Link to this sectionتحليل مقارن لخيارات نشر YOLO26#

Link to this sectionمقدمة#

لقد قطعت شوطاً طويلاً في رحلتك مع YOLO26. لقد جمعت البيانات بجدية، وقمنا بتعليقها بدقة، وقضيت ساعات في تدريب وتقييم نموذج YOLO26 المخصص الخاص بك بصرامة. الآن، حان الوقت لوضع نموذجك قيد العمل لتطبيقك أو حالة استخدامك أو مشروعك المحدد. ولكن هناك قرار حاسم يقف أمامك: كيفية تصدير نموذجك ونشره بفعالية.

يرشدك هذا الدليل عبر خيارات النشر الخاصة بـ YOLO26 والعوامل الأساسية التي يجب مراعاتها لاختيار الخيار المناسب لمشروعك.

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 وثائق أوضاع Ultralytics YOLO26، تسمح لك وظيفة model.export() بتحويل نموذجك المدرب إلى مجموعة متنوعة من التنسيقات المصممة لتناسب بيئات ومتطلبات أداء متنوعة.

يعتمد التنسيق المثالي على سياق التشغيل المقصود لنموذجك، حيث يوازن بين السرعة وقيود الأجهزة وسهولة التكامل. للنشر المُدار بدون تصدير يدوي، توفر منصة Ultralytics نقاط نهاية استنتاج جاهزة للاستخدام مع توسيع تلقائي عبر 43 منطقة عالمية. في القسم التالي، سنلقي نظرة فاحصة على كل خيار تصدير، لفهم متى يجب اختيار كل منها.

Link to this sectionخيارات نشر YOLO26#

دعنا نستعرض خيارات نشر YOLO26 المختلفة. للحصول على شرح مفصل لعملية التصدير، قم بزيارة صفحة وثائق Ultralytics حول التصدير.

Link to this sectionPyTorch#

PyTorch هي مكتبة مفتوحة المصدر للتعلم الآلي تُستخدم على نطاق واسع للتطبيقات في التعلم العميق والذكاء الاصطناعي. إنها توفر مستوى عالٍ من المرونة والسرعة، مما جعلها مفضلة بين الباحثين والمطورين.

• مقاييس الأداء: تشتهر PyTorch بسهولة الاستخدام والمرونة، مما قد يؤدي إلى مقايضة طفيفة في الأداء الخام مقارنة بالأطر الأخرى الأكثر تخصصاً وتحسيناً.
• التوافق والتكامل: توفر توافقاً ممتازاً مع مختلف مكتبات علوم البيانات والتعلم الآلي في Python.
• دعم المجتمع والنظام البيئي: أحد أكثر المجتمعات حيوية، مع موارد واسعة للتعلم وحل المشكلات.
• دراسات الحالة: تُستخدم عادةً في النماذج الأولية للأبحاث، وتشير العديد من الأوراق الأكاديمية إلى نماذج تم نشرها في PyTorch.
• الصيانة والتحديثات: تحديثات منتظمة مع تطوير نشط ودعم للميزات الجديدة.
• اعتبارات الأمان: تصحيحات منتظمة لمشكلات الأمان، ولكن الأمان يعتمد إلى حد كبير على البيئة العامة التي يتم نشرها فيها.
• تسريع الأجهزة: تدعم CUDA لتسريع GPU، وهو أمر ضروري لتسريع تدريب النموذج والاستنتاج.

Link to this sectionTorchScript#

يعمل TorchScript على توسيع قدرات PyTorch من خلال السماح بتصدير النماذج لتشغيلها في بيئة وقت تشغيل C++. وهذا يجعلها مناسبة لبيئات الإنتاج حيث لا يتوفر Python.

• مقاييس الأداء: يمكن أن توفر أداءً محسناً مقارنة بـ PyTorch الأصلي، خاصة في بيئات الإنتاج.
• التوافق والتكامل: مصممة للانتقال السلس من PyTorch إلى بيئات إنتاج C++، على الرغم من أن بعض الميزات المتقدمة قد لا تُترجم بشكل مثالي.
• دعم المجتمع والنظام البيئي: تستفيد من مجتمع PyTorch الكبير ولكن لديها نطاق أضيق من المطورين المتخصصين.
• دراسات الحالة: تُستخدم على نطاق واسع في إعدادات الصناعة حيث تكون تكلفة أداء Python عنق زجاجة.
• الصيانة والتحديثات: تتم صيانتها جنباً إلى جنب مع PyTorch مع تحديثات متسقة.
• اعتبارات الأمان: توفر أماناً محسناً من خلال تمكين تشغيل النماذج في بيئات بدون تثبيتات Python كاملة.
• تسريع الأجهزة: ترث دعم CUDA من PyTorch، مما يضمن كفاءة استخدام GPU.

Link to this sectionONNX#

تبادل الشبكات العصبية المفتوح (ONNX) هو تنسيق يسمح بقابلية التشغيل البيني للنماذج عبر أطر عمل مختلفة، وهو أمر يمكن أن يكون حاسماً عند النشر على منصات متنوعة.

• مقاييس الأداء: قد تواجه نماذج ONNX أداءً متغيراً اعتماداً على وقت التشغيل المحدد الذي يتم نشرها عليه.
• التوافق والتكامل: قابلية تشغيل بيني عالية عبر منصات وأجهزة متعددة بسبب طبيعتها غير المرتبطة بإطار عمل معين.
• دعم المجتمع والنظام البيئي: مدعومة من قبل العديد من المنظمات، مما يؤدي إلى نظام بيئي واسع ومجموعة متنوعة من أدوات التحسين.
• دراسات الحالة: تُستخدم بشكل متكرر لنقل النماذج بين أطر التعلم الآلي المختلفة، مما يثبت مرونتها.
• الصيانة والتحديثات: كمعيار مفتوح، يتم تحديث ONNX بانتظام لدعم العمليات والنماذج الجديدة.
• اعتبارات الأمان: كما هو الحال مع أي أداة عبر الأنظمة الأساسية، من الضروري ضمان ممارسات آمنة في خط أنابيب التحويل والنشر.
• تسريع الأجهزة: مع ONNX Runtime، يمكن للنماذج الاستفادة من تحسينات الأجهزة المختلفة.

Link to this sectionOpenVINO#

OpenVINO هي مجموعة أدوات من Intel مصممة لتسهيل نشر نماذج التعلم العميق عبر أجهزة Intel، مما يعزز الأداء والسرعة.

• مقاييس الأداء: محسنة خصيصاً لوحدات المعالجة المركزية Intel، وGPUs، وVPUs، مما يوفر تعزيزات كبيرة في الأداء على الأجهزة المتوافقة.
• التوافق والتكامل: تعمل بشكل أفضل ضمن نظام Intel البيئي ولكنها تدعم أيضاً مجموعة من المنصات الأخرى.
• دعم المجتمع والنظام البيئي: مدعومة من Intel، مع قاعدة مستخدمين قوية خاصة في مجال الرؤية الحاسوبية.
• دراسات الحالة: تُستخدم غالباً في سيناريوهات IoT والحوسبة الطرفية حيث تنتشر أجهزة Intel.
• الصيانة والتحديثات: تقوم Intel بتحديث OpenVINO بانتظام لدعم أحدث نماذج التعلم العميق وأجهزة Intel.
• اعتبارات الأمان: توفر ميزات أمان قوية مناسبة للنشر في التطبيقات الحساسة.
• تسريع الأجهزة: مصممة خصيصاً للتسريع على أجهزة Intel، مع الاستفادة من مجموعات التعليمات المخصصة وميزات الأجهزة.

لمزيد من التفاصيل حول النشر باستخدام OpenVINO، راجع وثائق تكامل Ultralytics: تصدير Intel OpenVINO.

Link to this sectionTensorRT#

TensorRT هو مُحسِّن استنتاج للتعلم العميق عالي الأداء ووقت تشغيل من NVIDIA، مثالي للتطبيقات التي تحتاج إلى السرعة والكفاءة.

• مقاييس الأداء: يقدم أداءً من الدرجة الأولى على NVIDIA GPUs مع دعم للاستنتاج عالي السرعة.
• التوافق والتكامل: الأنسب لأجهزة NVIDIA، مع دعم محدود خارج هذه البيئة.
• دعم المجتمع والنظام البيئي: شبكة دعم قوية من خلال منتديات مطوري NVIDIA والوثائق.
• دراسات الحالة: معتمد على نطاق واسع في الصناعات التي تتطلب استنتاجاً في الوقت الفعلي على بيانات الفيديو والصور.
• الصيانة والتحديثات: تحافظ NVIDIA على TensorRT بتحديثات متكررة لتعزيز الأداء ودعم معماريات GPU الجديدة.
• اعتبارات الأمان: مثل العديد من منتجات NVIDIA، لديها تركيز قوي على الأمان، ولكن التفاصيل تعتمد على بيئة النشر.
• تسريع الأجهزة: مصمم حصرياً لـ NVIDIA GPUs، مما يوفر تحسيناً وتسريعاً عميقاً.

لمزيد من المعلومات حول نشر TensorRT، تحقق من دليل تكامل TensorRT.

Link to this sectionCoreML#

CoreML هو إطار عمل التعلم الآلي من Apple، والمُحسَّن للأداء على الجهاز في نظام Apple البيئي، بما في ذلك iOS وmacOS وwatchOS وtvOS.

• مقاييس الأداء: مُحسَّن للأداء على الجهاز على أجهزة Apple مع الحد الأدنى من استهلاك البطارية.
• التوافق والتكامل: حصري لنظام Apple البيئي، مما يوفر سير عمل مبسط لتطبيقات iOS وmacOS.
• دعم المجتمع والنظام البيئي: دعم قوي من Apple ومجتمع مطورين مخصص، مع وثائق وأدوات واسعة.
• دراسات الحالة: تُستخدم عادةً في التطبيقات التي تتطلب قدرات تعلم آلي على الجهاز على منتجات Apple.
• الصيانة والتحديثات: يتم تحديثه بانتظام بواسطة Apple لدعم أحدث تطورات التعلم الآلي وأجهزة Apple.
• اعتبارات الأمان: يستفيد من تركيز Apple على خصوصية المستخدم وأمان البيانات.
• تسريع الأجهزة: يستفيد استفادة كاملة من المحرك العصبي لـ Apple وGPU لمهام التعلم الآلي المتسارعة.

Link to this sectionTF SavedModel#

TF SavedModel هو تنسيق TensorFlow لحفظ وتقديم نماذج التعلم الآلي، وهو مناسب بشكل خاص لبيئات الخادم القابلة للتطوير.

• مقاييس الأداء: يوفر أداءً قابلاً للتطوير في بيئات الخادم، خاصة عند استخدامه مع TensorFlow Serving.
• التوافق والتكامل: توافق واسع عبر نظام TensorFlow البيئي، بما في ذلك عمليات نشر الخادم السحابي والمؤسسي.
• دعم المجتمع والنظام البيئي: دعم مجتمعي كبير بسبب شعبية TensorFlow، مع مجموعة واسعة من أدوات النشر والتحسين.
• دراسات الحالة: يُستخدم على نطاق واسع في بيئات الإنتاج لتقديم نماذج التعلم العميق على نطاق واسع.
• الصيانة والتحديثات: مدعوم من Google ومجتمع TensorFlow، مما يضمن تحديثات منتظمة وميزات جديدة.
• اعتبارات الأمان: يتضمن النشر باستخدام TensorFlow Serving ميزات أمان قوية للتطبيقات على مستوى المؤسسات.
• تسريع الأجهزة: يدعم عمليات تسريع الأجهزة المختلفة من خلال واجهات TensorFlow الخلفية.

Link to this sectionTF GraphDef#

TF GraphDef هو تنسيق TensorFlow يمثل النموذج كرسم بياني، وهو مفيد للبيئات التي تتطلب رسم بياني حسابي ثابت.

• مقاييس الأداء: يوفر أداءً مستقراً للرسوم البيانية الحسابية الثابتة، مع التركيز على الاتساق والموثوقية.
• التوافق والتكامل: يتكامل بسهولة ضمن البنية التحتية لـ TensorFlow ولكنه أقل مرونة مقارنة بـ SavedModel.
• دعم المجتمع والنظام البيئي: دعم جيد من نظام TensorFlow البيئي، مع توفر العديد من الموارد لتحسين الرسوم البيانية الثابتة.
• دراسات الحالة: مفيد في السيناريوهات التي يكون فيها الرسم البياني الثابت ضرورياً، مثل بعض الأنظمة المضمنة.
• الصيانة والتحديثات: تحديثات منتظمة جنباً إلى جنب مع تحديثات TensorFlow الأساسية.
• اعتبارات الأمان: يضمن نشراً آمناً مع ممارسات الأمان المعمول بها في TensorFlow.
• تسريع الأجهزة: يمكنه استخدام خيارات تسريع الأجهزة الخاصة بـ TensorFlow، على الرغم من أنها ليست مرنة مثل SavedModel.

تعرف على المزيد حول TF GraphDef في دليل تكامل TF GraphDef.

Link to this sectionTF Lite#

TF Lite هو حل TensorFlow للتعلم الآلي على الأجهزة المحمولة والمضمنة، حيث يوفر مكتبة خفيفة الوزن للاستنتاج على الجهاز.

• مقاييس الأداء: مصمم للسرعة والكفاءة على الأجهزة المحمولة والمضمنة.
• التوافق والتكامل: يمكن استخدامه على مجموعة واسعة من الأجهزة بسبب طبيعته خفيفة الوزن.
• دعم المجتمع والنظام البيئي: مدعوم من Google، ويتمتع بمجتمع قوي وعدد متزايد من الموارد للمطورين.
• دراسات الحالة: شائع في تطبيقات الهاتف المحمول التي تتطلب استنتاجاً على الجهاز بأقل بصمة.
• الصيانة والتحديثات: يتم تحديثه بانتظام ليشمل أحدث الميزات والتحسينات للأجهزة المحمولة.
• اعتبارات الأمان: يوفر بيئة آمنة لتشغيل النماذج على أجهزة المستخدم النهائي.
• تسريع الأجهزة: يدعم مجموعة متنوعة من خيارات تسريع الأجهزة، بما في ذلك GPU وDSP.

Link to this sectionTF Edge TPU#

TF Edge TPU مصمم لحوسبة عالية السرعة وفعالة على أجهزة Google Edge TPU، وهو مثالي لأجهزة IoT التي تتطلب معالجة في الوقت الفعلي.

• مقاييس الأداء: مُحسَّن خصيصاً لحوسبة عالية السرعة وفعالة على أجهزة Google Edge TPU.
• التوافق والتكامل: يعمل حصرياً مع نماذج TensorFlow Lite على أجهزة Edge TPU.
• دعم المجتمع والنظام البيئي: دعم متزايد مع موارد مقدمة من Google ومطورين خارجيين.
• دراسات الحالة: يُستخدم في أجهزة IoT والتطبيقات التي تتطلب معالجة في الوقت الفعلي مع تأخير منخفض.
• الصيانة والتحديثات: يتم تحسينه باستمرار للاستفادة من قدرات إصدارات أجهزة Edge TPU الجديدة.
• اعتبارات الأمان: يتكامل مع أمان Google القوي لأجهزة IoT والأجهزة الطرفية.
• تسريع الأجهزة: مصمم خصيصاً للاستفادة الكاملة من أجهزة Google Coral.

Link to this sectionHailo HEF#

Hailo HEF هو تنسيق قابل للتنفيذ ومجمَّع لمسرعات Hailo AI، بما في ذلك أجهزة Hailo-8 وHailo-8L وHailo-15. يتم تصدير نماذج اكتشاف Ultralytics YOLO إلى ONNX أولاً، ثم يتم تجميعها إلى HEF باستخدام Hailo Dataflow Compiler الخارجي. HEF ليس هدف تصدير مباشر لـ Ultralytics؛ لسير عمل تسريع الأجهزة الطرفية المدعومة، قارن Axelera AI وDeepX أولاً.

• مقاييس الأداء: يعتمد على أجهزة Hailo، وإصدار Hailo SDK، وبرنامج النموذج، وتكوين NMS، وبيانات المعايرة.
• التوافق والتكامل: فقط للأنظمة المضمنة التي تعمل بـ Hailo، والبوابات الصناعية، وعمليات نشر Raspberry Pi AI Kit.
• دعم المجتمع والنظام البيئي: مدعوم من خلال Hailo Developer Zone، وHailoRT، وTAPPAS، وHailo Model Zoo.
• دراسات الحالة: مفيد للكشف عن الأشياء في الوقت الفعلي على الكاميرات، والروبوتات، وأنظمة التحكم في الوصول، والمدن الذكية، وأجهزة الفحص الصناعي.
• الصيانة والتحديثات: يعتمد على تحديثات Hailo SDK والبرامج الثابتة وmodel-zoo لأهداف المسرعات الجديدة.
• اعتبارات الأمان: يدعم الاستنتاج المحلي على الجهاز حيث تبقى البيانات عند الحافة (edge).
• تسريع الأجهزة: يستخدم تنفيذ Hailo NPU من خلال ملفات HEF المترجمة.

للحصول على سير عمل تدريجي، راجع دليل تكامل Hailo.

Link to this sectionTF.js#

TensorFlow.js (TF.js) هو مكتبة تجلب قدرات التعلم الآلي مباشرة إلى المتصفح، مما يوفر مجالًا جديدًا من الإمكانيات لمطوري الويب والمستخدمين على حد سواء. يسمح بدمج نماذج التعلم الآلي في تطبيقات الويب دون الحاجة إلى بنية تحتية خلفية.

• مقاييس الأداء: يتيح التعلم الآلي مباشرة في المتصفح بأداء معقول، اعتمادًا على جهاز العميل.
• التوافق والتكامل: توافق عالٍ مع تقنيات الويب، مما يسمح بالتكامل السهل في تطبيقات الويب.
• دعم المجتمع والنظام البيئي: دعم من مجتمع مطوري الويب وNode.js، مع مجموعة متنوعة من الأدوات لنشر نماذج التعلم الآلي في المتصفحات.
• دراسات الحالة: مثالي لتطبيقات الويب التفاعلية التي تستفيد من التعلم الآلي من جانب العميل دون الحاجة إلى معالجة من جانب الخادم.
• الصيانة والتحديثات: تتم صيانته بواسطة فريق TensorFlow بمساهمات من مجتمع المصادر المفتوحة.
• اعتبارات الأمان: يعمل ضمن سياق المتصفح الآمن، مستفيدًا من نموذج الأمان الخاص بمنصة الويب.
• تسريع الأجهزة: يمكن تعزيز الأداء باستخدام واجهات برمجة التطبيقات المستندة إلى الويب التي تصل إلى تسريع الأجهزة مثل WebGL.

Link to this sectionPaddlePaddle#

PaddlePaddle هو إطار عمل للتعلم العميق مفتوح المصدر تم تطويره بواسطة Baidu. تم تصميمه ليكون فعالًا للباحثين وسهل الاستخدام للمطورين. وهو شائع بشكل خاص في الصين ويقدم دعمًا متخصصًا لمعالجة اللغة الصينية.

• مقاييس الأداء: يقدم أداءً تنافسيًا مع التركيز على سهولة الاستخدام وقابلية التوسع.
• التوافق والتكامل: متكامل بشكل جيد ضمن نظام Baidu البيئي ويدعم مجموعة واسعة من التطبيقات.
• دعم المجتمع والنظام البيئي: على الرغم من أن المجتمع أصغر عالميًا، إلا أنه ينمو بسرعة، خاصة في الصين.
• دراسات الحالة: يُستخدم بشكل شائع في الأسواق الصينية ومن قبل المطورين الذين يبحثون عن بدائل لأطر العمل الرئيسية الأخرى.
• الصيانة والتحديثات: يتم تحديثه بانتظام مع التركيز على خدمة تطبيقات وخدمات الذكاء الاصطناعي باللغة الصينية.
• اعتبارات الأمان: يؤكد على خصوصية البيانات والأمان، بما يلبي معايير حوكمة البيانات الصينية.
• تسريع الأجهزة: يدعم تسريع الأجهزة المختلفة، بما في ذلك رقائق Kunlun الخاصة بـ Baidu.

Link to this sectionMNN#

MNN هو إطار عمل للتعلم العميق خفيف الوزن وعالي الكفاءة. يدعم الاستنتاج والتدريب لنماذج التعلم العميق ويتمتع بأداء رائد في الصناعة للاستنتاج والتدريب على الجهاز. بالإضافة إلى ذلك، يُستخدم MNN أيضًا في الأجهزة المضمنة، مثل إنترنت الأشياء (IoT).

• مقاييس الأداء: أداء عالٍ للأجهزة المحمولة مع تحسين ممتاز لأنظمة ARM.
• التوافق والتكامل: يعمل بشكل جيد مع أنظمة ARM المحمولة والمضمنة ومعماريات وحدة المعالجة المركزية X86-64.
• دعم المجتمع والنظام البيئي: مدعوم من قبل مجتمع التعلم الآلي للأجهزة المحمولة والمضمنة.
• دراسات الحالة: مثالي للتطبيقات التي تتطلب أداءً فعالاً على الأنظمة المحمولة.
• الصيانة والتحديثات: يتم صيانته بانتظام لضمان أداء عالٍ على الأجهزة المحمولة.
• اعتبارات الأمان: يوفر مزايا أمان على الجهاز من خلال إبقاء البيانات محلية.
• تسريع الأجهزة: محسن لوحدات المعالجة المركزية (CPU) ووحدات معالجة الرسومات (GPU) من نوع ARM لتحقيق أقصى قدر من الكفاءة.

Link to this sectionNCNN#

NCNN هو إطار عمل لاستنتاج الشبكات العصبية عالي الأداء ومحسن للمنصات المحمولة. يتميز بطبيعته الخفيفة وكفاءته، مما يجعله مناسبًا بشكل خاص للأجهزة المحمولة والمضمنة حيث تكون الموارد محدودة.

• مقاييس الأداء: محسن للغاية للمنصات المحمولة، مما يوفر استنتاجًا فعالًا على الأجهزة التي تعتمد على ARM.
• التوافق والتكامل: مناسب للتطبيقات على الهواتف المحمولة والأنظمة المضمنة ذات معمارية ARM.
• دعم المجتمع والنظام البيئي: مدعوم من قبل مجتمع متخصص ولكنه نشط يركز على تطبيقات التعلم الآلي للأجهزة المحمولة والمضمنة.
• دراسات الحالة: مفضل للتطبيقات المحمولة حيث تكون الكفاءة والسرعة أمرًا بالغ الأهمية على Android والأنظمة الأخرى التي تعتمد على ARM.
• الصيانة والتحديثات: يتم تحسينه باستمرار للحفاظ على أداء عالٍ على مجموعة من أجهزة ARM.
• اعتبارات الأمان: يركز على التشغيل محليًا على الجهاز، مستفيدًا من الأمان المتأصل للمعالجة على الجهاز.
• تسريع الأجهزة: مصمم خصيصًا لوحدات المعالجة المركزية (CPU) ووحدات معالجة الرسومات (GPU) من نوع ARM، مع تحسينات محددة لهذه المعماريات.

Link to this sectionتحليل مقارن لخيارات نشر YOLO26#

يوفر الجدول التالي نظرة عامة على خيارات النشر المختلفة المتاحة لنماذج YOLO26، مما يساعدك على تقييم ما قد يناسب احتياجات مشروعك بناءً على عدة معايير حرجة. للحصول على نظرة متعمقة على تنسيق كل خيار نشر، يرجى الاطلاع على صفحة توثيق Ultralytics حول تنسيقات التصدير.

يوفر هذا التحليل المقارن نظرة عامة رفيعة المستوى. بالنسبة للنشر، من الضروري مراعاة المتطلبات والقيود المحددة لمشروعك، والرجوع إلى الوثائق والموارد التفصيلية المتاحة لكل خيار.

Link to this sectionالمجتمع والدعم#

عندما تبدأ باستخدام YOLO26، فإن الحصول على مجتمع داعم ومساعدة يمكن أن يحدث تأثيرًا كبيرًا. إليك كيفية التواصل مع الآخرين الذين يشاركونك اهتماماتك والحصول على المساعدة التي تحتاجها.

Link to this sectionتفاعل مع المجتمع الأوسع#

• GitHub Discussions: يحتوي مستودع YOLO26 على GitHub على قسم "Discussions" حيث يمكنك طرح الأسئلة، والإبلاغ عن المشكلات، واقتراح التحسينات.
• خادم Ultralytics Discord: تمتلك Ultralytics خادم Discord حيث يمكنك التفاعل مع مستخدمين ومطورين آخرين.

Link to this sectionالوثائق والموارد الرسمية#

• وثائق Ultralytics YOLO26: توفر الوثائق الرسمية نظرة عامة شاملة على YOLO26، إلى جانب أدلة التثبيت والاستخدام واستكشاف الأخطاء وإصلاحها.

ستساعدك هذه الموارد في معالجة التحديات والبقاء على اطلاع بأحدث الاتجاهات وأفضل الممارسات في مجتمع YOLO26.

Link to this sectionالخلاصة#

في هذا الدليل، استكشفنا خيارات النشر المختلفة لـ YOLO26. كما ناقشنا العوامل المهمة التي يجب مراعاتها عند اتخاذ اختيارك. تتيح لك هذه الخيارات تخصيص نموذجك لمختلف البيئات ومتطلبات الأداء، مما يجعله مناسبًا للتطبيقات الواقعية.

لا تنسَ أن YOLO26 و مجتمع Ultralytics هما مصدر قيّم للمساعدة. تواصل مع مطورين وخبراء آخرين لتعلم نصائح وحلول فريدة قد لا تجدها في الوثائق العادية. استمر في البحث عن المعرفة واستكشاف أفكار جديدة ومشاركة تجاربك.

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.

1. قم بتحويل نموذج YOLO26 الخاص بك إلى تنسيق OpenVINO باستخدام دالة model.export().
2. 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 TensorFlow Lite (TF Lite) لكل من منصتي Android و iOS. تم تصميم TF Lite للأجهزة المحمولة والمدمجة، مما يوفر استدلالًا فعالًا على الجهاز.

# Export command for TFLite format
model.export(format="tflite")

لمزيد من التفاصيل حول نشر النماذج على الأجهزة المحمولة، راجع دليل تكامل TF Lite.

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: تم تصميم تنسيقات مثل CoreML أو TF Lite 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 TensorFlow.js (TF.js)، والذي يسمح بتشغيل نماذج تعلم الآلة مباشرة في المتصفح. يلغي هذا النهج الحاجة إلى بنية تحتية للخادم ويوفر أداءً في الوقت الفعلي.

1. قم بتصدير نموذج YOLO26 إلى تنسيق TF.js.
2. ادمج النموذج المصدر في تطبيق الويب الخاص بك.

للحصول على تعليمات خطوة بخطوة، راجع دليلنا حول تكامل TensorFlow.js.