Ultralytics 集成

欢迎来到Ultralytics集成页面！本页面概述了我们与各种工具和平台的合作，旨在简化您的机器学习工作流程，增强数据集管理，简化模型训练，并促进高效部署。

Ultralytics YOLO生态系统与集成

观看: Ultralytics YOLO11 部署与集成

数据集集成

Roboflow: 为Ultralytics模型提供无缝的数据集管理，提供强大的标注、预处理和增强功能。

训练集成

Amazon SageMaker: 利用Amazon SageMaker高效构建、训练和部署Ultralytics模型，提供一个涵盖ML生命周期的全方位平台。
ClearML: 自动化您的Ultralytics ML工作流程，监控实验，并促进团队协作。
Comet ML: 通过跟踪、比较和优化您的机器学习实验，增强Ultralytics的模型开发。
DVC: 为您的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: 了解IBM Watsonx如何通过其尖端的AI工具、无缝集成和先进的模型管理系统简化Ultralytics模型的训练和评估。
JupyterLab: 了解如何使用JupyterLab的交互式和可定制环境轻松高效地训练和评估Ultralytics模型。
Kaggle: 探索如何在预装库、GPU支持和活跃社区的云环境中使用Kaggle训练和评估Ultralytics模型。
MLFlow: 简化Ultralytics模型的整个ML生命周期，从实验和可重复性到部署。
Neptune: 在这个专为MLOps设计的元数据存储中，全面记录您的Ultralytics ML实验。
Paperspace Gradient: Paperspace Gradient通过提供易于使用的云工具，简化了YOLO11项目的训练、测试和部署。
Ray Tune: 在任何规模上优化您的Ultralytics模型的超参数。
TensorBoard: 可视化您的Ultralytics ML工作流程，监控模型指标，并促进团队协作。
Ultralytics HUB: 访问并贡献于一个预训练Ultralytics模型的社区。
Weights & Biases (W&B): 监控实验，可视化指标，并在Ultralytics项目中促进可重复性和协作。

部署集成

CoreML: CoreML由Apple开发，是一个框架，旨在高效地将机器学习模型集成到iOS、macOS、watchOS和tvOS应用程序中，利用Apple的硬件实现有效和安全的模型部署。
Gradio 🚀 新功能: 使用Gradio部署Ultralytics模型，实现实时、交互式的目标检测演示。
NCNN: 由腾讯开发，NCNN是一个专为移动设备设计的高效神经网络推理框架。它使AI模型能够直接部署到应用程序中，优化各种移动平台的性能。
Neural Magic: 利用量化感知训练（QAT）和剪枝技术优化Ultralytics模型，以实现卓越性能和更小的模型尺寸。
ONNX: 由Microsoft创建的开源格式，用于促进AI模型在不同框架之间的传输，增强Ultralytics模型的多功能性和部署灵活性。
OpenVINO: Intel的工具包，用于在各种Intel CPU和GPU平台上高效优化和部署计算机视觉模型。
PaddlePaddle: 由百度开发的深度学习平台，PaddlePaddle支持高效部署AI模型，并专注于工业应用的可扩展性。
TF GraphDef: 由Google开发，GraphDef是TensorFlow表示计算图的格式，支持在多种硬件上优化执行机器学习模型。
TF SavedModel: 由Google开发，TF SavedModel是TensorFlow模型的通用序列化格式，支持在从服务器到边缘设备的广泛平台上轻松共享和部署。
TF.js: 由Google开发，用于在浏览器和Node.js中促进机器学习，TF.js允许基于JavaScript的ML模型部署。
TFLite: 由Google开发，TFLite是用于在移动和边缘设备上部署机器学习模型的轻量级框架，确保快速、高效的推理，内存占用最小。
TFLite Edge TPU: 由Google开发，用于在Edge TPU上优化TensorFlow Lite模型，此模型格式确保高速、高效的边缘计算。
TensorRT: 由NVIDIA开发，这是一个高性能的深度学习推理框架和模型格式，优化AI模型以在NVIDIA GPU上实现加速速度和效率，确保流畅部署。
TorchScript: 作为PyTorch框架的一部分开发，TorchScript支持在各种生产环境中高效执行和部署机器学习模型，无需Python依赖。
VS Code: 一个VS Code扩展，提供代码片段以加速使用Ultralytics的开发工作流程，也适用于任何希望获得示例以帮助学习或开始使用Ultralytics的人。

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。以下是可用的格式：

格式	`format` 参数	模型	元数据	参数
PyTorch	-	`yolo11n.pt`	✅	-
TorchScript	`torchscript`	`yolo11n.torchscript`	✅	`imgsz`, `optimize`, `batch`
ONNX	`onnx`	`yolo11n.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`, `batch`
OpenVINO	`openvino`	`yolo11n_openvino_model/`	✅	`imgsz`, `half`, `int8`, `batch`
TensorRT	`engine`	`yolo11n.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`, `int8`, `batch`
CoreML	`coreml`	`yolo11n.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
TF SavedModel	`saved_model`	`yolo11n_saved_model/`	✅	`imgsz`, `keras`, `int8`, `batch`
TF GraphDef	`pb`	`yolo11n.pb`	❌	`imgsz`, `batch`
TF Lite	`tflite`	`yolo11n.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF Edge TPU	`edgetpu`	`yolo11n_edgetpu.tflite`	✅	`imgsz`
TF.js	`tfjs`	`yolo11n_web_model/`	✅	`imgsz`, `half`, `int8`, `batch`
PaddlePaddle	`paddle`	`yolo11n_paddle_model/`	✅	`imgsz`, `batch`
NCNN	`ncnn`	`yolo11n_ncnn_model/`	✅	`imgsz`, `half`, `batch`

探索链接以了解更多关于每个集成以及如何充分利用它们与Ultralytics的信息。查看导出页面中的完整export详情。

为我们的集成做出贡献

我们总是很高兴看到社区如何将Ultralytics YOLO与其他技术、工具和平台集成！如果您已成功将YOLO与新系统集成或有宝贵的见解分享，请考虑为我们的集成文档做出贡献。

通过编写指南或教程，您可以帮助扩展我们的文档，并提供对社区有益的实际示例。这是为Ultralytics YOLO不断增长的生态系统做出贡献的绝佳方式。

要贡献，请查看我们的贡献指南，了解如何提交Pull Request (PR) 🛠️ 的说明。我们热切期待您的贡献！

让我们合作，使Ultralytics YOLO生态系统更加广泛和功能丰富 🙏！

常见问题

什么是Ultralytics HUB，它如何简化ML工作流程？

Ultralytics HUB是一个云平台，旨在使Ultralytics模型的机器学习（ML）工作流程无缝且高效。通过使用此工具，您可以轻松上传数据集、训练模型、执行实时跟踪并在不需要广泛编码技能的情况下部署YOLO11模型。您可以在Ultralytics HUB页面探索关键功能，并通过我们的快速入门指南快速开始。