Ultralytics YOLO27： 加入候补名单。
开始使用

Ultralytics 集成

本页列出了 Ultralytics 集成的工具和平台，用于支持你的机器学习工作流，涵盖从数据集管理和模型训练到实验跟踪和部署。

Ultralytics YOLO ecosystem and integrations


观看： Ultralytics YOLO 部署与集成

训练集成#

  • Agent Skills：通过涵盖数据集、训练、推理和导出的官方技能，让 Claude Code、Codex、Cursor 和 Gemini CLI 等 AI 编码代理掌握完整的 Ultralytics YOLO 工作流程。

  • Albumentations：在 Ultralytics 训练期间应用额外的图像增强，以提升模型的鲁棒性和泛化能力。

  • Amazon SageMaker：使用 Amazon SageMaker 在一个平台上构建、训练和部署 Ultralytics 模型，覆盖整个机器学习生命周期。

  • ClearML：自动化 Ultralytics 机器学习工作流、跟踪实验，并开展团队协作。

  • Comet ML：通过跟踪、比较和优化机器学习实验，提升 Ultralytics 模型的开发效率。

  • DVC：为 Ultralytics 机器学习项目实施版本控制，有效同步数据、代码和模型。

  • Google Colab：使用 Google Colab 在支持协作和共享的云环境中训练和评估 Ultralytics 模型。

  • IBM Watsonx：在 IBM watsonx.ai 笔记本中训练和评估 Ultralytics 模型，并配合 IBM 的数据管理和模型治理工具使用。

  • JupyterLab：使用 JupyterLab 的交互式、可自定义环境训练和评估 Ultralytics 模型。

  • Kaggle：了解如何在基于云的环境中使用 Kaggle 训练和评估 Ultralytics 模型。该环境预装了库，支持 GPU，并拥有活跃的社区，便于协作和分享。

  • MLflow：简化 Ultralytics 模型的整个 ML 生命周期，涵盖实验、可复现性和部署。

  • Modal：在 Modal 无服务器云平台上运行 Ultralytics 模型，享受自动配置 GPU、按秒计费，以及针对推理和训练工作负载的自动扩缩容。

  • Paperspace Gradient：使用 Paperspace Gradient 云 GPU 和笔记本训练、测试和部署 YOLO26 模型。

  • Ray Tune：以任意规模为 Ultralytics 模型执行超参数调优。

  • TensorBoard：可视化 Ultralytics 训练运行并监控模型指标。

  • Ultralytics Platform：在浏览器中训练、管理和部署 Ultralytics 模型，并下载官方预训练模型和数据集。

  • VS Code：适用于 VS Code 的扩展，提供代码片段以加快 Ultralytics 开发工作流程，并提供示例，帮助任何人学习或快速上手。

  • Weights & Biases (W&B)：监控实验、可视化指标，并促进 Ultralytics 项目的可复现性与协作。

  • YAML2ModelGraph：直接根据 Ultralytics YOLO YAML 配置文件生成适用于出版物的 SVG 架构图。

部署集成#

  • Ambarella：使用 Ambarella 的 Ultralytics 分支，借助 SpongeTorch 感知压缩的训练和离线 CVflow 工具链，为 CV72 等 Ambarella CVflow® SoC 训练、压缩和导出 Ultralytics YOLO 模型。

  • AMD：将 Ultralytics YOLO 导出为 ONNX，并通过 ROCm 上的 ONNX Runtime MIGraphX 执行提供程序，在 AMD Instinct 和 Radeon GPU 上运行 GPU 加速推理；同时也支持原生 PyTorch ROCm 训练。

  • AMD Xilinx：使用 format="xilinx" 导出 Ultralytics YOLO，以用于 AMD Versal AI Edge Series Gen 2 NPU，并借助 AMD Quark 和 Vitis AI；本指南还介绍 Zynq、Kria 和 Versal 设备、DPU 与 NPU 加速器的区别，以及 YOLO 算子支持情况。

  • Axelera：了解 Metis 加速器和 Voyager SDK，使用高效的边缘推理运行 Ultralytics 模型。

  • Core AI：了解 Apple 全新的 .aimodel 格式、Core AI 与 Core ML 的对比及其当前限制，以及如何使用 format="coreai" 导出适用于 iOS 27 和 macOS 27 新一代系统的 YOLO26 模型。

  • CoreML：CoreML 由 Apple 开发，是一个框架，旨在利用 Apple 硬件，高效地将机器学习模型集成到 iOS、macOS、watchOS 和 tvOS 应用中，实现安全有效的模型部署。

  • DEEPX：将 Ultralytics YOLO 模型导出为 DEEPX .dxnn 格式，以便在 DEEPX NPU 硬件上进行节能的 INT8 推理，适用于嵌入式和边缘 AI 应用。

  • ExecuTorch：由 Meta 开发的 ExecuTorch 是 PyTorch 提供的统一解决方案，可将 Ultralytics YOLO 模型部署到边缘设备上。

  • Gradio：使用 Gradio 部署 Ultralytics 模型，构建实时交互式目标检测演示。

  • Hailo：将 Ultralytics YOLO 检测、分割、语义分割、深度估计、分类、姿态和 OBB 模型直接导出为 Hailo HEF；有关已验证的模型和目标设备，请参阅集成指南。

  • Huawei Ascend：使用 CANN ATC 编译器，将 Ultralytics YOLO 模型编译为 Huawei Ascend .om 离线格式，以便在 Atlas 和 OrangePi AIPro 设备上进行 FP16 推理。

  • LiteRT：LiteRT 由 Google 开发，原名 TensorFlow Lite，是适用于设备端 .tflite 格式的运行时，可将单个模型部署到移动设备、嵌入式设备、边缘设备和浏览器（通过 LiteRT.js）。

  • Luxonis OAK：使用 Luxonis Hub 或本地 Luxonis 工具转换 Ultralytics YOLO 模型，并在 Luxonis OAK RVC2 和 RVC4 摄像头上运行模型。

  • MNN：MNN 由阿里巴巴开发，是一个轻量级深度学习框架，可在移动和嵌入式硬件上进行设备端推理和训练。

  • NCNN：NCNN 由腾讯开发，是一个针对移动设备优化的神经网络推理框架。它可在各种移动平台的应用中直接运行 AI 模型。

  • Neural Magic：关于使用 DeepSparse 引擎进行稀疏 CPU 推理的历史指南；该引擎的社区库现已弃用。

  • NXP：使用 Neutron SDK 3.3.0，为 i.MX95 Neutron NPU 编译经过校准的 INT8 YOLO 模型。

  • ONNX：一种最初由微软和 Facebook 开发的开源格式，用于在框架之间传输 AI 模型，让 Ultralytics 模型能够在不同运行时和硬件上运行。

  • OpenVINO：Intel 的工具套件，用于在 Intel CPU、GPU 和 NPU 上优化和部署计算机视觉模型。

  • PaddlePaddle：由百度开发的开源深度学习平台，专注于可扩展的工业应用，支持 AI 模型部署。

  • Qualcomm QNN：使用 ONNX Runtime QNN 执行提供程序，在本地将 Ultralytics YOLO 模型编译为 QNN (AI Engine Direct) context-binary 格式，从而在移动设备和边缘设备的 Snapdragon CPU、Adreno GPU 和 Hexagon NPU 硬件上加速推理。

  • Rockchip RKNN：RKNN 由瑞芯微开发，是一个针对瑞芯微硬件平台（尤其是其 NPU）优化的神经网络推理框架，可在边缘设备上实现实时 AI 推理。

  • Seeed Studio reCamera：reCamera 由矽递科技开发，是一款用于实时计算机视觉应用的边缘 AI 设备。它由基于 RISC-V 的 SG200X 处理器驱动，可高效运行 AI 推理；其模块化设计和视频处理能力适用于安全监控、环境应用和制造等场景。

  • SONY IMX500：针对搭载 IMX500 传感器的 Raspberry Pi AI Cameras 优化并部署 Ultralytics YOLOv8n 和 YOLO11n 模型，实现快速、低功耗的性能。

  • TensorRT：该高性能深度学习推理框架和模型格式由 NVIDIA开发，可针对 NVIDIA GPU 优化 AI 模型的速度和效率。

  • TF GraphDef：GraphDef 由 Google 开发，是 TensorFlow 用于表示计算图的格式，可在各种硬件上优化机器学习模型的执行。

  • TF SavedModel：TF SavedModel 由 Google开发，是一种用于序列化TensorFlow模型的格式，可在从服务器到边缘设备的各种平台上共享和部署模型。

  • TFLite Edge TPU：该模型格式由 Google开发，用于在 Edge TPU 上优化 TensorFlow Lite 模型，可实现快速、高效的边缘计算。

  • TorchScript：TorchScript 作为 PyTorch 框架的一部分开发，无需依赖 Python，即可在各种生产环境中高效执行和部署机器学习模型。

数据集集成#

  • Roboflow：为 Ultralytics 模型提供数据集标注和管理支持，并提供图像标注工具。

导出格式#

我们还支持多种模型导出格式，以便在不同环境中部署。以下是可用格式：

格式format 参数模型元数据参数
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, batch, device
IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device

nms=None 默认输出原始结果，以便进行外部 NMS（YOLO26 在 Axelera 上保留其无 NMS 检测头）。设置 nms=False 以选择可用的无 NMS 检测头；不支持的格式会回退到其原生输出路径。上方的 nms 条目指出可通过 nms=True 嵌入 NMS 的格式。

点击链接，了解各项集成的更多信息，以及如何充分利用这些集成功能来配合 Ultralytics 使用。请参阅 导出页面，了解完整的 export 详情。

为我们的集成项目贡献力量#

我们欢迎社区贡献将 Ultralytics YOLO 与其他技术、工具和平台集成的指南。如果你已成功将 YOLO 集成到新系统，或有值得分享的见解，可以考虑为我们的集成文档做出贡献。

撰写指南或教程，可以帮助扩展我们的文档，并提供让社区受益的真实案例。

如需贡献内容，请按照贡献指南中的说明提交拉取请求 (PR)。

常见问题#

  • Ultralytics Platform 是一个基于云的平台，支持使用 Ultralytics 模型开展端到端机器学习工作流。你可以上传和标注数据集、在云 GPU 上训练模型、跟踪实验，以及部署 YOLO 模型，无需编写大量代码。该平台是整个机器学习流水线的集中式工作空间，覆盖从数据准备到部署的各个环节。

  • 可以。将 MLflow 与 Ultralytics 模型集成后，你可以跟踪实验、提高可复现性，并简化整个 ML 生命周期。有关设置此集成的详细说明，请参阅 MLflow 集成页面。此集成特别适用于监控模型指标、比较不同的训练运行，以及高效管理 ML 工作流。MLflow 提供了一个集中式平台来记录参数、指标和制品，让你更轻松地了解模型行为并进行数据驱动的改进。

  • 如需使用 Gradio 部署 Ultralytics YOLO 模型并创建交互式目标检测演示，可以按照 Gradio 集成页面中的步骤操作。Gradio 可创建用于实时模型推理的 Web 界面，因此适合向开发者和终端用户展示 YOLO 模型。只需几行代码，你就能构建交互式应用，展示模型在自定义输入上的表现。

贡献者
glenn-jocherglenn-jocher42abirami-vinaabirami-vina18francesco-mttlfrancesco-mttl6Burhan-QBurhan-Q6raimbekovmraimbekovm4JESUSROYETHJESUSROYETH4RizwanMunawarRizwanMunawar4lakshanthadlakshanthad2pderrengerpderrenger2ITIvan Tikhonov1klemen1999klemen19991DMDaisuke Majima1JaviChulviJaviChulvi1Rahulbiradar9Rahulbiradar91deepx-dgkimdeepx-dgkim1leonnilleonnil1IvorZhu331IvorZhu3311Laughing-qLaughing-q1wangzhaodewangzhaode1jk4ejk4e1

评论

提出问题、分享结果，或帮助其他人。