Intégrations Ultralytics#

Bienvenue sur la page des intégrations Ultralytics ! Cette page présente nos partenariats avec différents outils et plateformes, conçus pour rationaliser tes workflows de machine learning, améliorer la gestion des jeux de données, simplifier l'entraînement des modèles et faciliter un déploiement efficace.

Intégrations pour l'entraînement#

• Agent Skills : enseigne aux agents de codage IA comme Claude Code, Codex, Cursor et Gemini CLI l'intégralité du workflow Ultralytics YOLO grâce à des compétences officielles couvrant les jeux de données, l'entraînement, l'inférence et l'exportation.

• Albumentations : améliore tes modèles Ultralytics grâce à de puissantes augmentations d'image afin d'améliorer leur robustesse et leur capacité de généralisation.

• Amazon SageMaker : exploite Amazon SageMaker pour créer, entraîner et déployer efficacement des modèles Ultralytics, avec une plateforme tout-en-un couvrant le cycle de vie du ML.

• AMD : entraîne, valide et exécute des modèles Ultralytics sur les GPU AMD compatibles avec PyTorch ROCm, avec une présentation claire de la disponibilité de MIGraphX, DirectML et du NPU Ryzen AI.

• ClearML : automatise tes workflows de ML Ultralytics, surveille tes expériences et favorise la collaboration au sein de ton équipe.

• Comet ML : améliore le développement de tes modèles avec Ultralytics en suivant, comparant et optimisant tes expériences de machine learning.

• DVC : mets en place un contrôle de version pour tes projets de machine learning Ultralytics en synchronisant efficacement les données, le code et les modèles.

• Google Colab : utilise Google Colab pour entraîner et évaluer des modèles Ultralytics dans un environnement cloud prenant en charge la collaboration et le partage.

• IBM Watsonx : découvre comment IBM Watsonx simplifie l'entraînement et l'évaluation des modèles Ultralytics grâce à ses outils d'IA de pointe, son intégration fluide et son système avancé de gestion des modèles.

• JupyterLab : découvre comment utiliser l'environnement interactif et personnalisable de JupyterLab pour entraîner et évaluer facilement et efficacement des modèles Ultralytics.

• Kaggle : découvre comment utiliser Kaggle pour entraîner et évaluer des modèles Ultralytics dans un environnement cloud doté de bibliothèques préinstallées, de la prise en charge des GPU et d'une communauté active favorisant la collaboration et le partage.

• Modal : exécute des modèles Ultralytics sur la plateforme cloud serverless de Modal avec provisionnement automatique des GPU, facturation à la seconde et mise à l'échelle fluide pour les charges de travail d'inférence et d'entraînement.

• MLFlow : rationalise l'ensemble du cycle de vie ML des modèles Ultralytics, de l'expérimentation et de la reproductibilité au déploiement.

• Paperspace Gradient : Paperspace Gradient simplifie le travail sur les projets YOLO26 en fournissant des outils cloud faciles à utiliser pour entraîner, tester et déployer rapidement tes modèles.

• Ray Tune : optimise les hyperparamètres de tes modèles Ultralytics à n'importe quelle échelle.

• TensorBoard : visualise tes workflows de ML Ultralytics, surveille les métriques de tes modèles et favorise la collaboration au sein de ton équipe.

• Ultralytics Platform : entraîne, gère et déploie des modèles Ultralytics dans le navigateur, et télécharge des modèles pré-entraînés et des jeux de données officiels.

• VS Code : une extension pour VS Code qui fournit des extraits de code pour accélérer les workflows de développement Ultralytics et propose des exemples pour aider chacun à apprendre ou à démarrer.

• Weights & Biases (W&B) : surveille tes expériences, visualise les métriques et favorise la reproductibilité et la collaboration sur les projets Ultralytics.

• YAML2ModelGraph : génère directement des diagrammes d'architecture SVG prêts à être publiés à partir de fichiers de configuration YAML Ultralytics YOLO.

Intégrations pour le déploiement#

• Ambarella : entraîne, compresse et exporte des modèles Ultralytics YOLO pour les SoC Ambarella CVflow® tels que le CV72 à l'aide de l'entraînement sensible à la compression SpongeTorch et de la chaîne d'outils CVflow hors ligne.

• Axelera : découvre les accélérateurs Metis et le SDK Voyager pour exécuter des modèles Ultralytics avec une inférence edge efficace.

• Core AI : découvre le nouveau format .aimodel d'Apple, comment Core AI se compare à Core ML, ses limitations actuelles et comment exporter des modèles YOLO26 avec format="coreai" pour la génération iOS 27 et macOS 27.

• CoreML : CoreML, développé par Apple, est un framework conçu pour intégrer efficacement des modèles de machine learning dans des applications sous iOS, macOS, watchOS et tvOS, en utilisant le matériel Apple pour assurer un déploiement des modèles efficace et sécurisé.

• DEEPX : exporte des modèles Ultralytics YOLO vers le format .dxnn de DEEPX pour une inférence INT8 économe en énergie sur le matériel NPU DEEPX, destinée aux applications d'IA embarquée et edge.

• ExecuTorch : développé par Meta, ExecuTorch est la solution unifiée de PyTorch pour déployer des modèles Ultralytics YOLO sur des appareils edge.

• Gradio : déploie des modèles Ultralytics avec Gradio pour créer des démonstrations interactives de détection d'objets en temps réel.

• Hailo : exporte directement vers Hailo HEF les modèles Ultralytics YOLO de détection, de segmentation, de segmentation sémantique, d'estimation de profondeur, de classification, de pose et d'OBB ; consulte le guide d'intégration pour connaître les modèles et cibles validés.

• Huawei Ascend : compile des modèles Ultralytics YOLO au format hors ligne .om de Huawei Ascend avec le compilateur CANN ATC pour une inférence FP16 sur les appareils Atlas et OrangePi AIPro.

• Luxonis : convertis des modèles Ultralytics YOLO avec Luxonis Hub ou un outil Luxonis local et exécute les modèles sur des caméras Luxonis OAK RVC2 et RVC4.

• MNN : développé par Alibaba, MNN est un framework de deep learning très efficace et léger. Il prend en charge l'inférence et l'entraînement de modèles de deep learning et offre des performances de pointe pour l'inférence et l'entraînement sur appareil.

• NCNN : développé par Tencent, NCNN est un framework d'inférence de réseaux neuronaux efficace, adapté aux appareils mobiles. Il permet de déployer directement des modèles d'IA dans des applications, en optimisant les performances sur diverses plateformes mobiles.

• Neural Magic : exploite l'entraînement sensible à la quantification (QAT) et les techniques d'élagage pour optimiser les modèles Ultralytics afin d'obtenir de meilleures performances et une taille réduite.

• ONNX : format open source créé par Microsoft pour faciliter le transfert de modèles d'IA entre différents frameworks, améliorant la polyvalence et la flexibilité de déploiement des modèles Ultralytics.

• OpenVINO : toolkit d'Intel pour optimiser et déployer efficacement des modèles de vision par ordinateur sur diverses plateformes Intel équipées de CPU et de GPU.

• PaddlePaddle : plateforme de deep learning open source développée par Baidu, PaddlePaddle permet de déployer efficacement des modèles d'IA et se concentre sur la mise à l'échelle des applications industrielles.

• Qualcomm QNN : compile localement des modèles Ultralytics YOLO au format binaire de contexte QNN (AI Engine Direct) avec le fournisseur d'exécution QNN de ONNX Runtime pour accélérer l'inférence sur le matériel CPU Snapdragon, GPU Adreno et NPU Hexagon des appareils mobiles et edge.

• Rockchip RKNN : développé par Rockchip, RKNN est un framework spécialisé d'inférence de réseaux neuronaux optimisé pour les plateformes matérielles Rockchip, en particulier leurs NPU. Il facilite le déploiement efficace de modèles d'IA sur les appareils edge et permet une inférence haute performance dans les applications en temps réel.

• Seeed Studio reCamera : développée par Seeed Studio, reCamera est un appareil d'IA edge avancé conçu pour les applications de vision par ordinateur en temps réel. Doté d'un processeur SG200X basé sur RISC-V, il offre une inférence IA haute performance avec une consommation énergétique réduite. Sa conception modulaire, ses capacités avancées de traitement vidéo et sa prise en charge d'un déploiement flexible en font un choix idéal pour divers cas d'utilisation, notamment la surveillance de la sécurité, les applications environnementales et la fabrication.

• SONY IMX500 : optimise et déploie des modèles Ultralytics YOLO26 sur les caméras Raspberry Pi AI équipées du capteur IMX500 pour des performances rapides et basse consommation.

• TensorRT : développé par NVIDIA, ce framework d'inférence et format de modèle haute performance de deep learning optimise les modèles d'IA pour accélérer leur vitesse et leur efficacité sur les GPU NVIDIA, afin de simplifier leur déploiement.

• TF GraphDef : développé par Google, GraphDef est le format de TensorFlow pour représenter les graphes de calcul et permettre l'exécution optimisée de modèles de machine learning sur différents matériels.

• TF SavedModel : développé par Google, TF SavedModel est un format de sérialisation universel pour les modèles TensorFlow, qui permet de les partager et de les déployer facilement sur un large éventail de plateformes, des serveurs aux appareils edge.

• TFLite Edge TPU : développé par Google pour optimiser les modèles TensorFlow Lite sur les Edge TPU, ce format de modèle garantit un edge computing rapide et efficace.

• LiteRT : développé par Google, LiteRT (anciennement TensorFlow Lite) est le runtime sur appareil pour le format .tflite, permettant de déployer un modèle unique sur les appareils mobiles, embarqués et edge, ainsi que dans le navigateur (via LiteRT.js).

• TorchScript : développé dans le cadre du framework PyTorch, TorchScript permet d'exécuter et de déployer efficacement des modèles de machine learning dans divers environnements de production sans dépendances Python.

Intégrations pour les jeux de données#

• Roboflow : facilite l'étiquetage et la gestion des jeux de données pour les modèles Ultralytics en proposant des outils d'annotation pour étiqueter les images.

Formats d'exportation#

Nous prenons également en charge différents formats d'exportation de modèles pour un déploiement dans divers environnements. Voici les formats disponibles :

nms=None utilise par défaut des sorties brutes pour NMS externe. Définis nms=False pour sélectionner une tête sans NMS disponible ; les formats non pris en charge reviennent à leur chemin de sortie natif. Les entrées nms ci-dessus identifient les formats capables d'intégrer NMS avec nms=True.

Explore les liens pour en savoir plus sur chaque intégration et découvrir comment en tirer le meilleur parti avec Ultralytics. Consulte les détails complets de export sur la page Export.

Contribue à nos intégrations#

Nous sommes toujours ravis de voir comment la communauté intègre Ultralytics YOLO à d'autres technologies, outils et plateformes ! Si tu as intégré YOLO avec succès à un nouveau système ou si tu as des informations précieuses à partager, pense à contribuer à notre documentation sur les intégrations.

En rédigeant un guide ou un tutoriel, tu peux contribuer à enrichir notre documentation et fournir des exemples concrets utiles à la communauté. C'est une excellente façon de contribuer à l'écosystème en pleine croissance autour d'Ultralytics YOLO.

Pour contribuer, consulte notre Guide de contribution afin de découvrir comment envoyer une demande de fusion (PR) 🛠️. Nous attendons tes contributions avec impatience !

Collaborons pour rendre l'écosystème Ultralytics YOLO encore plus vaste et riche en fonctionnalités 🙏 !

FAQ#