Link to this sectionتحليل مقارن لخيارات نشر YOLO26#
يدعم YOLO26 أكثر من 20 خياراً للنشر، كل منها مُعد لبيئة تشغيل أو هدف عتادي أو منصة مختلفة — بدءاً من PyTorch وONNX وصولاً إلى TensorRT وOpenVINO وCoreML وتنسيقات NPU المخصصة للحافة. إن اختيار الخيار المناسب يوازن بين سرعة الاستدلال وقيود العتاد وسهولة التكامل. يقارن هذا الدليل كل خيار لتتمكن من اختيار الأنسب لتطبيقك، ثم انتقل إلى أفضل ممارسات نشر النموذج لنشره بشكل موثوق.
Watch: How to Choose the Best Ultralytics YOLO26 Deployment Format for Your Project | TensorRT | OpenVINO 🚀
النشر هو المرحلة في سير عمل مشروع الرؤية الحاسوبية حيث يبدأ النموذج المُدرب في أداء عمل حقيقي، لذا فإن التنسيق الذي تصدر إليه له تأثير مباشر على السرعة والتكلفة والقابلية للنقل.
Link to this sectionكيفية اختيار خيار النشر المناسب لنموذج YOLO26 الخاص بك#
عندما يحين وقت نشر نموذج YOLO26 الخاص بك، فإن اختيار تنسيق تصدير مناسب أمر مهم للغاية. كما هو موضح في توثيق تصدير Ultralytics YOLO26، تقوم دالة model.export() بتحويل نموذجك المُدرب إلى مجموعة متنوعة من التنسيقات المصممة لتناسب بيئات متنوعة ومتطلبات أداء مختلفة.
يعتمد التنسيق المثالي على سياق التشغيل المقصود لنموذجك والعتاد المستخدم.
للنشر المُدار بدون تصدير يدوي، توفر منصة Ultralytics نقاط نهاية استدلال جاهزة للاستخدام مع ميزة التحجيم التلقائي عبر 43 منطقة عالمية.
Link to this sectionخيارات نشر YOLO26#
إليك وصف موجز لكل تنسيق ومتى يجب استخدامه. للحصول على شرح كامل لعملية التصدير، راجع توثيق التصدير؛ وللاطلاع على المعايير جنباً إلى جنب، انتقل إلى جدول المقارنة.
- PyTorch (
.pt): تنسيق التدريب والاستدلال الأصلي، مما يوفر أقصى قدر من المرونة وتسريع CUDA GPU — وهو مثالي للبحث والنماذج الأولية دون الحاجة إلى خطوة تصدير. - TorchScript (
torchscript): يقوم بتسلسل النموذج لبيئة تشغيل C++ لا تعتمد على Python، وهو مناسب لأنظمة الإنتاج حيث لا تتوفر Python. - ONNX (
onnx): تنسيق تبادل محايد للإطارات البرمجية مع دعم واسع عبر المنصات والعتاد من خلال ONNX Runtime. - OpenVINO (
openvino): مجموعة أدوات من Intel للاستدلال المُحسّن على وحدات المعالجة المركزية (CPUs) من Intel، ووحدات معالجة الرسومات المدمجة، وNPUs، وهي شائعة في إنترنت الأشياء والحوسبة الطرفية. - TensorRT (
engine): بيئة تشغيل عالية الأداء من NVIDIA توفر استدلال GPU من الطراز الأول مع تحسينات FP16 وINT8. - CoreML (
coreml): تنسيق Apple الخاص بالتشغيل على الجهاز لأنظمة iOS وmacOS وwatchOS وtvOS، باستخدام محرك Apple Neural Engine. - TF SavedModel (
saved_model): التنسيق القياسي لـ TensorFlow لخدمات الخادم القابلة للتوسع باستخدام TensorFlow Serving. - TF GraphDef (
pb): تنسيق TensorFlow للرسوم البيانية الثابتة والمجمدة للبيئات التي تتطلب رسم بياني حسابي ثابت. - TF Edge TPU (
edgetpu): يقوم بتجميع نماذج.tfliteلمسرعات Google Coral Edge TPU. - LiteRT (
litert): بيئة تشغيل Google على الجهاز (المعروفة سابقًا باسم TensorFlow Lite) للاستدلال على الأجهزة المحمولة، والمضمنة، والمتصفح من نموذج.tfliteواحد، مع دعم FP32 و INT8 والتنفيذ داخل المتصفح عبر LiteRT.js. - PaddlePaddle (
paddle): إطار عمل التعلم العميق من Baidu، وهو شائع في الصين، مع دعم واسع للعتاد. - MNN (
mnn): محرك استدلال خفيف الوزن وعالي الأداء مُحسّن لأنظمة ARM وx86-64 المحمولة والمدمجة. - NCNN (
ncnn): إطار عمل استدلال عالي الأداء وخفيف الوزن مُعد لأجهزة ARM المحمولة. - Sony IMX500 (
imx): تصدير لمستشعر الرؤية الذكي IMX500 من Sony مع معالجة على الشريحة، مثل كاميرا Raspberry Pi AI. - Rockchip RKNN (
rknn): يستهدف وحدات NPU من Rockchip على اللوحات المدمجة مع تكميم FP16 وINT8. - ExecuTorch (
executorch): بيئة تشغيل PyTorch الأصلية على الجهاز للهواتف المحمولة (iOS وAndroid) والأنظمة المدمجة عبر XNNPACK. - Axelera AI (
axelera): يقوم بالتجميع لمسرع Metis AIPU من Axelera (يصل إلى 856 TOPS) عبر PCIe أو M.2 لاستدلال الحافة عالي الإنتاجية. - DEEPX (
deepx): يستهدف عتاد DEEPX NPU مع تكميم INT8 لاستدلال الحافة المدمج. - Qualcomm QNN (
qnn): الاستدلال على الجهاز على Snapdragon Hexagon NPU وAdreno GPU وCPU من خلال حزمة Qualcomm AI.
يقوم تكامل Hailo بتصدير نماذج YOLO للكشف والتجزئة والوضع وOBB والتصنيف مباشرة إلى تنسيق Hailo HEF؛ راجع جدول التوافق الخاص به لمعرفة النماذج والأهداف المعتمدة. يتبع تكامل Ambarella سير عمل يعتمد على ONNX أولاً، ويقوم بتجميع تصديرات ONNX إلى تنسيق AmbaPB باستخدام مجموعة أدوات CVflow من Ambarella لأنظمة CVflow® على الرقاقة (SoC) مثل CV72، مع إمكانية استخدام التدريب المدرك للضغط SpongeTorch بشكل اختياري.
Link to this sectionمقارنة خيارات النشر#
يلخص الجدول التالي خيارات النشر لنماذج YOLO26 بناءً على المعايير التي تحدد الاختيار عادةً. للحصول على نظرة متعمقة على كل تنسيق، راجع توثيق تنسيقات التصدير.
| خيار النشر | مقاييس الأداء | التوافق والتكامل | دعم المجتمع والنظام البيئي | دراسات الحالة | الصيانة والتحديثات | اعتبارات الأمان | تسريع الأجهزة |
|---|---|---|---|---|---|---|---|
| PyTorch | مرونة جيدة؛ قد تكون على حساب الأداء الخام | ممتاز مع مكتبات Python | موارد ومجتمع واسع النطاق | البحث والنماذج الأولية | تطوير منتظم ونشط | يعتمد على بيئة النشر | دعم CUDA لتسريع GPU |
| TorchScript | أفضل للإنتاج من PyTorch | انتقال سلس من PyTorch إلى C++ | متخصص ولكنه أضيق من PyTorch | الصناعة حيث تكون Python عنق زجاجة | تحديثات متسقة مع PyTorch | أمان محسن بدون كامل Python | يرث دعم CUDA من PyTorch |
| ONNX | متغير اعتمادًا على وقت التشغيل | مرتفع عبر أطر عمل مختلفة | نظام بيئي واسع، مدعوم من العديد من المنظمات | مرونة عبر أطر عمل التعلم الآلي | تحديثات منتظمة للعمليات الجديدة | ضمان ممارسات التحويل والنشر الآمنة | تحسينات أجهزة مختلفة |
| OpenVINO | محسن لأجهزة Intel | الأفضل ضمن نظام Intel البيئي | صلب في مجال الرؤية الحاسوبية | إنترنت الأشياء والحافة مع أجهزة Intel | تحديثات منتظمة لأجهزة Intel | ميزات قوية للتطبيقات الحساسة | مصمم خصيصًا لأجهزة Intel |
| TensorRT | من الدرجة الأولى على NVIDIA GPUs | الأفضل لأجهزة NVIDIA | شبكة قوية من خلال NVIDIA | استنتاج الفيديو والصور في الوقت الفعلي | تحديثات متكررة لوحدات GPU الجديدة | التركيز على الأمن | مصمم لوحدات NVIDIA GPUs |
| CoreML | محسن لأجهزة Apple على الجهاز | حصري لنظام Apple البيئي | دعم قوي من Apple والمطورين | التعلم الآلي على الجهاز في منتجات Apple | تحديثات Apple المنتظمة | التركيز على الخصوصية والأمان | محرك Apple العصبي وGPU |
| TF SavedModel | قابل للتوسع في بيئات الخادم | توافق واسع في نظام TensorFlow البيئي | دعم كبير بسبب شعبية TensorFlow | خدمة النماذج على نطاق واسع | تحديثات منتظمة من قبل Google والمجتمع | ميزات قوية للمؤسسات | تسريع أجهزة مختلف |
| TF GraphDef | مستقر لرسوم الحوسبة الثابتة | يتكامل بشكل جيد مع بنية TensorFlow التحتية | موارد لتحسين الرسوم البيانية الثابتة | السيناريوهات التي تتطلب رسومًا بيانية ثابتة | التحديثات جنبًا إلى جنب مع جوهر TensorFlow | ممارسات أمان TensorFlow الراسخة | خيارات تسريع TensorFlow |
| TF Edge TPU | محسّن لأجهزة Edge TPU من Google | حصري لأجهزة Edge TPU | ينمو مع Google وموارد الجهات الخارجية | أجهزة إنترنت الأشياء (IoT) التي تتطلب معالجة في الوقت الفعلي | تحسينات لأجهزة Edge TPU الجديدة | أمان إنترنت الأشياء القوي من Google | مصمم خصيصًا لـ Google Coral |
| LiteRT | السرعة والكفاءة على الأجهزة المحمولة/المضمنة/الويب | دعم الأجهزة المحمولة، والمضمنة، والحافة، والمتصفح | مجتمع قوي، مدعوم من Google | تطبيقات على الجهاز عبر Android و iOS والويب | أحدث ميزات بيئة التشغيل على الجهاز | استدلال آمن على الجهاز وداخل المتصفح | تسريع GPU و DSP و WebGPU |
| PaddlePaddle | تنافسي، سهل الاستخدام وقابل للتوسع | نظام Baidu البيئي، دعم واسع للتطبيقات | نمو سريع، خاصة في الصين | السوق الصينية ومعالجة اللغة | التركيز على تطبيقات الذكاء الاصطناعي الصينية | يؤكد على خصوصية البيانات وأمانها | بما في ذلك رقائق Kunlun من Baidu |
| MNN | أداء عالٍ للأجهزة المحمولة | أنظمة ARM المحمولة والمدمجة و X86-64 CPU | مجتمع تعلم الآلة المحمول/المدمج | كفاءة الأنظمة المحمولة | صيانة عالية الأداء على الأجهزة المحمولة | مزايا أمان الجهاز | تحسينات ARM CPUs و GPUs |
| NCNN | محسّن للأجهزة المحمولة التي تعمل بنظام ARM | أنظمة ARM المحمولة والمدمجة | مجتمع تعلم آلة متخصص ولكنه نشط على الأجهزة المحمولة/المدمجة | كفاءة أنظمة Android و ARM | صيانة عالية الأداء على ARM | مزايا أمان الجهاز | تحسينات ARM CPUs و GPUs |
| Sony IMX500 | استدلال على المستشعر باستهلاك طاقة منخفض جداً | مستشعر Sony IMX500، كاميرا Raspberry Pi AI | نظام Sony AITRIOS البيئي | ذكاء اصطناعي للحافة على الكاميرا | تحديثات مجموعة أدوات Sony SDK وMCT | تبقى البيانات على المستشعر | مسرع Sony IMX500 على الشريحة |
| Rockchip RKNN | مُحسّن لوحدات Rockchip NPU | لوحات Rockchip SoC (مثل RK3588) | مجتمع مطوري Rockchip | لوحات SBC المدمجة وأجهزة الحافة | تحديثات Rockchip RKNN-Toolkit | استدلال محلي على الجهاز | Rockchip NPU |
| ExecuTorch | بيئة تشغيل PyTorch فعالة على الجهاز | iOS وAndroid ومدمج عبر XNNPACK | مدعوم من مشروع PyTorch | تطبيقات المحمول والأنظمة المدمجة | يتم صيانته جنباً إلى جنب مع PyTorch | الاستدلال على الجهاز يحافظ على خصوصية البيانات محليًا | خلفيات XNNPACK ومعالجات CPU/GPU المحمولة |
| Axelera AI | إنتاجية عالية جداً (تصل إلى 856 TOPS) | Metis AIPU عبر PCIe أو M.2 | Axelera Voyager SDK | استدلال حافة عالي الإنتاجية | تحديثات Axelera SDK | استدلال حافة داخل الموقع | Axelera Metis AIPU |
| DEEPX | استدلال NPU مُحسّن بـ INT8 | عتاد DEEPX NPU | أدوات مطوري DEEPX (dx_com, dx_engine) | استدلال حافة مدمج | تحديثات بيئة التشغيل وSDK لـ DEEPX | استدلال محلي على الجهاز | DEEPX NPU |
| Qualcomm QNN | استدلال سريع على جهاز Snapdragon | Snapdragon Hexagon NPU وAdreno GPU وCPU | نظام Qualcomm AI Hub البيئي | أجهزة Snapdragon المحمولة وأجهزة الحافة | تحديثات حزمة Qualcomm AI (QAIRT) | الاستدلال على الجهاز يحافظ على خصوصية البيانات محليًا | Snapdragon Hexagon NPU |
تقدم لك هذه المقارنة نظرة عامة شاملة. للنشر، قم بموازنة المتطلبات والقيود المحددة لمشروعك مقابل كل خيار، وراجع دليل التكامل المرتبط بالتنسيق الذي تختاره.
Link to this sectionالخلاصة#
تتيح لك مجموعة تنسيقات التصدير الواسعة في YOLO26 تصميم نموذج يناسب أي بيئة تقريباً، من خادم GPU سحابي إلى كاميرا حافة على المستشعر. بمجرد اختيار التنسيق، اتبع أفضل ممارسات نشر النموذج للتحسين واستكشاف الأخطاء وإصلاحها والأمان، واستعن بـ مجتمع Ultralytics عندما تواجه أي عائق.
Link to this sectionالأسئلة الشائعة#
Link to this sectionما هي خيارات النشر المتاحة لـ YOLO26 على منصات الأجهزة المختلفة؟#
يدعم Ultralytics YOLO26 تنسيقات نشر متنوعة، كل منها مصمم لبيئات ومنصات أجهزة محددة. تشمل التنسيقات الرئيسية ما يلي:
- PyTorch للبحث والنماذج الأولية، مع تكامل ممتاز مع Python.
- TorchScript لبيئات الإنتاج حيث لا تتوفر Python.
- ONNX للتوافق عبر المنصات وتسريع الأجهزة.
- OpenVINO للأداء المحسّن على أجهزة Intel.
- TensorRT للاستدلال عالي السرعة على وحدات معالجة الرسومات من NVIDIA.
لكل تنسيق مزايا فريدة. للحصول على شرح مفصل، راجع وثائق عملية التصدير الخاصة بنا.
Link to this sectionكيف يمكنني تحسين سرعة الاستدلال لنموذج YOLO26 الخاص بي على وحدة معالجة مركزية Intel؟#
لتعزيز سرعة الاستدلال على وحدات معالجة مركزية Intel، يمكنك نشر نموذج YOLO26 الخاص بك باستخدام مجموعة أدوات OpenVINO من Intel. توفر OpenVINO تعزيزات كبيرة في الأداء من خلال تحسين النماذج للاستفادة من أجهزة Intel بكفاءة.
- قم بتحويل نموذج YOLO26 الخاص بك إلى تنسيق OpenVINO باستخدام دالة
model.export(). - اتبع دليل الإعداد التفصيلي في وثائق تصدير Intel OpenVINO.
لمزيد من الرؤى، تحقق من منشور المدونة الخاص بنا.
Link to this sectionهل يمكنني نشر نماذج YOLO26 على الأجهزة المحمولة؟#
نعم، يمكن نشر نماذج YOLO26 على الأجهزة المحمولة باستخدام LiteRT (المعروفة سابقًا باسم TensorFlow Lite) و NCNN لنظام Android، و CoreML أو LiteRT لنظام iOS. LiteRT هي بيئة تشغيل Google على الجهاز للأجهزة المحمولة والمضمنة وتُشغّل النموذج نفسه عبر Android و iOS والمتصفح، مما يوفر استدلالًا فعالًا على الجهاز.
# Export command for NCNN format
model.export(format="ncnn")لمزيد من التفاصيل حول نشر النماذج على الأجهزة المحمولة، راجع دليل تكامل LiteRT الخاص بنا.
Link to this sectionما هي العوامل التي يجب أن أضعها في الاعتبار عند اختيار تنسيق نشر لنموذج YOLO26 الخاص بي؟#
عند اختيار تنسيق نشر لـ YOLO26، ضع في اعتبارك العوامل التالية:
- الأداء: توفر بعض التنسيقات مثل TensorRT سرعات استثنائية على وحدات معالجة الرسومات NVIDIA، بينما تم تحسين OpenVINO لأجهزة Intel.
- التوافق: يوفر ONNX توافقًا واسعًا عبر منصات مختلفة.
- سهولة التكامل: التنسيقات مثل CoreML أو LiteRT مصممة خصيصًا لأنظمة بيئية محددة مثل iOS و Android، على التوالي.
- دعم المجتمع: تمتلك تنسيقات مثل PyTorch و TensorFlow موارد ودعمًا مجتمعيًا واسع النطاق.
لإجراء تحليل مقارن، راجع وثائق تنسيقات التصدير الخاصة بنا.
Link to this sectionكيف يمكنني نشر نماذج YOLO26 في تطبيق ويب؟#
لنشر نماذج YOLO26 في تطبيق ويب، يمكنك استخدام LiteRT.js، وهي بيئة تشغيل الويب الخاصة بـ LiteRT، والتي تسمح بتشغيل نماذج التعلم الآلي مباشرة في المتصفح و Node.js. يلغي هذا النهج الحاجة إلى بنية تحتية للخلفية ويوفر أداءً في الوقت الفعلي.
- تصدير نموذج YOLO26 إلى تنسيق LiteRT.
- دمج النموذج المُصدّر في تطبيق الويب الخاص بك باستخدام LiteRT.js.
للحصول على إرشادات خطوة بخطوة، راجع دليل تكامل LiteRT الخاص بنا.