Link to this sectionИнтеграции Ultralytics#

Добро пожаловать на страницу интеграций Ultralytics! Здесь представлен обзор наших партнерств с различными инструментами и платформами, призванных оптимизировать твои рабочие процессы machine learning, улучшить управление наборами данных, упростить обучение моделей и облегчить их эффективное развертывание.

Link to this sectionИнтеграции для обучения#

• Albumentations: Улучшай свои модели Ultralytics с помощью мощных методов аугментации изображений для повышения их устойчивости и обобщающей способности.

• Amazon SageMaker: Используй Amazon SageMaker для эффективного создания, обучения и развертывания моделей Ultralytics — это комплексная платформа для полного цикла машинного обучения.

• ClearML: Автоматизируй свои рабочие процессы ML в Ultralytics, отслеживай эксперименты и развивай командное взаимодействие.

• Comet ML: Совершенствуй разработку моделей с Ultralytics, отслеживая, сравнивая и оптимизируя свои эксперименты в области машинного обучения.

• DVC: Внедряй контроль версий в свои проекты машинного обучения Ultralytics, эффективно синхронизируя данные, код и модели.

• Google Colab: Используй Google Colab для обучения и оценки моделей Ultralytics в облачной среде, которая поддерживает совместную работу и обмен данными.

• IBM Watsonx: Узнай, как IBM Watsonx упрощает обучение и оценку моделей Ultralytics с помощью передовых ИИ-инструментов, бесшовной интеграции и продвинутой системы управления моделями.

• JupyterLab: Узнай, как использовать интерактивную и настраиваемую среду JupyterLab для обучения и оценки моделей Ultralytics с легкостью и эффективностью.

• Kaggle: Исследуй возможности Kaggle для обучения и оценки моделей Ultralytics в облачной среде с предустановленными библиотеками, поддержкой GPU и активным сообществом для сотрудничества и обмена опытом.

• Modal: Запускай модели Ultralytics на бессерверной облачной платформе Modal с автоматическим выделением ресурсов GPU, оплатой за секунду использования и бесшовным масштабированием рабочих нагрузок для вывода и обучения.

• MLFlow: Упорядочивай полный жизненный цикл ML моделей Ultralytics, от экспериментов и воспроизводимости до развертывания.

• Neptune: Веди полный журнал своих ML-экспериментов с Ultralytics в этом хранилище метаданных, созданном специально для MLOps.

• Paperspace Gradient: Paperspace Gradient упрощает работу над проектами YOLO26, предоставляя простые в использовании облачные инструменты для быстрого обучения, тестирования и развертывания твоих моделей.

• Ray Tune: Оптимизируй гиперпараметры своих моделей Ultralytics в любом масштабе.

• TensorBoard: Визуализируй свои рабочие процессы ML в Ultralytics, отслеживай метрики моделей и развивай командное взаимодействие.

• Ultralytics Platform: Получи доступ к сообществу предобученных моделей Ultralytics и внеси свой вклад.

• VS Code: Расширение для VS Code, которое предоставляет фрагменты кода для ускорения разработки с Ultralytics и предлагает примеры, помогающие начать работу.

• Weights & Biases (W&B): Мониторь эксперименты, визуализируй метрики и развивай воспроизводимость и сотрудничество в проектах Ultralytics.

Link to this sectionИнтеграции для развертывания#

• Axelera: Исследуй ускорители Metis и Voyager SDK для запуска моделей Ultralytics с эффективным выводом на периферийных устройствах.

• CoreML: CoreML, разработанный Apple, — это фреймворк, созданный для эффективной интеграции моделей машинного обучения в приложения для iOS, macOS, watchOS и tvOS, использующий аппаратное обеспечение Apple для эффективного и безопасного model deployment.

• DEEPX: Экспортируй модели Ultralytics YOLO в формат DEEPX .dxnn для энергоэффективного вывода INT8 на аппаратном обеспечении DEEPX NPU, ориентированном на встроенные и периферийные ИИ-приложения.

• ExecuTorch: Разработанный Meta, ExecuTorch является унифицированным решением PyTorch для развертывания моделей Ultralytics YOLO на периферийных устройствах.

• Gradio: Развертывай модели Ultralytics с помощью Gradio для создания интерактивных демо-версий обнаружения объектов в режиме реального времени.

• Hailo: Конвертируй модели обнаружения Ultralytics YOLO из ONNX в формат Hailo HEF с помощью внешнего компилятора Dataflow Compiler от Hailo для устройств Hailo-8, Hailo-8L, Raspberry Pi AI Kit и Hailo-15.

• MNN: Разработанный Alibaba, MNN — это высокоэффективный и легкий фреймворк глубокого обучения. Он поддерживает вывод и обучение моделей и обладает передовой в индустрии производительностью для запуска и обучения на устройствах.

• NCNN: Разработанный Tencent, NCNN — это эффективный фреймворк для вывода neural network, адаптированный для мобильных устройств. Он позволяет напрямую развертывать ИИ-модели в приложениях, оптимизируя производительность на различных мобильных платформах.

• Neural Magic: Используй техники Quantization Aware Training (QAT) и прунинга (pruning) для оптимизации моделей Ultralytics с целью достижения превосходной производительности и меньшего размера моделей.

• ONNX: Формат с открытым исходным кодом, созданный Microsoft для облегчения передачи моделей ИИ между различными фреймворками, повышающий универсальность и гибкость развертывания моделей Ultralytics.

• OpenVINO: Набор инструментов от Intel для эффективной оптимизации и развертывания моделей computer vision на различных платформах Intel CPU и GPU.

• PaddlePaddle: Платформа глубокого обучения с открытым исходным кодом от Baidu, PaddlePaddle обеспечивает эффективное развертывание ИИ-моделей и фокусируется на масштабируемости промышленных приложений.

• Qualcomm QNN: Компилируй модели Ultralytics YOLO локально в формат контекстных бинарных файлов QNN (AI Engine Direct) с помощью ONNX Runtime QNN Execution Provider для ускоренного вывода на оборудовании Snapdragon CPU, Adreno GPU и Hexagon NPU в мобильных и периферийных устройствах.

• Rockchip RKNN: Разработанный Rockchip, RKNN — это специализированный фреймворк для вывода нейронных сетей, оптимизированный для аппаратных платформ Rockchip, особенно для их NPU. Он облегчает эффективное развертывание моделей ИИ на периферийных устройствах, обеспечивая высокопроизводительный вывод в приложениях реального времени.

• Seeed Studio reCamera: Разработанная Seeed Studio, reCamera — это передовое периферийное ИИ-устройство, созданное для задач компьютерного зрения в реальном времени. Работающее на базе процессора SG200X архитектуры RISC-V, оно обеспечивает высокопроизводительный ИИ-вывод при высокой энергоэффективности. Модульная конструкция, передовые возможности обработки видео и поддержка гибкого развертывания делают его идеальным выбором для различных сценариев использования, включая мониторинг безопасности, экологические приложения и производство.

• SONY IMX500: Оптимизируй и развертывай модели Ultralytics YOLO26 на камерах Raspberry Pi AI Cameras с сенсором IMX500 для быстрой и низкопотребляющей работы.

• TensorRT: Разработанный NVIDIA, этот высокопроизводительный фреймворк для вывода deep learning и формат моделей оптимизирует ИИ-модели для ускоренной работы на графических процессорах NVIDIA, обеспечивая быстрое развертывание.

• TF GraphDef: Разработанный Google, GraphDef — это формат TensorFlow для представления вычислительных графов, обеспечивающий оптимизированное выполнение моделей машинного обучения на различном оборудовании.

• TF SavedModel: Разработанный Google, TF SavedModel — это универсальный формат сериализации для моделей TensorFlow, облегчающий их обмен и развертывание на широком спектре платформ, от серверов до периферийных устройств.

• TF.js: Разработанный Google для облегчения машинного обучения в браузерах и Node.js, TF.js позволяет развертывать модели ML на базе JavaScript.

• TFLite: Разработанный Google, TFLite — это легкий фреймворк для развертывания моделей машинного обучения на мобильных и периферийных устройствах, обеспечивающий быстрый и эффективный вывод с минимальным потреблением памяти.

• TFLite Edge TPU: Разработанный Google для оптимизации моделей TensorFlow Lite на устройствах Edge TPU, этот формат моделей обеспечивает высокоскоростные и эффективные edge computing.

• TorchScript: Разработанный как часть фреймворка PyTorch, TorchScript позволяет эффективно выполнять и развертывать модели машинного обучения в различных производственных средах без необходимости наличия зависимостей Python.

Link to this sectionИнтеграции для наборов данных#

• Roboflow: Упрощай разметку и управление наборами данных для моделей Ultralytics, используя инструменты аннотирования изображений.

Link to this sectionФорматы экспорта#

Мы также поддерживаем различные форматы экспорта моделей для развертывания в разных средах. Вот доступные форматы:

Изучи ссылки, чтобы узнать больше о каждой интеграции и о том, как извлечь из них максимум пользы с Ultralytics. Полные детали по export смотри на странице Export.

Link to this sectionВнеси свой вклад в наши интеграции#

Мы всегда рады видеть, как сообщество интегрирует Ultralytics YOLO с другими технологиями, инструментами и платформами! Если ты успешно интегрировал YOLO с новой системой или у тебя есть ценные идеи, которыми можно поделиться, подумай о contributing to our Integrations Docs.

Написав руководство или учебник, ты поможешь расширить нашу документацию и предоставишь реальные примеры, которые будут полезны сообществу. Это отличный способ внести вклад в растущую экосистему вокруг Ultralytics YOLO.

Чтобы внести вклад, ознакомься с нашим Contributing Guide, где есть инструкции по отправке Pull Request (PR) 🛠️. Мы с нетерпением ждем твоего вклада!

Давай вместе сделаем экосистему Ultralytics YOLO более обширной и функциональной 🙏!

Link to this sectionFAQ#

Link to this sectionЧто такое Ultralytics Platform и как она оптимизирует ML-процесс?#

Ultralytics Platform — это облачная платформа, разработанная для того, чтобы сделать рабочие процессы машинного обучения для моделей Ultralytics бесшовными и эффективными. Используя этот инструмент, ты можешь легко загружать наборы данных, обучать модели, выполнять отслеживание в реальном времени и развертывать модели YOLO без глубоких навыков программирования. Платформа служит централизованной рабочей средой, где можно управлять всем ML-конвейером от подготовки данных до развертывания. Ты можешь изучить ключевые возможности на странице Ultralytics Platform и быстро начать работу с нашим руководством Quickstart.

Link to this sectionМогу ли я отслеживать производительность моих моделей Ultralytics с помощью MLFlow?#

Да, можешь. Интеграция MLFlow с моделями Ultralytics позволяет отслеживать эксперименты, повышать воспроизводимость и оптимизировать весь жизненный цикл ML. Подробные инструкции по настройке этой интеграции можно найти на странице интеграции MLFlow. Эта интеграция особенно полезна для мониторинга метрик модели, сравнения различных циклов обучения и эффективного управления ML-процессом. MLFlow предоставляет централизованную платформу для записи параметров, метрик и артефактов, что облегчает понимание поведения модели и принятие решений, основанных на данных.

Link to this sectionВ чем преимущества использования Neural Magic для оптимизации модели YOLO26?#

Neural Magic оптимизирует модели YOLO26 с помощью таких методов, как Quantization Aware Training (QAT) и прунинг, что позволяет получать высокоэффективные модели меньшего размера, которые лучше работают на оборудовании с ограниченными ресурсами. Ознакомься со страницей интеграции Neural Magic, чтобы узнать, как реализовать эти оптимизации для превосходной производительности и компактности моделей. Это особенно полезно для развертывания на периферийных устройствах, где вычислительные ресурсы ограничены. Движок DeepSparse от Neural Magic может обеспечить ускорение вывода на CPU до 6 раз, позволяя запускать сложные модели без специализированного оборудования.

Link to this sectionКак развернуть модели Ultralytics YOLO с помощью Gradio для интерактивных демонстраций?#

Чтобы развернуть модели Ultralytics YOLO с помощью Gradio для интерактивных демонстраций object detection, следуй инструкциям на странице интеграции Gradio. Gradio позволяет создавать простые в использовании веб-интерфейсы для инференса модели в реальном времени, что делает его отличным инструментом для демонстрации возможностей твоей модели YOLO в удобном формате, подходящем как для разработчиков, так и для конечных пользователей. Всего за несколько строк кода ты можешь создать интерактивные приложения, демонстрирующие производительность твоей модели на пользовательских входных данных, что способствует лучшему пониманию и оценке твоих решений в области компьютерного зрения.