inferência de deep learning de alto desempenho e formato de modelo otimiza modelos de IA para velocidade e eficiência aceleradas em GPUs NVIDIA, garantindo uma implementação simplificada.

• TF GraphDef: Desenvolvido pela Google, o GraphDef é o formato do TensorFlow para representar grafos de computação, permitindo a execução otimizada de modelos de machine learning em diversos hardwares.

• TF SavedModel: Desenvolvido pela Google, o TF SavedModel é um formato de serialização universal para modelos TensorFlow, permitindo partilha e implementação fáceis numa vasta gama de plataformas, desde servidores a dispositivos edge.

• TF.js: Desenvolvido pela Google para facilitar o machine learning em browsers e Node.js, o TF.js permite a implementação baseada em JavaScript de modelos de ML.

• TFLite: Desenvolvido pela Google, o TFLite é um framework leve para implementar modelos de machine learning em dispositivos móveis e edge, garantindo uma inferência rápida e eficiente com pegada de memória mínima.

• TFLite Edge TPU: Desenvolvido pela Google para otimizar modelos TensorFlow Lite em Edge TPUs, este formato de modelo garante edge computing eficiente e de alta velocidade.

• TorchScript: Desenvolvido como parte do framework PyTorch, o TorchScript permite a execução e implementação eficiente de modelos de machine learning em vários ambientes de produção sem a necessidade de dependências Python.

Link to this sectionIntegrações de Datasets#

• Roboflow: Facilita a rotulagem e gestão de datasets para modelos Ultralytics, oferecendo ferramentas de anotação para rotular imagens.

Link to this sectionFormatos de Exportação#

Também suportamos uma variedade de formatos de exportação de modelos para implementação em diferentes ambientes. Aqui estão os formatos disponíveis:

Explora as ligações para aprender mais sobre cada integração e como tirar o máximo partido delas com a Ultralytics. Vê os detalhes completos de export na página Export.

Link to this sectionContribui para as Nossas Integrações#

Estamos sempre entusiasmados por ver como a comunidade integra o YOLO da Ultralytics com outras tecnologias, ferramentas e plataformas! Se integraste o YOLO com sucesso com um novo sistema ou tens insights valiosos para partilhar, considera contribuir para os Nossos Documentos de Integração.

Ao escrever um guia ou tutorial, podes ajudar a expandir a nossa documentação e fornecer exemplos do mundo real que beneficiam a comunidade. É uma excelente forma de contribuir para o ecossistema em crescimento em torno do YOLO da Ultralytics.

Para contribuir, por favor consulta o nosso Guia de Contribuição para instruções sobre como submeter um Pull Request (PR) 🛠️. Aguardamos ansiosamente pelas tuas contribuições!

Vamos colaborar para tornar o ecossistema YOLO da Ultralytics mais expansivo e rico em funcionalidades 🙏!

Link to this sectionFAQ#

Link to this sectionO que é a Ultralytics Platform e como é que simplifica o fluxo de trabalho de ML?#

Ultralytics Platform é uma plataforma baseada na nuvem concebida para tornar os fluxos de trabalho de machine learning para modelos Ultralytics contínuos e eficientes. Ao usar esta ferramenta, podes carregar facilmente datasets, treinar modelos, realizar rastreio em tempo real e implementar modelos YOLO sem precisares de competências extensivas de programação. A plataforma serve como um espaço de trabalho centralizado onde podes gerir todo o teu pipeline de ML, desde a preparação de dados até à implementação. Podes explorar as principais funcionalidades na página Ultralytics Platform e começar rapidamente com o nosso guia de Quickstart.

Link to this sectionPosso rastrear o desempenho dos meus modelos Ultralytics usando o MLFlow?#

Sim, podes. Integrar o MLFlow com modelos Ultralytics permite-te rastrear experiências, melhorar a reprodutibilidade e simplificar todo o ciclo de vida de ML. Instruções detalhadas para configurar esta integração podem ser encontradas na página de integração MLFlow. Esta integração é particularmente útil para monitorizar métricas de modelos, comparar diferentes execuções de treino e gerir o fluxo de trabalho de ML de forma eficiente. O MLFlow fornece uma plataforma centralizada para registar parâmetros, métricas e artefactos, tornando mais fácil compreender o comportamento do modelo e fazer melhorias baseadas em dados.

Link to this sectionQuais são os benefícios de usar a Neural Magic para a otimização de modelos YOLO26?#

Neural Magic otimiza modelos YOLO26 aproveitando técnicas como Quantization Aware Training (QAT) e poda, resultando em modelos altamente eficientes e mais pequenos que têm melhor desempenho em hardware com recursos limitados. Consulta a página de integração Neural Magic para aprenderes a implementar estas otimizações para um desempenho superior e modelos mais magros. Isto é especialmente benéfico para a implementação em dispositivos edge onde os recursos computacionais são limitados. O motor DeepSparse da Neural Magic pode entregar inferência até 6x mais rápida em CPUs, tornando possível executar modelos complexos sem hardware especializado.

Link to this sectionComo implemento modelos YOLO da Ultralytics com Gradio para demonstrações interativas?#

Para implementar modelos Ultralytics YOLO com Gradio para demonstrações interativas de detecção de objetos, podes seguir os passos descritos na página de integração do Gradio. O Gradio permite-te criar interfaces web fáceis de usar para inferência de modelos em tempo real, tornando-o uma excelente ferramenta para demonstrar as capacidades do teu modelo YOLO num formato intuitivo adequado tanto para programadores como para utilizadores finais. Com apenas algumas linhas de código, podes construir aplicações interativas que demonstram o desempenho do teu modelo em inputs personalizados, facilitando uma melhor compreensão e avaliação das tuas soluções de visão computacional.