تحليل مقارن لخيارات نشر YOLO26
يدعم YOLO26 أكثر من 20 خيارًا لـنشر النماذج، كل منها مُهيأ لبيئة تشغيل أو هدف عتادي أو منصة مختلفة، بدءًا من PyTorch وONNX وصولًا إلى TensorRT وOpenVINO وCoreML وتنسيقات NPU الطرفية المخصصة. ويتطلب اختيار الخيار المناسب تحقيق توازن بين سرعة الاستدلال وقيود الأجهزة وسهولة التكامل. يقارن هذا الدليل جميع الخيارات لمساعدتك في اختيار الأنسب لتطبيقك.
شاهد: كيفية اختيار أفضل تنسيق لنشر Ultralytics YOLO26 في مشروعك | TensorRT | OpenVINO 🚀
النشر هو المرحلة في سير عمل مشروع الرؤية الحاسوبية التي يبدأ فيها النموذج المدرّب بأداء مهام فعلية؛ لذلك يؤثر التنسيق الذي تصدّر إليه مباشرةً في السرعة والتكلفة وقابلية النقل.
كيفية اختيار خيار النشر المناسب لنموذج YOLO26#
عندما يحين وقت نشر نموذج YOLO26، يصبح اختيار تنسيق التصدير المناسب مهماً. وكما هو موضح في وثائق تصدير Ultralytics YOLO26، تحوّل الدالة model.export() النموذج المدرّب إلى مجموعة متنوعة من التنسيقات المصممة لتناسب البيئات ومتطلبات الأداء المختلفة.
يعتمد التنسيق الأمثل على السياق التشغيلي المقصود للنموذج والعتاد.
للنشر المُدار من دون تصدير يدوي، توفر منصة Ultralytics نقاط نهاية للاستدلال جاهزة للاستخدام، مع التوسع التلقائي عبر 42 منطقة حول العالم.
خيارات نشر YOLO26#
فيما يلي وصف موجز لكل تنسيق والوقت المناسب لاستخدامه. للاطلاع على شرح التصدير الكامل، راجع وثائق التصدير؛ ولمقارنة المعايير جنبًا إلى جنب، انتقل إلى جدول المقارنة.
- PyTorch (
.pt): تنسيق التدريب والاستدلال الأصلي، ويوفر أقصى قدر من المرونة وتسريع GPU عبر NVIDIA CUDA أو AMD ROCm — وهو مثالي للبحث والنماذج الأولية من دون الحاجة إلى خطوة تصدير. - TorchScript (
torchscript): يَسلسل النموذج لتشغيله في بيئة C++ لا تتطلب Python، وهو مناسب لأنظمة الإنتاج التي لا يتوفر فيها Python. - ONNX (
onnx): تنسيق تبادل مستقل عن أُطر العمل، مع دعم واسع للمنصات والعتاد عبر ONNX Runtime، بما في ذلك وحدات NVIDIA GPU عبر CUDA ووحدات AMD GPU عبر MIGraphX. - OpenVINO (
openvino): مجموعة أدوات Intel للاستدلال المحسّن على وحدات Intel CPU ووحدات GPU المدمجة ووحدات NPU، وتُستخدم عادةً في إنترنت الأشياء والحوسبة الطرفية. - TensorRT (
engine): بيئة تشغيل عالية الأداء من NVIDIA توفر استدلالًا متقدمًا على GPU مع تحسين FP16 وINT8. - CoreML (
coreml): تنسيق Apple للتشغيل على الأجهزة ضمن iOS وmacOS وwatchOS وtvOS، ويستخدم Apple Neural Engine. - Core AI (
coreai): تنسيق.aimodelالجديد من Apple لنظامي iOS 27 وmacOS 27، ومجدول للعمل عبر CPU وGPU وApple Neural Engine؛ يتطلب التصدير macOS 26 أو إصدارًا أحدث على Apple silicon، أو Linux بمعمارية x86_64 مع glibc 2.34 أو أحدث، وباستخدام Python من الإصدار 3.11 إلى 3.14. - TF SavedModel (
saved_model): التنسيق القياسي لـ TensorFlow لتقديم الخدمات القابل للتوسع على جانب الخادم باستخدام TensorFlow Serving. - TF GraphDef (
pb): تنسيق TensorFlow للرسم البياني الثابت المجمّد، مخصص للبيئات التي تتطلب رسمًا بيانيًا ثابتًا للحسابات. - TF Edge TPU (
edgetpu): يترجم نماذج.tfliteلتشغيلها على مسرّعات Google Coral Edge TPU. - LiteRT (
litert): بيئة تشغيل Google على الأجهزة (المعروفة سابقًا باسم TensorFlow Lite) للاستدلال على الأجهزة المحمولة والمدمجة وفي المتصفحات من نموذج.tfliteواحد، مع دعم FP32 وINT8 والتنفيذ داخل المتصفح عبر LiteRT.js. - PaddlePaddle (
paddle): إطار عمل التعلم العميق من Baidu، واسع الانتشار في الصين، ويوفر دعمًا واسعًا للعتاد. - MNN (
mnn): محرك استدلال خفيف الوزن وعالي الأداء، محسّن لأنظمة ARM وx86-64 المحمولة والمدمجة. - NCNN (
ncnn): إطار عمل استدلال خفيف الوزن وعالي الأداء، مُهيأ لأجهزة ARM المحمولة. - Sony IMX500 (
imx): يصدّر النماذج لمستشعر الرؤية الذكي IMX500 من Sony، المزود بمعالجة على الشريحة، مثل كاميرا Raspberry Pi AI Camera. - Rockchip RKNN (
rknn): يستهدف وحدات NPU من Rockchip في اللوحات المدمجة، مع تكميم FP16 وINT8. - ExecuTorch (
executorch): بيئة التشغيل الأصلية على الأجهزة من PyTorch للأنظمة المحمولة (iOS وAndroid) والأنظمة المدمجة عبر XNNPACK. - Axelera AI (
axelera): يترجم النماذج لتعمل على Metis AIPU من Axelera (بقدرة تصل إلى 856 TOPS) عبر PCIe أو M.2، للاستدلال الطرفي عالي الإنتاجية. - DEEPX (
deepx): يستهدف عتاد NPU من DEEPX، مع تكميم INT8 للاستدلال الطرفي المدمج. - Qualcomm QNN (
qnn): استدلال على الجهاز باستخدام Snapdragon Hexagon NPU وAdreno GPU وCPU عبر مجموعة تقنيات الذكاء الاصطناعي من Qualcomm. - Hailo (
hailo): يجمّع نماذج الكشف والتجزئة والتجزئة الدلالية وتقدير العمق والتصنيف والهيئة وOBB إلى تنسيق Hailo HEF للاستدلال بدقة INT8 على وحدات NPU من Hailo؛ راجع جدول التوافق للاطلاع على النماذج والمنصات التي تم التحقق منها. - Huawei Ascend (
ascend): يجمّع النماذج إلى تنسيق.omغير المتصل باستخدام مترجم CANN ATC للاستدلال بدقة FP16 على معالجات Ascend AI. - AMD Xilinx (
xilinx): يكمّم النماذج باستخدام AMD Quark لوحدات NPU في Versal AI Edge Series Gen 2، التي يحولها موفر تنفيذ Vitis AI إلى نموذج.rai. - NXP (
nxp): يترجم نماذج LiteRT ذات INT8 المُعايرة إلى تعليمات برمجية لـ Neutron NPU في i.MX95 باستخدام SDK 3.3.0. تبقى العمليات غير المدعومة على CPU؛ تحقّق من الدقة والأداء على اللوحة المستهدفة.
لا يتضمن تكامل Ambarella تنسيق تصدير مخصصاً: إذ يعتمد سير عمل يبدأ بـ ONNX، ويحوّل صادرات ONNX إلى تنسيق AmbaPB باستخدام سلسلة أدوات CVflow من Ambarella لأنظمة SoC مثل CV72، مع إمكانية استخدام التدريب المراعي للضغط SpongeTorch.
مقارنة خيارات النشر#
يلخّص الجدول التالي خيارات نشر نماذج YOLO26 وفق المعايير التي تؤثر عادةً في الاختيار. للاطلاع على تفاصيل كل تنسيق، راجع وثائق تنسيقات التصدير.
| خيار النشر | معايير الأداء | التوافق والتكامل | دعم المجتمع والنظام المتكامل | دراسات حالة | الصيانة والتحديثات | اعتبارات الأمان | تسريع العتاد |
|---|---|---|---|---|---|---|---|
| PyTorch | مرونة جيدة؛ وقد يأتي ذلك على حساب الأداء الخام | تكامل ممتاز مع مكتبات Python | موارد ومجتمع واسعان | الأبحاث والنماذج الأولية | تطوير نشط ومنتظم | يعتمد على بيئة النشر | دعم CUDA لتسريع GPU |
| TorchScript | أنسب للإنتاج من PyTorch | انتقال سلس من PyTorch إلى C++ | متخصص، لكن نطاقه أضيق من PyTorch | قطاعات تكون فيها Python عنق زجاجة | تحديثات متسقة مع PyTorch | أمان محسّن من دون استخدام Python بالكامل | يرث دعم CUDA من PyTorch |
| ONNX | يتفاوت حسب بيئة التشغيل | توافق مرتفع عبر أُطر العمل المختلفة | نظام متكامل واسع تدعمه مؤسسات عديدة | مرونة عبر أُطر عمل التعلم الآلي | تحديثات منتظمة لدعم العمليات الجديدة | احرص على اتباع ممارسات آمنة للتحويل والنشر | تحسينات متنوعة للعتاد |
| OpenVINO | محسّن لعتاد Intel | الأفضل ضمن منظومة Intel | راسخ في مجال الرؤية الحاسوبية | إنترنت الأشياء والحوسبة الطرفية مع أجهزة Intel | تحديثات منتظمة لأجهزة Intel | ميزات متينة للتطبيقات الحساسة | مصمم خصيصًا لأجهزة Intel |
| TensorRT | أداء من الطراز الأول على وحدات NVIDIA GPU | الأفضل لأجهزة NVIDIA | شبكة قوية عبر NVIDIA | الاستدلال الفوري للفيديو والصور | تحديثات متكررة لوحدات GPU الجديدة | تركيز على الأمان | مصمم لوحدات NVIDIA GPU |
| CoreML | محسّن لأجهزة Apple على الجهاز | حصري لمنظومة Apple | دعم قوي من Apple والمطورين | تعلم الآلة على الجهاز في منتجات Apple | تحديثات Apple منتظمة | التركيز على الخصوصية والأمان | المحرك العصبي ووحدة GPU في Apple |
| Core AI | محسّن لشرائح Apple | iOS 27 وmacOS 27؛ التصدير على macOS باستخدام شرائح Apple ابتداءً من الإصدار 26 أو Linux x86_64 (glibc 2.34+)، وPython 3.11-3.14 | إطار عمل Apple؛ يتطلب الاشتراك الاختياري في حزم تطوير البرامج SDK لنظامي iOS/Flutter | تعلم الآلة على الجهاز في منصات Apple من الجيل التالي | مرتبط بإصدارات أنظمة تشغيل Apple؛ وهو حاليًا في المرحلة التجريبية | يحافظ الاستدلال على الجهاز على بقاء البيانات محلية | المحرك العصبي من Apple، ووحدتا GPU وCPU |
| TF SavedModel | قابل للتوسع في بيئات الخوادم | توافق واسع ضمن منظومة TensorFlow | دعم واسع بفضل انتشار TensorFlow | تقديم النماذج على نطاق واسع | تحديثات منتظمة من Google والمجتمع | ميزات متينة للمؤسسات | خيارات متنوعة لتسريع الأجهزة |
| TF GraphDef | مستقر مع مخططات الحساب الثابتة | يتكامل جيدًا مع البنية التحتية لـ TensorFlow | موارد لتحسين المخططات الثابتة | حالات الاستخدام التي تتطلب مخططات ثابتة | تحديثات بالتوازي مع نواة TensorFlow | ممارسات أمان راسخة في TensorFlow | خيارات تسريع TensorFlow |
| TF Edge TPU | محسّن لأجهزة Google's Edge TPU | حصري لأجهزة Edge TPU | ينمو بفضل موارد Google والجهات الخارجية | أجهزة إنترنت الأشياء التي تتطلب معالجة فورية | تحسينات لأجهزة Edge TPU الجديدة | أمان قوي لإنترنت الأشياء من Google | مصمم خصيصًا لـ Google Coral |
| LiteRT | السرعة والكفاءة على الأجهزة المحمولة والمدمجة والويب | دعم الأجهزة المحمولة والمدمجة والطرفية والمتصفحات | مجتمع قوي ودعم من Google | تطبيقات على الجهاز لأنظمة Android وiOS والويب | أحدث ميزات بيئة التشغيل على الجهاز | استدلال آمن على الجهاز وفي المتصفح | تسريع GPU وDSP وWebGPU |
| PaddlePaddle | تنافسي وسهل الاستخدام وقابل للتوسع | منظومة Baidu ودعم واسع للتطبيقات | ينمو بسرعة، ولا سيما في الصين | السوق الصينية ومعالجة اللغة | التركيز على تطبيقات الذكاء الاصطناعي الصينية | يركز على خصوصية البيانات وأمانها | يشمل شرائح Kunlun من Baidu |
| MNN | أداء عالٍ للأجهزة المحمولة | أنظمة ARM المحمولة والمضمّنة ووحدة CPU بمعمارية x86-64 | مجتمع تعلم الآلة للأجهزة المحمولة والمدمجة | الكفاءة في الأنظمة المحمولة | صيانة عالية الأداء على الأجهزة المحمولة | مزايا الأمان على الجهاز | تحسينات لوحدات CPU وGPU من ARM |
| NCNN | محسّن للأجهزة المحمولة القائمة على ARM | أنظمة ARM المحمولة والمدمجة | مجتمع متخصص لكنه نشط لتعلم الآلة على الأجهزة المحمولة والمدمجة | الكفاءة على أنظمة Android وARM | صيانة عالية الأداء على ARM | مزايا الأمان على الجهاز | تحسينات لوحدات CPU وGPU من ARM |
| Sony IMX500 | استدلال على المستشعر باستهلاك منخفض جدًا للطاقة | مستشعر Sony IMX500، وكاميرا Raspberry Pi AI | منظومة Sony AITRIOS | ذكاء اصطناعي طرفي على الكاميرا | تحديثات سلسلة أدوات Sony SDK وMCT | تبقى البيانات على المستشعر | مسرّع على الشريحة Sony IMX500 |
| Rockchip RKNN | محسّن لوحدات NPU من Rockchip | لوحات Rockchip SoC (مثل RK3588) | مجتمع مطوري Rockchip | أجهزة SBC مدمجة وأجهزة طرفية | تحديثات Rockchip RKNN-Toolkit | استدلال محلي على الجهاز | وحدة NPU من Rockchip |
| ExecuTorch | بيئة تشغيل PyTorch فعالة على الجهاز | أنظمة iOS وAndroid والأجهزة المدمجة عبر XNNPACK | بدعم من مشروع PyTorch | تطبيقات الأجهزة المحمولة والمدمجة | تتم صيانته بالتوازي مع PyTorch | يحافظ الاستدلال على الجهاز على بقاء البيانات محلية | XNNPACK وواجهات CPU/GPU للأجهزة المحمولة |
| Axelera AI | معدل نقل بيانات مرتفع جدًا (يصل إلى 856 TOPS) | Metis AIPU عبر PCIe أو M.2 | حزمة تطوير البرامج Axelera Voyager SDK | استدلال طرفي بمعدل نقل بيانات مرتفع | تحديثات SDK من Axelera | الاستدلال الطرفي داخل الموقع | Axelera Metis AIPU |
| DEEPX | استدلال NPU محسّن لـ INT8 | عتاد NPU من DEEPX | أدوات المطورين من DEEPX (dx_com, dx_engine) | الاستدلال الطرفي المضمّن | تحديثات SDK وبيئة التشغيل من DEEPX | استدلال محلي على الجهاز | NPU من DEEPX |
| Qualcomm QNN | استدلال سريع على الجهاز باستخدام Snapdragon | NPU من Snapdragon Hexagon وGPU من Adreno وCPU | منظومة Qualcomm AI Hub | أجهزة Snapdragon المحمولة والطرفية | تحديثات حزمة Qualcomm للذكاء الاصطناعي (QAIRT) | يحافظ الاستدلال على الجهاز على بقاء البيانات محلية | NPU من Snapdragon Hexagon |
| Hailo | استدلال INT8 HEF على وحدات NPU من Hailo | Hailo-8/8L/10H/15H/15L، Raspberry Pi AI HAT+ | مترجم Hailo Dataflow وHailoRT | الكاميرات والروبوتات والأنظمة الطرفية الصناعية | إصدارات Hailo DFC وHailoRT | استدلال محلي على الجهاز | NPU من Hailo |
| Huawei Ascend | معدل نقل بيانات أعلى على Ascend AI Core | لوحات Atlas وOrangePi AIPro | منظومة Huawei CANN | الاستدلال الطرفي على وحدات NPU من Ascend | إصدارات CANN وATC | استدلال محلي على الجهاز | Ascend AI Core |
| AMD Xilinx | استدلال INT8 على وحدات NPU في Versal AI Edge Gen 2 | Versal AI Edge Series Gen 2 (VEK385) | AMD Vitis AI وQuark | الرؤية المضمنة على أنظمة SoC التكيفية | إصدارات Vitis AI وQuark | استدلال محلي على الجهاز | وحدة NPU في محرك Versal AI |
| NXP | تم التحقق من صحة الترجمة؛ قِس زمن الاستجابة على اللوحة | i.MX95 مع بيئة تشغيل Neutron 3.3.0 متوافقة | NXP eIQ Neutron SDK | الرؤية الحاسوبية المضمنة | طابِق إصدارات المترجم والمفوِّض والبرامج الثابتة | استدلال محلي على الجهاز | Neutron NPU مع الرجوع إلى CPU |
تقدم هذه المقارنة نظرة عامة. عند النشر، وازن بين المتطلبات والقيود المحددة لمشروعك وبين كل خيار، وراجع دليل التكامل المرتبط بالتنسيق الذي تختاره.
الخلاصة#
تتيح لك مجموعة تنسيقات التصدير الواسعة في YOLO26 تهيئة النموذج بما يلائم أي بيئة تقريبًا، بدءًا من خادم GPU سحابي ووصولًا إلى كاميرا طرفية مزودة بمستشعر. بعد اختيار تنسيق، اتبع أفضل ممارسات نشر النماذج لتحسين الأداء واستكشاف الأخطاء وإصلاحها وتعزيز الأمان، واستعن بـ مجتمع Ultralytics عند مواجهة مشكلة.
الأسئلة الشائعة#
يدعم Ultralytics YOLO26 تنسيقات نشر متنوعة، صُمم كل منها لبيئات ومنصات عتاد محددة. وتشمل التنسيقات الرئيسية:
- PyTorch للأبحاث والنماذج الأولية، مع تكامل ممتاز مع Python.
- TorchScript لبيئات الإنتاج التي لا يتوفر فيها Python.
- ONNX للتوافق بين المنصات وتسريع العتاد.
- OpenVINO لتحسين الأداء على عتاد Intel.
- TensorRT للاستدلال عالي السرعة على وحدات GPU من NVIDIA.
لكل تنسيق مزايا فريدة. للاطلاع على شرح مفصل خطوة بخطوة، راجع وثائق عملية التصدير.
لتحسين سرعة الاستدلال على وحدات CPU من Intel، يمكنك نشر نموذج YOLO26 باستخدام حزمة أدوات OpenVINO من Intel. وتحسّن OpenVINO النماذج لتناسب وحدات CPU ووحدات GPU المدمجة ووحدات NPU من Intel.
- حوّل نموذج YOLO26 إلى تنسيق OpenVINO باستخدام الدالة
model.export(). - اتبع دليل الإعداد المفصل في وثائق تصدير Intel OpenVINO.
- حوّل نموذج YOLO26 إلى تنسيق OpenVINO باستخدام الدالة
نعم، يمكن نشر نماذج YOLO26 على الأجهزة المحمولة باستخدام LiteRT (المعروف سابقًا باسم TensorFlow Lite) وNCNN على Android، واستخدام CoreML أو LiteRT على iOS. LiteRT هي بيئة تشغيل Google على الجهاز للأجهزة المحمولة والمضمّنة، وتشغّل النموذج نفسه على Android وiOS والمتصفح، ما يتيح استدلالًا فعالًا على الجهاز.
مثالfrom ultralytics import YOLO model = YOLO("yolo26n.pt") # تعليق: أمر التصدير بتنسيق NCNN model.export(format="ncnn")لمزيد من التفاصيل حول نشر النماذج على الأجهزة المحمولة، راجع دليل تكامل LiteRT.
عند اختيار تنسيق نشر لـ YOLO26، ضع العوامل التالية في الحسبان:
- الأداء: توفر بعض التنسيقات، مثل TensorRT، أعلى السرعات على وحدات GPU من NVIDIA، بينما يُحسّن OpenVINO خصيصاً لعتاد Intel.
- التوافق: يوفر ONNX توافقًا واسعًا عبر المنصات المختلفة.
- سهولة التكامل: صُممت تنسيقات مثل CoreML أو LiteRT لتناسب منظومات محددة مثل iOS وAndroid، على الترتيب.
- دعم المجتمع: تحظى تنسيقات مثل PyTorch وTensorFlow بموارد دعم مجتمعية واسعة.
للاطلاع على تحليل مقارن، راجع وثائق تنسيقات التصدير.
لنشر نماذج YOLO26 في تطبيق ويب، يمكنك استخدام LiteRT.js، وهي بيئة تشغيل الويب الخاصة بـ LiteRT التي تتيح تشغيل نماذج تعلم الآلة مباشرةً في المتصفح وNode.js. يلغي هذا النهج الحاجة إلى خادم خلفي للاستدلال، ويمكنه العمل في الوقت الفعلي على الأجهزة القادرة.
- صدّر نموذج YOLO26 إلى تنسيق LiteRT.
- ادمج النموذج المُصدّر في تطبيق الويب باستخدام LiteRT.js.
للحصول على تعليمات خطوة بخطوة، راجع دليل تكامل LiteRT.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.