Ultralytics YOLO27:
Get Started

تحليل مقارن لخيارات نشر YOLO26#

يدعم YOLO26 أكثر من 20 خيارًا للنشر، صُمم كل منها لبيئة تشغيل أو عتاد مستهدف أو منصة مختلفة — من PyTorch وONNX إلى TensorRT وOpenVINO وCoreML وتنسيقات مخصصة لأجهزة NPU الطرفية. يوازن اختيار الخيار المناسب بين سرعة الاستدلال وقيود العتاد وسهولة التكامل. يقارن هذا الدليل جميع الخيارات لمساعدتك على اختيار الأنسب لتطبيقك، ثم الانتقال إلى أفضل ممارسات نشر النماذج لنشره على نحو موثوق.



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، يكون اختيار تنسيق التصدير المناسب بالغ الأهمية. وكما هو موضح في وثائق تصدير Ultralytics YOLO26، تحوّل الدالة model.export() نموذجك المدرّب إلى مجموعة متنوعة من التنسيقات المصممة لبيئات ومتطلبات أداء مختلفة.

يعتمد التنسيق الأمثل على السياق التشغيلي المقصود للنموذج والعتاد المستخدم.

تجاوز التصدير اليدوي

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 .aimodel الجديد 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 .tflite لتشغيلها 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 .tflite واحد، 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.

يصدّر تكامل Hailo نماذج YOLO للكشف والتجزئة والتجزئة الدلالية وتقدير العمق والتصنيف وتقدير الوضعية وOBB مباشرةً إلى Hailo HEF؛ راجع جدول التوافق للاطلاع على النماذج والأهداف التي تم التحقق من صلاحيتها. يتبع تكامل Ambarella سير عمل يبدأ بـONNX، ويحوّل صادرات ONNX إلى تنسيق AmbaPB باستخدام سلسلة أدوات CVflow من Ambarella لأنظمة CVflow® SoC مثل CV72، مع إمكانية استخدام التدريب الواعي بالضغط SpongeTorch. يترجم تكامل Huawei Ascend صادرات ONNX إلى التنسيق غير المتصل .om باستخدام مترجم CANN ATC للاستدلال بدقة FP16 على معالجات Ascend AI. ويكمّم تكامل AMD Xilinx صادرات ONNX باستخدام AMD Quark لوحدات NPU في Versal AI Edge Series Gen 2، ثم يترجمها Vitis AI Execution Provider إلى نموذج .rai.

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 النشرمعايير الأداءالتوافق والتكاملدعم المجتمع والنظام المتكاملدراسات حالةالصيانة والتحديثاتاعتبارات الأمانتسريع العتاد
PyTorchمرونة جيدة؛ وقد يأتي ذلك على حساب الأداء الخامتكامل ممتاز مع مكتبات Pythonموارد ومجتمع واسعانالأبحاث والنماذج الأوليةتطوير نشط ومنتظميعتمد على بيئة النشردعم CUDA لتسريع GPU
TorchScriptأنسب للإنتاج من PyTorchانتقال سلس من PyTorch إلى C++متخصص، لكن نطاقه أضيق من PyTorchقطاعات تكون فيها Python عنق زجاجةتحديثات متسقة مع PyTorchأمان محسّن من دون استخدام Python بالكامليرث دعم CUDA من PyTorch
ONNXيتفاوت حسب بيئة التشغيلتوافق مرتفع عبر أُطر العمل المختلفةنظام متكامل واسع تدعمه مؤسسات عديدةمرونة عبر أُطر عمل التعلم الآليتحديثات منتظمة لدعم العمليات الجديدةاحرص على اتباع ممارسات آمنة للتحويل والنشرتحسينات متنوعة للعتاد
OpenVINOمحسّن لعتاد Intelالأفضل ضمن منظومة Intelراسخ في مجال الرؤية الحاسوبيةإنترنت الأشياء والحوسبة الطرفية مع أجهزة Intelتحديثات منتظمة لأجهزة Intelميزات متينة للتطبيقات الحساسةمصمم خصيصًا لأجهزة Intel
TensorRTأداء من الطراز الأول على وحدات NVIDIA GPUالأفضل لأجهزة NVIDIAشبكة قوية عبر NVIDIAالاستدلال الفوري للفيديو والصورتحديثات متكررة لوحدات GPU الجديدةتركيز على الأمانمصمم لوحدات NVIDIA GPU
CoreMLمحسّن لأجهزة Apple على الجهازحصري لمنظومة Appleدعم قوي من Apple والمطورينتعلم الآلة على الجهاز في منتجات Appleتحديثات Apple منتظمةالتركيز على الخصوصية والأمانالمحرك العصبي ووحدة GPU من Apple
Core AIمحسّن لشرائح AppleiOS 27 وmacOS 27؛ التصدير على macOS باستخدام شرائح Apple ابتداءً من الإصدار 26 أو Linux x86_64 (glibc 2.34+)، وPython 3.11-3.14إطار عمل Apple؛ يتطلب الاشتراك الاختياري في حزم تطوير البرامج SDK لنظامي iOS/Flutterتعلم الآلة على الجهاز في منصات Apple من الجيل التاليمرتبط بإصدارات أنظمة تشغيل Apple؛ وهو حاليًا في المرحلة التجريبيةيحافظ الاستدلال على الجهاز على بقاء البيانات محليةالمحرك العصبي من Apple، ووحدتا GPU وCPU
TF SavedModelقابل للتوسع في بيئات الخوادمتوافق واسع ضمن منظومة TensorFlowدعم واسع بفضل انتشار TensorFlowتقديم النماذج على نطاق واسعتحديثات منتظمة من Google والمجتمعميزات متينة للمؤسساتخيارات متنوعة لتسريع الأجهزة
TF GraphDefمستقر مع مخططات الحساب الثابتةيتكامل جيدًا مع البنية التحتية لـ TensorFlowموارد لتحسين المخططات الثابتةحالات الاستخدام التي تتطلب مخططات ثابتةتحديثات بالتوازي مع نواة TensorFlowممارسات أمان راسخة في TensorFlowخيارات تسريع TensorFlow
TF Edge TPUمحسّن لأجهزة Google's Edge TPUحصري لأجهزة Edge TPUينمو بفضل موارد Google والجهات الخارجيةأجهزة إنترنت الأشياء التي تتطلب معالجة فوريةتحسينات لأجهزة Edge TPU الجديدةأمان قوي لإنترنت الأشياء من Googleمصمم خصيصًا لـ Google Coral
LiteRTالسرعة والكفاءة على الأجهزة المحمولة والمدمجة والويبدعم الأجهزة المحمولة والمدمجة والطرفية والمتصفحاتمجتمع قوي ودعم من Googleتطبيقات على الجهاز لأنظمة Android وiOS والويبأحدث ميزات بيئة التشغيل على الجهازاستدلال آمن على الجهاز وفي المتصفحتسريع GPU وDSP وWebGPU
PaddlePaddleتنافسي وسهل الاستخدام وقابل للتوسعمنظومة Baidu ودعم واسع للتطبيقاتينمو بسرعة، ولا سيما في الصينالسوق الصينية ومعالجة اللغةالتركيز على تطبيقات الذكاء الاصطناعي الصينيةيركز على خصوصية البيانات وأمانهايشمل شرائح Kunlun من Baidu
MNNأداء عالٍ للأجهزة المحمولةأنظمة ARM المحمولة والمدمجة ووحدة المعالجة المركزية X86-64مجتمع تعلم الآلة للأجهزة المحمولة والمدمجةالكفاءة في الأنظمة المحمولةصيانة عالية الأداء على الأجهزة المحمولةمزايا الأمان على الجهازتحسينات لوحدات CPU وGPU من ARM
NCNNمحسّن للأجهزة المحمولة القائمة على ARMأنظمة ARM المحمولة والمدمجةمجتمع متخصص لكنه نشط لتعلم الآلة على الأجهزة المحمولة والمدمجةالكفاءة على أنظمة Android وARMصيانة عالية الأداء على ARMمزايا الأمان على الجهازتحسينات لوحدات CPU وGPU من ARM
Sony IMX500استدلال على المستشعر باستهلاك منخفض جدًا للطاقةمستشعر Sony IMX500، وكاميرا Raspberry Pi AIمنظومة Sony AITRIOSذكاء اصطناعي طرفي على الكاميراتحديثات سلسلة أدوات Sony SDK وMCTتبقى البيانات على المستشعرمسرّع على الشريحة Sony IMX500
Rockchip RKNNمحسّن لوحدات NPU من Rockchipلوحات Rockchip SoC (مثل RK3588)مجتمع مطوري Rockchipأجهزة SBC مدمجة وأجهزة طرفيةتحديثات Rockchip RKNN-Toolkitاستدلال محلي على الجهازوحدة NPU من Rockchip
ExecuTorchبيئة تشغيل PyTorch فعالة على الجهازأنظمة iOS وAndroid والأجهزة المدمجة عبر XNNPACKبدعم من مشروع PyTorchتطبيقات الأجهزة المحمولة والمدمجةتتم صيانته بالتوازي مع PyTorchيحافظ الاستدلال على الجهاز على بقاء البيانات محليةXNNPACK وواجهات CPU/GPU للأجهزة المحمولة
Axelera AIمعدل نقل بيانات مرتفع جدًا (يصل إلى 856 TOPS)Metis AIPU عبر PCIe أو M.2حزمة تطوير البرامج Axelera Voyager SDKاستدلال طرفي بمعدل نقل بيانات مرتفعتحديثات SDK من Axeleraالاستدلال الطرفي داخل الموقعAxelera Metis AIPU
DEEPXاستدلال NPU محسّن لـ INT8عتاد NPU من DEEPXأدوات المطورين من DEEPX (dx_com, dx_engine)الاستدلال الطرفي المضمّنتحديثات SDK وبيئة التشغيل من DEEPXاستدلال محلي على الجهازNPU من DEEPX
Qualcomm QNNاستدلال سريع على الجهاز باستخدام SnapdragonNPU من Snapdragon Hexagon وGPU من Adreno وCPUمنظومة Qualcomm AI Hubأجهزة Snapdragon المحمولة والطرفيةتحديثات حزمة Qualcomm للذكاء الاصطناعي (QAIRT)يحافظ الاستدلال على الجهاز على بقاء البيانات محليةNPU من Snapdragon Hexagon
Hailoاستدلال INT8 HEF على وحدات NPU من HailoHailo-8/8L/10H/15H/15L، Raspberry Pi AI HAT+مترجم Hailo Dataflow وHailoRTالكاميرات والروبوتات والأنظمة الطرفية الصناعيةإصدارات Hailo DFC وHailoRTاستدلال محلي على الجهازNPU من Hailo
Huawei Ascendمعدل نقل بيانات أعلى على Ascend AI Coreلوحات Atlas وOrangePi AIProمنظومة Huawei CANNالاستدلال الطرفي على وحدات NPU من Ascendإصدارات CANN وATCاستدلال محلي على الجهازAscend AI Core
AMD Xilinxاستدلال INT8 على وحدات NPU في Versal AI Edge Gen 2Versal AI Edge Series Gen 2 (VEK385)AMD Vitis AI وQuarkالرؤية المضمنة على أنظمة SoC التكيفيةإصدارات Vitis AI وQuarkاستدلال محلي على الجهازوحدة NPU في محرك Versal AI

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.

  • لزيادة سرعة الاستدلال على وحدات CPU من Intel، يمكنك نشر نموذج YOLO26 باستخدام مجموعة أدوات OpenVINO من Intel. يحقق OpenVINO تحسينات كبيرة في الأداء عبر تهيئة النماذج للاستفادة بكفاءة من عتاد Intel.

    1. حوّل نموذج YOLO26 إلى تنسيق OpenVINO باستخدام الدالة model.export().
    2. اتبع دليل الإعداد المفصل في وثائق تصدير Intel OpenVINO.

    لمزيد من المعلومات، اطّلع على مقالة المدونة.

  • 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.

    مثال
    from 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، سرعات استثنائية على وحدات GPU من NVIDIA، بينما جرى تحسين OpenVINO 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 التعلم الآلي مباشرةً في المتصفح وNode.js. يلغي هذا النهج الحاجة إلى بنية تحتية خلفية ويوفر أداءً آنيًا.

    1. صدّر نموذج YOLO26 إلى تنسيق LiteRT.
    2. ادمج النموذج المُصدّر في تطبيق الويب باستخدام LiteRT.js.

    للحصول على تعليمات خطوة بخطوة، راجع دليل تكامل LiteRT.

المساهمون
GLglenn-jocher27RAraimbekovm4JEJESUSROYETH3AMambitious-octopus2IVIvan Tikhonov1LAlakshanthad1PDpderrenger1RIRizwanMunawar1LEleonnil1WAwangzhaode1MAMatthewNoyce1

التعليقات