Integrazioni Ultralytics

Questa pagina elenca gli strumenti e le piattaforme con cui Ultralytics si integra per supportare i tuoi flussi di lavoro di machine learning, dalla gestione dei dataset e dall'addestramento dei modelli al monitoraggio degli esperimenti e alla distribuzione.

Integrazioni per l'addestramento#

• Agent Skills: insegna agli agenti di programmazione basati sull'IA, come Claude Code, Codex, Cursor e Gemini CLI, l'intero flusso di lavoro Ultralytics YOLO con competenze ufficiali che coprono dataset, addestramento, inferenza ed esportazione.

• Albumentations: applica ulteriori augmentations alle immagini durante l'addestramento Ultralytics per migliorare la robustezza e la capacità di generalizzazione del modello.

• Amazon SageMaker: usa Amazon SageMaker per creare, addestrare e distribuire modelli Ultralytics su un'unica piattaforma per l'intero ciclo di vita del machine learning.

• ClearML: automatizza i tuoi flussi di lavoro di machine learning con Ultralytics, monitora gli esperimenti e collabora con il tuo team.

• Comet ML: migliora lo sviluppo dei tuoi modelli con Ultralytics monitorando, confrontando e ottimizzando gli esperimenti di apprendimento automatico.

• DVC: implementa il controllo delle versioni per i tuoi progetti di apprendimento automatico con Ultralytics, sincronizzando dati, codice e modelli in modo efficace.

• Google Colab: usa Google Colab per addestrare e valutare i modelli Ultralytics in un ambiente cloud che supporta la collaborazione e la condivisione.

• IBM Watsonx: addestra e valuta i modelli Ultralytics nei notebook IBM watsonx.ai, insieme agli strumenti IBM per la gestione dei dati e la governance dei modelli.

• JupyterLab: usa l'ambiente interattivo e personalizzabile di JupyterLab per addestrare e valutare i modelli Ultralytics.

• Kaggle: scopri come usare Kaggle per addestrare e valutare i modelli Ultralytics in un ambiente cloud con librerie preinstallate, supporto GPU e una community attiva con cui collaborare e condividere.

• MLflow: Semplifica l'intero ciclo di vita ML dei modelli Ultralytics, dalla sperimentazione e riproducibilità fino alla distribuzione.

• Modal: esegui i modelli Ultralytics sulla piattaforma cloud serverless di Modal, con provisioning automatico delle GPU, tariffazione al secondo e scalabilità automatica per i carichi di lavoro di inferenza e addestramento.

• Paperspace Gradient: usa le GPU cloud e i notebook di Paperspace Gradient per addestrare, testare e distribuire i modelli YOLO26.

• Ray Tune: esegui la ricerca degli iperparametri per i tuoi modelli Ultralytics a qualsiasi scala.

• TensorBoard: visualizza le esecuzioni di addestramento Ultralytics e monitora le metriche del modello.

• Ultralytics Platform: addestra, gestisci e distribuisci i modelli Ultralytics nel browser e scarica i modelli preaddestrati ufficiali e i dataset.

• VS Code: un'estensione per VS Code che offre frammenti di codice per accelerare i flussi di lavoro di sviluppo con Ultralytics ed esempi che aiutano chiunque a imparare o iniziare.

• Weights & Biases (W&B): monitora gli esperimenti, visualizza le metriche e favorisci la riproducibilità e la collaborazione nei progetti Ultralytics.

• YAML2ModelGraph: genera diagrammi architetturali SVG pronti per la pubblicazione direttamente dai file di configurazione YAML di Ultralytics YOLO.

Integrazioni per la distribuzione#

• Ambarella: Addestra, comprimi ed esporta i modelli Ultralytics YOLO per i SoC Ambarella CVflow® come il CV72 con il fork Ultralytics di Ambarella, usando l'addestramento consapevole della compressione SpongeTorch e la toolchain CVflow offline.

• AMD: esporta Ultralytics YOLO in ONNX ed esegui l'inferenza accelerata dalla GPU sulle GPU AMD Instinct e Radeon tramite il provider di esecuzione ONNX Runtime MIGraphX su ROCm; è supportato anche l'addestramento PyTorch ROCm nativo.

• AMD Xilinx: esporta Ultralytics YOLO con format="xilinx" per le NPU AMD Versal AI Edge Series Gen 2 usando AMD Quark e Vitis AI; la guida tratta i dispositivi Zynq, Kria e Versal, gli acceleratori DPU e NPU e il supporto degli operatori YOLO.

• Axelera: scopri gli acceleratori Metis e il Voyager SDK per eseguire i modelli Ultralytics con un'inferenza efficiente all'edge.

• Core AI: scopri il nuovo formato .aimodel di Apple, le differenze tra Core AI e Core ML, i limiti attuali e come esportare i modelli YOLO26 con format="coreai" per la generazione iOS 27 e macOS 27.

• CoreML: CoreML, sviluppato da Apple, è un framework progettato per integrare in modo efficiente i modelli di apprendimento automatico nelle applicazioni per iOS, macOS, watchOS e tvOS, sfruttando l'hardware Apple per una distribuzione dei modelli efficace e sicura.

• DEEPX: esporta i modelli Ultralytics YOLO nel formato .dxnn di DEEPX per un'inferenza INT8 a basso consumo energetico sull'hardware NPU DEEPX, destinata ad applicazioni di IA embedded e edge.

• ExecuTorch: sviluppato da Meta, ExecuTorch è la soluzione unificata di PyTorch per distribuire i modelli Ultralytics YOLO sui dispositivi edge.

• Gradio: distribuisci i modelli Ultralytics con Gradio per creare demo interattive di rilevamento degli oggetti in tempo reale.

• Hailo: esporta direttamente in Hailo HEF i modelli Ultralytics YOLO per rilevamento, segmentazione, segmentazione semantica, stima della profondità, classificazione, posa e OBB; consulta la guida all'integrazione per i modelli e le piattaforme convalidate.

• Huawei Ascend: compila i modelli Ultralytics YOLO nel formato offline .om di Huawei Ascend con il compilatore CANN ATC, per l'inferenza FP16 sui dispositivi Atlas e OrangePi AIPro.

• LiteRT: sviluppato da Google, LiteRT (in precedenza TensorFlow Lite) è il runtime on-device per il formato .tflite e consente di distribuire un unico modello su dispositivi mobili, embedded ed edge, oltre che nel browser (tramite LiteRT.js).

• Luxonis OAK: Converti i modelli Ultralytics YOLO con Luxonis Hub o gli strumenti locali Luxonis ed eseguili direttamente sui dispositivi con le telecamere Luxonis OAK RVC2 e RVC4.

• MNN: sviluppato da Alibaba, MNN è un framework leggero di deep learning per l'inferenza e l'addestramento su dispositivi mobili e hardware embedded.

• NCNN: sviluppato da Tencent, NCNN è un framework di inferenza per reti neurali ottimizzato per i dispositivi mobili. Esegue modelli di IA direttamente nelle app su diverse piattaforme mobili.

• Neural Magic: Guida storica all'inferenza sparsa su CPU con il motore DeepSparse, le cui librerie della community sono deprecate.

• NXP: compila modelli YOLO INT8 calibrati per l'NPU Neutron dell'i.MX95 con Neutron SDK 3.3.0.

• ONNX: un formato open source sviluppato originariamente da Microsoft e Facebook per trasferire modelli di IA tra framework, rendendo i modelli Ultralytics portabili su diversi ambienti di esecuzione e hardware.

• OpenVINO: il toolkit di Intel per ottimizzare e distribuire modelli di visione artificiale su CPU, GPU e NPU Intel.

• PaddlePaddle: una piattaforma open source di deep learning sviluppata da Baidu; PaddlePaddle supporta la distribuzione di modelli di IA, con particolare attenzione alle applicazioni industriali scalabili.

• Qualcomm QNN: compila localmente i modelli Ultralytics YOLO nel formato context-binary di QNN (AI Engine Direct) con il provider di esecuzione QNN di ONNX Runtime, per accelerare l'inferenza su CPU Snapdragon, GPU Adreno e hardware NPU Hexagon nei dispositivi mobili ed edge.

• Rockchip RKNN: sviluppato da Rockchip, RKNN è un framework di inferenza per reti neurali ottimizzato per le piattaforme hardware Rockchip, in particolare le relative NPU, per l'inferenza IA in tempo reale sui dispositivi edge.

• Seeed Studio reCamera: sviluppata da Seeed Studio, reCamera è un dispositivo edge AI per applicazioni di visione artificiale in tempo reale. Basata sul processore SG200X con architettura RISC-V, esegue inferenze IA a basso consumo energetico; il design modulare e le funzionalità di elaborazione video la rendono adatta a casi d'uso come il monitoraggio della sicurezza, le applicazioni ambientali e la produzione.

• SONY IMX500: Ottimizza e distribuisci i modelli Ultralytics YOLOv8n e YOLO11n sulle Raspberry Pi AI Cameras con sensore IMX500 per prestazioni rapide e a basso consumo.

• TensorRT: sviluppato da NVIDIA, questo framework di inferenza ad alte prestazioni per il deep learning e formato per modelli ottimizza i modelli di IA per velocità ed efficienza sulle GPU NVIDIA.

• TF GraphDef: sviluppato da Google, GraphDef è il formato di TensorFlow per rappresentare grafi di calcolo e consente di eseguire in modo ottimizzato i modelli di apprendimento automatico su hardware diversi.

• TF SavedModel: sviluppato da Google, TF SavedModel è un formato di serializzazione per i modelli TensorFlow, che ne consente la condivisione e la distribuzione su un'ampia gamma di piattaforme, dai server ai dispositivi edge.

• TFLite Edge TPU: sviluppato da Google per ottimizzare i modelli TensorFlow Lite sulle Edge TPU, questo formato per modelli consente un'elaborazione edge rapida ed efficiente.

• TorchScript: sviluppato nell'ambito del framework PyTorch, TorchScript consente di eseguire e distribuire in modo efficiente i modelli di apprendimento automatico in diversi ambienti di produzione senza dipendenze da Python.

Integrazioni per i dataset#

• Roboflow: semplifica l'etichettatura e la gestione dei dataset per i modelli Ultralytics, offrendo strumenti per annotare le immagini.

Formati di esportazione#

Supportiamo anche vari formati di esportazione dei modelli per la distribuzione in ambienti diversi. Ecco i formati disponibili:

nms=None restituisce per impostazione predefinita output grezzi per la NMS esterna (YOLO26 mantiene la propria head senza NMS su Axelera). Imposta nms=False per selezionare una head senza NMS disponibile; i formati non supportati usano il proprio percorso di output nativo. Le voci nms qui sopra identificano i formati che possono incorporare la NMS con nms=True.

Consulta i link per saperne di più su ogni integrazione e scoprire come sfruttarla al meglio con Ultralytics. Consulta i dettagli completi di export nella pagina Esportazione.

Contribuisci alle nostre integrazioni#

Accogliamo con piacere guide della community sull'integrazione di Ultralytics YOLO con altre tecnologie, strumenti e piattaforme. Se hai integrato con successo YOLO con un nuovo sistema o hai informazioni utili da condividere, valuta la possibilità di contribuire alla documentazione sulle integrazioni.

Scrivendo una guida o un tutorial, puoi contribuire ad ampliare la nostra documentazione e fornire esempi pratici utili alla community.

Per contribuire, segui le istruzioni nella nostra guida alla contribuzione per inviare una richiesta pull (PR).

Domande frequenti#