تحليل مقارن لخيارات نشر YOLO26#
يدعم YOLO26 أكثر من 20 خيارًا للنشر، صُمم كل منها لبيئة تشغيل أو هدف عتادي أو منصة مختلفة — بدءًا من PyTorch وONNX وصولًا إلى TensorRT وOpenVINO وCoreML وتنسيقات NPU مخصصة للحافة. ويتطلب اختيار الخيار المناسب تحقيق توازن بين سرعة الاستدلال وقيود العتاد وسهولة التكامل. يقارن هذا الدليل جميع الخيارات 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 الرؤية الحاسوبية التي يبدأ فيها النموذج المدرَّب بأداء عمل فعلي، ولذلك يؤثر التنسيق الذي تُصدِّر إليه مباشرةً في السرعة والتكلفة وقابلية النقل.
كيفية اختيار خيار النشر المناسب لنموذج YOLO26 الخاص بك#
عندما يحين وقت نشر نموذج YOLO26 الخاص بك، يكون اختيار تنسيق تصدير مناسب أمرًا بالغ الأهمية. وكما هو موضح في وثائق تصدير Ultralytics YOLO26، تعمل الدالة model.export() على تحويل نموذجك المدرَّب إلى مجموعة متنوعة من التنسيقات الملائمة لبيئات ومتطلبات أداء مختلفة.
يعتمد التنسيق المثالي على سياق التشغيل المقصود لنموذجك والعتاد المستخدم.
للنشر المُدار من دون تصدير يدوي، توفر Ultralytics Platform نقاط نهاية للاستدلال جاهزة للاستخدام مع تحجيم تلقائي عبر 42 منطقة حول العالم.
خيارات نشر YOLO26#
فيما يلي وصف موجز لكل تنسيق ومتى يُنصح باستخدامه. للحصول على شرح كامل لعملية التصدير، راجع وثائق التصدير؛ ولمعايير المقارنة 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 وإنشاء النماذج الأولية من دون الحاجة إلى خطوة تصدير. - TorchScript (
torchscript): يعمل على تسلسل النموذج لبيئة تشغيل C++ لا تتطلب Python، وهو مناسب لأنظمة الإنتاج التي لا تتوفر فيها Python. - ONNX (
onnx): تنسيق تبادل مستقل عن أطر العمل، مع دعم واسع عبر المنصات والعتاد من خلال ONNX Runtime. - OpenVINO (
openvino): مجموعة أدوات Intel للاستدلال المُحسَّن على وحدات CPU ووحدات GPU المدمجة ووحدات NPU من Intel، وهي شائعة في إنترنت الأشياء والحوسبة الطرفية. - TensorRT (
engine): بيئة تشغيل عالية الأداء من NVIDIA توفر استدلالًا متقدمًا على GPU مع تحسينات FP16 وINT8. - CoreML (
coreml): تنسيق Apple للتشغيل على الجهاز في iOS وmacOS وwatchOS وtvOS، باستخدام Apple Neural Engine. - TF SavedModel (
saved_model): التنسيق القياسي في TensorFlow لتقديم النماذج على الخوادم القابلة للتوسع باستخدام TensorFlow Serving. - TF GraphDef (
pb): تنسيق TensorFlow ثابت ذي رسم بياني ساكن ومجمَّد للبيئات التي تحتاج إلى رسم بياني ثابت للحسابات. - TF Edge TPU (
edgetpu): يترجم نماذج.tfliteبرمجيًا لتعمل على مسرّعات Google Coral Edge TPU. - LiteRT (
litert): بيئة تشغيل Google على الجهاز (المعروفة سابقًا باسم TensorFlow Lite) للاستدلال على الأجهزة المحمولة والمدمجة والمتصفحات انطلاقًا من نموذج واحد.tflite، مع دعم FP32 وINT8 والتنفيذ داخل المتصفح عبر LiteRT.js. - PaddlePaddle (
paddle): إطار Baidu لـالتعلم العميق، وهو شائع في الصين ويوفر دعمًا واسعًا للعتاد. - MNN (
mnn): محرك استدلال خفيف وعالي الأداء، مُحسَّن للأنظمة المحمولة والمدمجة القائمة على ARM وx86-64. - NCNN (
ncnn): إطار استدلال خفيف وعالي الأداء، مُهيأ لأجهزة ARM المحمولة. - Sony IMX500 (
imx): يصدّر النماذج لمستشعر الرؤية الذكي IMX500 من Sony ذي المعالجة على الشريحة، مثل Raspberry Pi AI Camera. - Rockchip RKNN (
rknn): يستهدف وحدات NPU من Rockchip على اللوحات المدمجة مع تكميم FP16 وINT8. - ExecuTorch (
executorch): بيئة التشغيل الأصلية في PyTorch على الجهاز للأجهزة المحمولة (iOS وAndroid) والأنظمة المدمجة عبر XNNPACK. - Axelera AI (
axelera): يترجم النماذج برمجيًا للعمل على Metis AIPU من Axelera (بقدرة تصل إلى 856 TOPS) عبر PCIe أو M.2 للاستدلال الطرفي عالي معدل النقل. - 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 ووحدة CPU من خلال حزمة Qualcomm AI. - Core AI (
coreai): تنسيق.aimodelالجديد من Apple لنظامي iOS 27 وmacOS 27، والمجدول عبر وحدة المعالجة المركزية، ووحدة معالجة الرسوميات، ومحرك Apple العصبي؛ يتطلب التصدير نظام macOS 26 أو أحدث على شرائح Apple.
يُصدِّر تكامل Hailo نماذج YOLO للكشف والتجزئة والتجزئة الدلالية وتقدير العمق والتصنيف والوضعية وOBB مباشرةً إلى Hailo HEF؛ راجع جدول التوافق الخاص به لمعرفة النماذج والأهداف التي تم التحقق منها. ويتبع تكامل Ambarella سير عمل يبدأ بـ ONNX، ويترجم صادرات ONNX إلى تنسيق AmbaPB باستخدام سلسلة أدوات CVflow من Ambarella لمعالجات CVflow® SoCs مثل CV72، مع إمكانية استخدام التدريب SpongeTorch المدرك للضغط. ويترجم تكامل Huawei Ascend صادرات ONNX إلى التنسيق غير المتصل .om باستخدام مترجم CANN ATC للاستدلال FP16 على Ascend AI Processors.
مقارنة خيارات النشر#
يلخص الجدول التالي خيارات نشر نماذج YOLO26 وفق المعايير التي تقود الاختيار عادةً. وللاطلاع المتعمق على كل تنسيق، راجع وثائق تنسيقات التصدير.
| خيار النشر | معايير الأداء | التوافق والتكامل | دعم المجتمع والمنظومة | دراسات الحالة | الصيانة والتحديثات | اعتبارات الأمان | تسريع الأجهزة |
|---|---|---|---|---|---|---|---|
| PyTorch | مرونة جيدة؛ وقد تنطوي على مقايضة في الأداء الخام | ممتاز مع مكتبات Python | موارد ومجتمع واسعان | 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 لكنه أضيق نطاقًا من PyTorch | القطاعات التي تمثل فيها Python عنق زجاجة | تحديثات متسقة مع PyTorch | أمان محسّن من دون Python كاملة | يستفيد من دعم CUDA الموجود في PyTorch |
| ONNX | متفاوت بحسب بيئة التشغيل | مرتفع عبر أطر العمل المختلفة | منظومة واسعة تدعمها جهات عديدة | مرونة عبر أطر عمل ML | تحديثات منتظمة للعمليات الجديدة | احرص على اتباع ممارسات آمنة للتحويل والنشر | تحسينات متنوعة للعتاد |
| OpenVINO | مُحسَّن لعتاد Intel | الأفضل ضمن منظومة Intel | قوي في مجال الرؤية الحاسوبية | إنترنت الأشياء والحوسبة الطرفية مع عتاد Intel | تحديثات منتظمة لعتاد Intel | ميزات قوية للتطبيقات الحساسة | مُصمم لعتاد Intel |
| TensorRT | أداء متقدم على وحدات GPU من NVIDIA | الأفضل لعتاد NVIDIA | شبكة دعم قوية عبر NVIDIA | استدلال فوري على الفيديو والصور | تحديثات متكررة لوحدات GPU الجديدة | تركيز على الأمان | مُصمم لوحدات GPU من NVIDIA |
| CoreML | مُحسَّن لعتاد Apple على الجهاز | حصري لمنظومة Apple | دعم قوي من Apple والمطورين | تعلم آلي على الجهاز في منتجات Apple | تحديثات منتظمة من Apple | التركيز على الخصوصية والأمان | المحرك العصبي ووحدة GPU من Apple |
| TF SavedModel | قابل للتوسع في بيئات الخوادم | توافق واسع ضمن منظومة TensorFlow | دعم كبير بفضل انتشار TensorFlow | تقديم النماذج على نطاق واسع | تحديثات منتظمة من Google والمجتمع | ميزات قوية للمؤسسات | تسريعات متنوعة للعتاد |
| TF GraphDef | مستقر للرسوم البيانية الساكنة للحسابات | يتكامل جيدًا مع بنية TensorFlow التحتية | موارد لتحسين الرسوم البيانية الساكنة | السيناريوهات التي تتطلب رسومًا بيانية ساكنة | تحديثات بالتزامن مع نواة TensorFlow | ممارسات أمان راسخة في TensorFlow | خيارات تسريع TensorFlow |
| TF Edge TPU | مُحسَّن لأجهزة Google Edge TPU | حصريًا لأجهزة Edge TPU | ينمو بفضل موارد Google والجهات الخارجية | أجهزة إنترنت الأشياء التي تتطلب معالجة في الوقت الفعلي | تحسينات لأجهزة Edge TPU الجديدة | أمان Google القوي لأجهزة إنترنت الأشياء | مصمم خصيصًا لـ Google Coral |
| LiteRT | السرعة والكفاءة على الأجهزة المحمولة والمضمَّنة والويب | دعم الأجهزة المحمولة والمضمَّنة والطرفية والمتصفحات | مجتمع قوي بدعم من Google | تطبيقات على الجهاز عبر Android وiOS والويب | أحدث ميزات وقت التشغيل على الجهاز | استدلال آمن على الجهاز وداخل المتصفح | تسريع GPU وDSP وWebGPU |
| PaddlePaddle | تنافسي وسهل الاستخدام وقابل للتوسع | منظومة Baidu ودعم واسع للتطبيقات | ينمو بسرعة، لا سيما في الصين | السوق الصينية ومعالجة اللغة | التركيز على تطبيقات الذكاء الاصطناعي الصينية | يؤكد على خصوصية البيانات وأمانها | بما في ذلك شرائح Kunlun من Baidu |
| MNN | أداء عالٍ للأجهزة المحمولة | أنظمة ARM المحمولة والمضمَّنة ووحدة المعالجة المركزية X86-64 | مجتمع تعلم آلي للأجهزة المحمولة والمضمَّنة | كفاءة الأنظمة المحمولة | الحفاظ على أداء عالٍ على الأجهزة المحمولة | مزايا الأمان على الجهاز | تحسينات لوحدات المعالجة المركزية ووحدات معالجة الرسومات ARM |
| NCNN | مُحسَّن للأجهزة المحمولة القائمة على ARM | أنظمة ARM المحمولة والمضمَّنة | مجتمع متخصص لكنه نشط للتعلم الآلي على الأجهزة المحمولة والمضمَّنة | كفاءة أنظمة Android وARM | الحفاظ على أداء عالٍ على ARM | مزايا الأمان على الجهاز | تحسينات لوحدات المعالجة المركزية ووحدات معالجة الرسومات ARM |
| Sony IMX500 | استدلال على مستوى المستشعر باستهلاك طاقة منخفض جدًا | 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 Sony IMX500 المدمج في الشريحة |
| Rockchip RKNN | مُحسَّن لوحدات NPU من Rockchip | لوحات Rockchip SoC (مثل RK3588) | مجتمع مطوري Rockchip | أجهزة SBC المضمَّنة والطرفية | تحديثات Rockchip RKNN-Toolkit | استدلال محلي على الجهاز | وحدة NPU من Rockchip |
| ExecuTorch | وقت تشغيل PyTorch فعال على الجهاز | iOS وAndroid والأجهزة المضمَّنة عبر XNNPACK | مدعوم من مشروع PyTorch | تطبيقات محمولة ومضمَّنة | يُصان بالتوازي مع PyTorch | يحافظ الاستدلال على الجهاز على محلية البيانات | واجهات XNNPACK الخلفية لوحدات المعالجة المركزية ووحدات معالجة الرسومات المحمولة |
| Axelera AI | إنتاجية عالية جدًا (تصل إلى 856 TOPS) | Metis AIPU عبر PCIe أو M.2 | Axelera Voyager SDK | استدلال طرفي بإنتاجية عالية | تحديثات Axelera SDK | استدلال طرفي داخل الموقع | Axelera Metis AIPU |
| DEEPX | استدلال NPU مُحسَّن بتنسيق INT8 | أجهزة DEEPX NPU | أدوات مطوري DEEPX (dx_com، dx_engine) | استدلال طرفي مضمَّن | تحديثات DEEPX SDK ووقت التشغيل | استدلال محلي على الجهاز | DEEPX NPU |
| Qualcomm QNN | استدلال Snapdragon سريع على الجهاز | Snapdragon Hexagon NPU وAdreno GPU ووحدة المعالجة المركزية | منظومة Qualcomm AI Hub | أجهزة Snapdragon المحمولة والطرفية | تحديثات حزمة Qualcomm AI (QAIRT) | يحافظ الاستدلال على الجهاز على محلية البيانات | Snapdragon Hexagon NPU |
| Hailo | استدلال INT8 HEF على وحدات معالجة الأجهزة العصبيّة Hailo | Hailo-8/8L/10H/15H/15L، وRaspberry Pi AI HAT+ | مُصنِّف تدفق بيانات Hailo وHailoRT | الكاميرات، والروبوتات، والأنظمة الطرفية الصناعية | إصدارات Hailo DFC وHailoRT | استدلال محلي على الجهاز | وحدة معالجة الأجهزة العصبيّة Hailo |
| Huawei Ascend | إنتاجية أعلى على نواة الذكاء الاصطناعي Ascend AI Core | لوحات Atlas وOrangePi AIPro | نظام بيئي Huawei CANN | الاستدلال الحافة على وحدات معالجة الأجهزة العصبية Ascend | إصدارات CANN وATC | استدلال محلي على الجهاز | نواة الذكاء الاصطناعي Ascend AI Core |
| Core AI | مُحسَّن لشرائح Apple | iOS 27 وmacOS 27؛ يتطلب التصدير macOS 26+ | إطار عمل Apple؛ ليس في حزم تطوير البرمجيات iOS/Flutter حتى الآن | تعلم الآلة على الجهاز على منصات Apple من الجيل التالي | مرتبط بإصدارات نظام تشغيل Apple؛ وهو حالياً في مرحلة التجربة | يحافظ الاستدلال على الجهاز على محلية البيانات | محرك Apple العصبي، ووحدة معالجة الرسوميات، ووحدة المعالجة المركزية |
تقدم هذه المقارنة نظرة عامة عالية المستوى. عند النشر، وازن المتطلبات والقيود المحددة لمشروعك مقابل كل خيار، وارجع إلى دليل التكامل المرتبط بالتنسيق الذي تختاره.
الخلاصة#
تتيح لك مجموعة YOLO26 الواسعة من تنسيقات التصدير تهيئة نموذج ليتوافق مع أي بيئة تقريبًا، بدءًا من خادم GPU سحابي ووصولًا إلى كاميرا طرفية مدمجة في المستشعر. بعد اختيار تنسيق، اتبع أفضل ممارسات نشر النماذج للتحسين واستكشاف الأخطاء وإصلاحها والأمان، واستعن بـ مجتمع Ultralytics عند مواجهة مشكلة.
الأسئلة الشائعة#
يدعم Ultralytics YOLO26 تنسيقات نشر متنوعة، صُمم كل منها لبيئات ومنصات أجهزة محددة. تشمل التنسيقات الرئيسية ما يلي:
- PyTorch للبحث وإنشاء النماذج الأولية، مع تكامل ممتاز مع Python.
- TorchScript لبيئات الإنتاج التي لا يتوفر فيها Python.
- ONNX للتوافق عبر المنصات وتسريع الأجهزة.
- OpenVINO لتحسين الأداء على أجهزة Intel.
- TensorRT للاستدلال عالي السرعة على وحدات GPU من NVIDIA.
لكل تنسيق مزايا فريدة. للحصول على شرح تفصيلي خطوة بخطوة، راجع وثائق عملية التصدير.
لتحسين سرعة الاستدلال على وحدات المعالجة المركزية من Intel، يمكنك نشر نموذج YOLO26 باستخدام حزمة أدوات Intel OpenVINO. يوفر OpenVINO تحسينات كبيرة في الأداء من خلال تحسين النماذج للاستفادة بكفاءة من أجهزة Intel.
- حوّل نموذج YOLO26 إلى تنسيق OpenVINO باستخدام الدالة
model.export(). - اتبع دليل الإعداد التفصيلي في وثائق تصدير Intel OpenVINO.
لمزيد من الرؤى، راجع منشور المدونة.
- حوّل نموذج YOLO26 إلى تنسيق OpenVINO باستخدام الدالة
نعم، يمكن نشر نماذج YOLO26 على الأجهزة المحمولة باستخدام LiteRT (المعروف سابقًا باسم TensorFlow Lite) وNCNN لنظام Android، وCoreML أو LiteRT لنظام iOS. LiteRT هو بيئة تشغيل Google على الجهاز للأجهزة المحمولة والمدمجة، ويشغّل النموذج نفسه على Android وiOS والمتصفح، موفّرًا استدلالًا فعّالًا 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.
عند اختيار تنسيق نشر لـ YOLO26، ضع العوامل التالية في الاعتبار:
- الأداء: توفر بعض التنسيقات، مثل TensorRT، سرعات استثنائية على وحدات معالجة الرسومات NVIDIA، بينما تم تحسين OpenVINO للعمل على أجهزة Intel.
- التوافق: يوفر ONNX توافقًا واسعًا عبر المنصات المختلفة.
- سهولة التكامل: صُممت تنسيقات مثل CoreML أو LiteRT لتناسب منظومات محددة مثل iOS وAndroid على التوالي.
- دعم المجتمع: تتمتع تنسيقات مثل PyTorch وTensorFlow بموارد ودعم واسعين من المجتمع.
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 الأسلوب الحاجة إلى بنية تحتية خلفية ويوفر أداءً في الوقت الفعلي.
- صدّر نموذج YOLO26 إلى تنسيق LiteRT.
- ادمج النموذج المُصدَّر في تطبيق الويب باستخدام LiteRT.js.
للاطلاع على التعليمات خطوة بخطوة، راجع دليل تكامل LiteRT.