رؤية YOLO لعام 2026:

تحليل مقارن لخيارات نشر YOLO26#

يدعم YOLO26 أكثر من 20 خيار نشر، تم ضبط كل منها لبيئة تشغيل أو هدف أجهزة أو منصة مختلفة — بدءاً من PyTorch وONNX وحتى TensorRT وOpenVINO وCoreML وتنسيقات الوحدات العصبية المخصصة للحواف (edge-NPU). يوازن اختيار الخيار المناسب بين سرعة الاستدلال، وقيود الأجهزة، وسهولة التكامل. يقارن هذا الدليل بين كل خيار لتتمكن من اختيار الأنسب لتطبيقك، ثم الانتقال إلى أفضل ممارسات نشر النماذج 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 رؤية الكمبيوتر حيث يبدأ النموذج المدرب في أداء مهام حقيقية، لذا فإن التنسيق الذي تقوم بالتصدير إليه له تأثير مباشر على السرعة والتكلفة وقابلية النقل.

كيفية اختيار خيار النشر المناسب لنموذج YOLO26 الخاص بك#

عندما يحين وقت نشر نموذج YOLO26 الخاص بك، يعد اختيار تنسيق تصصدير مناسب أمراً بالغ الأهمية. كما هو موضح في توثيق تصدير YOLO26 من Ultralytics، تقوم الدالة model.export() بتحويل نموذجك المدرب إلى مجموعة متنوعة من التنسيقات المصممة خصيصاً لتناسب البيئات المتنوعة ومتطلبات الأداء.

يعتمد التنسيق المثالي على سياق التشغيل المقصود لنموذجك والعتاد المستخدم.

تخطَّ التصدير اليدوي

للنشر المُدار بدون تصدير يدوي، توفر Ultralytics Platform نقاط نهاية استدلال جاهزة للاستخدام مع ميزة القياس التلقائي عبر 42 منطقة عالمية.

خيارات نشر YOLO26#

إليك وصف مختصر لكل تنسيق ومتى يجبใชه. للاطلاع على دليل التصدير الكامل، راجع توثيق التصدير؛ وللاطلاع على معايير المقارنة جنبًا إلى جنب، انتقل إلى جدول المقارنة.

  • PyTorch (.pt): تنسيق التدريب والاستدلال الأصلي، والذي يوفر أقصى قدر من المرونة وتسريع وحدة المعالجة الرسومية (GPU) من خلال NVIDIA CUDA أو AMD ROCm — وهو مثالي للأبحاث والنماذج الأولية دون الحاجة إلى خطوة تصدير.
  • TorchScript (torchscript): يقوم بتسلسل النموذج لبيئة تشغيل C++ خالية من بايثون، وهو مناسب للأنظمة الإنتاجية حيث لا تتوفر لغة Python.
  • ONNX (onnx): تنسيق تبادل مستقل عن إطار العمل مع دعم واسع عبر المنصات والأجهزة من خلال ONNX Runtime.
  • OpenVINO (openvino): مجموعة أدوات Intel للاستدلال المُحسّن على وحدات المعالجة المركزية (CPUs) ووحدات المعالجة الرسومية المدمجة ووحدات NPU التابعة لشركة Intel، وهي شائعة في إنترنت الأشياء (IoT) والحوسبة الطرفية.
  • TensorRT (engine): بيئة تشغيل عالية الأداء من NVIDIA توفر استدلالاً من الطراز الأول لوحدة المعالجة الرسومية مع تحسينات FP16 وINT8.
  • CoreML (coreml): تنسيق Apple على الجهاز لنظم iOS وmacOS وwatchOS وtvOS، باستخدام محرك Apple Neural Engine.
  • TF SavedModel (saved_model): تنسيق TensorFlow القياسي للخدمة القابلة للتطوير من جانب الخادم باستخدام TensorFlow Serving.
  • TF GraphDef (pb): تنسيق TensorFlow ذو رسم بياني ثابت مجمد للبيئات التي تحتاج إلى رسم بياني حسابي ثابت.
  • TF Edge TPU (edgetpu): يترجم نماذج .tflite لمسرعات Google Coral Edge TPU.
  • LiteRT (litert): بيئة التشغيل على الأجهزة من Google (المعروفة سابقاً باسم TensorFlow Lite) للأجهزة المحمولة والمضمنة ومتصفحات الويب من نموذج .tflite واحد، مع دعم FP32 وINT8 والتنفيذ داخل المتصفح عبر LiteRT.js.
  • PaddlePaddle (paddle): إطار عمل التعلم العميق من Baidu، وهو شائع في الصين، مع دعم واسع للأجهزة.
  • MNN (mnn): محرك استدلال خفيف الوزن وعالي الأداء مُحسّن لأنظمة ARM المحمولة والمضمنة وأنظمة x86-64.
  • NCNN (ncnn): إطار عمل استدلال خفيف الوزن وعالي الأداء مُخصص لأجهزة ARM المحمولة.
  • Sony IMX500 (imx): تصديرات لمستشعر الرؤية الذكي Sony IMX500 مع المعالجة على الشريحة، مثل كاميرا Raspberry Pi AI.
  • Rockchip RKNN (rknn): يستهدف وحدات NPU الخاصة بـ Rockchip على اللوحات المضمنة مع تكميم (quantization) FP16 وINT8.
  • ExecuTorch (executorch): بيئة التشغيل الأصلية على الأجهزة من PyTorch للهواتف المحمولة (iOS وAndroid) والأنظمة المضمنة عبر XNNPACK.
  • Axelera AI (axelera): يترجم لوحدة Axelera Metis AIPU (حتى 856 TOPS) عبر PCIe أو M.2 للاستدلال على الحافة عالي الإنتاجية.
  • DEEPX (deepx): يستهدف أجهزة NPU من نوع DEEPX مع تكميم INT8 للاستدلال على الحافة المدمجة.
  • Qualcomm QNN (qnn): استدلال على الجهاز على Snapdragon Hexagon NPU وAdreno GPU ووحدة المعالجة المركزية (CPU) من خلال حزمة Qualcomm AI.

يقوم تكامل Hailo بتصدير نماذج الكشف عن YOLO، والتقسيم، والتقسيم الدلالي، وتقدير العموضع، والتصنيف، والوضع، ونماذج OBB مباشرة إلى صيغة Hailo HEF؛ راجع جدول التوافق الخاص بها لمعرفة النماذج والأهداف التي تم التحقق من صحتها. يتبع تكامل Ambarella سير عمل يعتمد على ONNX أولاً ويقوم بترجمة تصديرات ONNX إلى تنسيق AmbaPB باستخدام سلسلة أدوات CVflow من Ambarella لـ CVflow® SoCs مثل CV72، مع خيار استخدام التدريب الواعي بالضغط SpongeTorch. يقوم تكامل Huawei Ascend بترجمة تصديرات ONNX إلى تنسيق .om غير المتصل باستخدام مترجم CANN ATC لاستدلال FP16 على معالجات Ascend AI.

مقارنة خيارات النشر#

يلخص الجدول التالي خيارات النشر لنماذج YOLO26 عبر المعايير التي تحرك الاختيار عادةً. للحصول على نظرة متعمقة على كل تنسيق، راجع توثيق تنسيقات التصدير.

خيار النشرمقاييس الأداءالتوافق والتكاملدعم المجتمع والنظام البيئيدراسات الحالةالصيانة والتحديثاتاعتبارات الأمانتسريع الأجهزة
PyTorchمرونة جيدة؛ قد تكون على حساب الأداء الخامممتاز مع مكتبات Pythonموارد ومجتمع واسع النطاقالبحث والنماذج الأوليةتطوير منتظم ونشطيعتمد على بيئة النشردعم CUDA لتسريع GPU
TorchScriptأفضل للإنتاج من PyTorchانتقال سلس من PyTorch إلى C++متخصص ولكنه أضيق من PyTorchالصناعة حيث تكون Python عنق زجاجةتحديثات متسقة مع PyTorchأمان محسن بدون كامل Pythonيرث دعم CUDA من PyTorch
ONNXمتغير اعتمادًا على وقت التشغيلمرتفع عبر أطر عمل مختلفةنظام بيئي واسع، مدعوم من العديد من المنظماتمرونة عبر أطر عمل التعلم الآليتحديثات منتظمة للعمليات الجديدةضمان ممارسات التحويل والنشر الآمنةتحسينات أجهزة مختلفة
OpenVINOمحسن لأجهزة Intelالأفضل ضمن نظام Intel البيئيصلب في مجال الرؤية الحاسوبيةإنترنت الأشياء والحافة مع أجهزة Intelتحديثات منتظمة لأجهزة Intelميزات قوية للتطبيقات الحساسةمصمم خصيصًا لأجهزة Intel
TensorRTمن الدرجة الأولى على NVIDIA GPUsالأفضل لأجهزة NVIDIAشبكة قوية من خلال NVIDIAاستنتاج الفيديو والصور في الوقت الفعليتحديثات متكررة لوحدات GPU الجديدةالتركيز على الأمنمصمم لوحدات NVIDIA GPUs
CoreMLمحسن لأجهزة Apple على الجهازحصري لنظام Apple البيئيدعم قوي من Apple والمطورينالتعلم الآلي على الجهاز في منتجات Appleتحديثات Apple المنتظمةالتركيز على الخصوصية والأمانمحرك Apple العصبي وGPU
TF SavedModelقابل للتوسع في بيئات الخادمتوافق واسع في نظام TensorFlow البيئيدعم كبير بسبب شعبية TensorFlowخدمة النماذج على نطاق واسعتحديثات منتظمة من قبل Google والمجتمعميزات قوية للمؤسساتتسريع أجهزة مختلف
TF GraphDefمستقر لرسوم الحوسبة الثابتةيتكامل بشكل جيد مع بنية TensorFlow التحتيةموارد لتحسين الرسوم البيانية الثابتةالسيناريوهات التي تتطلب رسومًا بيانية ثابتةالتحديثات جنبًا إلى جنب مع جوهر TensorFlowممارسات أمان TensorFlow الراسخةخيارات تسريع TensorFlow
TF Edge TPUمحسّن لأجهزة Edge TPU من Googleحصري لأجهزة Edge TPUينمو مع Google وموارد الجهات الخارجيةأجهزة إنترنت الأشياء (IoT) التي تتطلب معالجة في الوقت الفعليتحسينات لأجهزة Edge TPU الجديدةأمان إنترنت الأشياء القوي من Googleمصمم خصيصًا لـ Google Coral
LiteRTالسرعة والكفاءة على الأجهزة المحمولة/المضمنة/الويبدعم الأجهزة المحمولة، والمضمنة، والحافة، والمتصفحمجتمع قوي، مدعوم من Googleتطبيقات على الجهاز عبر Android و iOS والويبأحدث ميزات بيئة التشغيل على الجهازاستدلال آمن على الجهاز وداخل المتصفحتسريع GPU و DSP و WebGPU
PaddlePaddleتنافسي، سهل الاستخدام وقابل للتوسعنظام Baidu البيئي، دعم واسع للتطبيقاتنمو سريع، خاصة في الصينالسوق الصينية ومعالجة اللغةالتركيز على تطبيقات الذكاء الاصطناعي الصينيةيؤكد على خصوصية البيانات وأمانهابما في ذلك رقائق Kunlun من Baidu
MNNأداء عالٍ للأجهزة المحمولةأنظمة ARM المحمولة والمدمجة و X86-64 CPUمجتمع تعلم الآلة المحمول/المدمجكفاءة الأنظمة المحمولةصيانة عالية الأداء على الأجهزة المحمولةمزايا أمان الجهازتحسينات ARM CPUs و GPUs
NCNNمحسّن للأجهزة المحمولة التي تعمل بنظام ARMأنظمة ARM المحمولة والمدمجةمجتمع تعلم آلة متخصص ولكنه نشط على الأجهزة المحمولة/المدمجةكفاءة أنظمة Android و ARMصيانة عالية الأداء على ARMمزايا أمان الجهازتحسينات ARM CPUs و GPUs
Sony IMX500استدلال على المستشعر باستهلاك طاقة منخفض جداًمستشعر Sony IMX500، كاميرا Raspberry Pi AIنظام Sony AITRIOS البيئيذكاء اصطناعي للحافة على الكاميراتحديثات مجموعة أدوات Sony SDK وMCTتبقى البيانات على المستشعرمسرع Sony IMX500 على الشريحة
Rockchip RKNNمُحسّن لوحدات Rockchip NPUلوحات Rockchip SoC (مثل RK3588)مجتمع مطوري Rockchipلوحات SBC المدمجة وأجهزة الحافةتحديثات Rockchip RKNN-Toolkitاستدلال محلي على الجهازRockchip NPU
ExecuTorchبيئة تشغيل PyTorch فعالة على الجهازiOS وAndroid ومدمج عبر XNNPACKمدعوم من مشروع PyTorchتطبيقات المحمول والأنظمة المدمجةيتم صيانته جنباً إلى جنب مع PyTorchالاستدلال على الجهاز يحافظ على خصوصية البيانات محليًاخلفيات XNNPACK ومعالجات CPU/GPU المحمولة
Axelera AIإنتاجية عالية جداً (تصل إلى 856 TOPS)Metis AIPU عبر PCIe أو M.2Axelera Voyager SDKاستدلال حافة عالي الإنتاجيةتحديثات Axelera SDKاستدلال حافة داخل الموقعAxelera Metis AIPU
DEEPXاستدلال NPU مُحسّن بـ INT8عتاد DEEPX NPUأدوات مطوري DEEPX (dx_com, dx_engine)استدلال حافة مدمجتحديثات بيئة التشغيل وSDK لـ DEEPXاستدلال محلي على الجهازDEEPX NPU
Qualcomm QNNاستدلال سريع على جهاز SnapdragonSnapdragon Hexagon NPU وAdreno GPU وCPUنظام Qualcomm AI Hub البيئيأجهزة Snapdragon المحمولة وأجهزة الحافةتحديثات حزمة Qualcomm AI (QAIRT)الاستدلال على الجهاز يحافظ على خصوصية البيانات محليًاSnapdragon 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.

الخلاصة#

تتيح لك مجموعة تنسيقات التصدير الواسعة في YOLO26 تخصيص النماذج لأي بيئة تقريباً، بدءاً من خادم وحدة معالجة رسومية سحابية وحتى كاميرا حافة على المستشعر. بمجرد اختيار التنسيق، اتبع أفضل ممارسات نشر النماذج للتحسين واستكشاف الأخطاء وإصلاحها والأمان، واستعن بـ مجتمع Ultralytics عندما تواجه أي مشكلة.

الأسئلة الشائعة#

  • 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 مزاياه الفريدة. للحصول على دليل تفصيلي، راجع توثيق عملية التصدير الخاص بنا.

  • 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 المفصل في توثيق تصدير Intel OpenVINO.

    لمزيد من الرؤى، راجع منشور المدونة الخاص بنا.

  • نعم، يمكن نشر نماذج YOLO26 على الأجهزة المحمولة باستخدام LiteRT (المعروف سابقاً باسم TensorFlow Lite) وNCNN لنظام Android، وCoreML أو LiteRT لنظام iOS. LiteRT هي بيئة تشغيل Google على الأجهزة للأجهزة المحمولة والمضمنة وتُشغل نفس النموذج عبر Android وiOS والمتصفح، مما يوفر استدلالاً فعالاً على الجهاز.

    مثال
    # Export command for NCNN format
model.export(format="ncnn")

    لمزيد من التفاصيل حول نشر النماذج على الأجهزة المحمولة، راجع دليل تكامل LiteRT الخاص بنا.

  • 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 وTensorFlow موارد ودعماً واسع النطاق من المجتمع.

    لإجراء تحليل مقارن، راجع توثيق تنسيقات التصدير الخاص بنا.

  • لنشر نماذج YOLO26 في تطبيق ويب، يمكنك استخدام LiteRT.js، وهو بيئة تشغيل الويب الخاصة بـ LiteRT، والتي تتيح تشغيل نماذج التعلم الآلي مباشرة في المتصفح وNode.js. يلغي هذا النهج الحاجة إلى البنية التحتية للخلفية ويوفر أداءً في الوقت الفعلي.

    1. تصدير نموذج YOLO26 إلى تنسيق LiteRT.
    2. دمج النموذج المُصدّر في تطبيق الويب الخاص بك باستخدام LiteRT.js.

    للحصول على إرشادات خطوة بخطوة، راجع دليل تكامل LiteRT الخاص بنا.

المساهمون
GLglenn-jocher23JEJESUSROYETH3AMambitious-octopus2RAraimbekovm2LAlakshanthad1PDpderrenger1RIRizwanMunawar1LEleonnil1WAwangzhaode1MAMatthewNoyce1

التعليقات