فهم خيارات النشر YOLO11'

مقدمة

لقد قطعتَ شوطًا طويلاً في رحلتك مع YOLO11. لقد قمتَ بجمع البيانات بجد، وقمتَ بجمع البيانات وشرحها بدقة وخصصتَ ساعات طويلة لتدريب نموذجك المخصص YOLO11 وتقييمه بدقة. والآن، حان الوقت لوضع نموذجك للعمل على تطبيقك أو حالة استخدامك أو مشروعك المحدد. ولكن هناك قرار حاسم يقف أمامك: كيفية تصدير نموذجك ونشره بفعالية.

يرشدك هذا الدليل إلى خيارات النشر YOLO11 والعوامل الأساسية التي يجب مراعاتها لاختيار الخيار المناسب لمشروعك.

كيفية تحديد خيار النشر المناسب لطراز YOLO11 الخاص بك

عندما يحين وقت نشر نموذج YOLO11 الخاص بك، فإن اختيار تنسيق تصدير مناسب أمر مهم للغاية. كما هو موضح في وثائق وسائطUltralytics YOLO11 ، تسمح الدالة model.export() بتحويل نموذجك المدرب إلى مجموعة متنوعة من التنسيقات المصممة خصيصًا لبيئات متنوعة ومتطلبات الأداء.

يعتمد التنسيق المثالي على السياق التشغيلي المقصود للنموذج الخاص بك، والموازنة بين السرعة وقيود الأجهزة وسهولة التكامل. في القسم التالي، سنلقي نظرة فاحصة على كل خيار من خيارات التصدير، ونفهم متى نختار كل منها.

YOLO11خيارات النشر الخاصة بخيارات النشر

دعنا نستعرض خيارات النشر المختلفة YOLO11 . للاطلاع على شرح تفصيلي لعملية التصدير، يرجى زيارة صفحة التوثيقUltralytics الخاصة بالتصدير.

PyTorch

PyTorch هي مكتبة تعلّم آلي مفتوحة المصدر تُستخدم على نطاق واسع في تطبيقات التعلّم العميق والذكاء الاصطناعي. وهي توفر مستوى عالٍ من المرونة والسرعة، مما جعلها مفضلة لدى الباحثين والمطورين.

• مقاييس الأداء: يُعرف PyTorch بسهولة استخدامه ومرونته، مما قد يؤدي إلى مفاضلة طفيفة في الأداء الخام عند مقارنته بأطر العمل الأخرى الأكثر تخصصًا وتحسينًا.

• التوافق والتكامل: يوفر توافقًا ممتازًا مع مختلف مكتبات علوم البيانات والتعلم الآلي في Python.

• دعم المجتمع والنظام البيئي: أحد أكثر المجتمعات حيوية، مع موارد واسعة النطاق للتعلم واستكشاف الأخطاء وإصلاحها.

• دراسات الحالة: يشيع استخدامها في النماذج البحثية، وتشير العديد من الأوراق الأكاديمية إلى النماذج المستخدمة في PyTorch.

• الصيانة والتحديثات: تحديثات منتظمة مع تطوير ودعم نشط للميزات الجديدة.

• الاعتبارات الأمنية: تصحيحات منتظمة للمشكلات الأمنية، لكن الأمان يعتمد إلى حد كبير على البيئة العامة التي يتم نشرها فيها.

• تسريع الأجهزة: يدعم CUDA لتسريع GPU ، وهو أمر ضروري لتسريع تدريب النموذج والاستدلال.

TorchScript

TorchScript يوسع إمكانيات PyTorch من خلال السماح بتصدير النماذج ليتم تشغيلها في بيئة وقت تشغيل C++. وهذا يجعلها مناسبة لبيئات الإنتاج حيث لا يتوفر Python .

• معايير الأداء: يمكن أن تقدم أداءً محسنًا مقارنةً بالأداء الأصلي PyTorch ، خاصةً في بيئات الإنتاج.

• التوافق والتكامل: Designed for seamless transition from PyTorch to C++ production environments, though some advanced features might not translate perfectly.

• دعم المجتمع والنظام البيئي: يستفيد من مجتمع PyTorch الكبير ولكن لديه نطاق أضيق من المطورين المتخصصين.

• دراسات الحالة: تُستخدم على نطاق واسع في إعدادات الصناعة حيث يمثل الأداء الزائد Python عنق الزجاجة.

• الصيانة والتحديثات: تتم صيانتها جنباً إلى جنب مع PyTorch مع تحديثات مستمرة.

• اعتبارات الأمان: يوفر أمانًا محسنًا من خلال تمكين تشغيل النماذج في البيئات التي لا تحتوي على تثبيتات Python كاملة.

• تسريع الأجهزة: يرث دعم CUDA الخاص بـ PyTorch ، مما يضمن كفاءة استخدام GPU .

ONNX

تبادل الشبكات العصبية المفتوح (ONNX) هو تنسيق يسمح بإمكانية التشغيل البيني للنماذج عبر أطر عمل مختلفة، وهو ما يمكن أن يكون بالغ الأهمية عند النشر على منصات مختلفة.

• معايير الأداء: قد تشهد النماذج ONNX أداءً متغيراً حسب وقت التشغيل المحدد الذي يتم نشرها عليه.

• التوافق والتكامل: قابلية عالية للتشغيل البيني عبر العديد من المنصات والأجهزة نظرًا لطبيعته الحيادية من حيث الإطار.

• دعم المجتمع والنظام البيئي: مدعوم من قبل العديد من المنظمات، مما يؤدي إلى نظام بيئي واسع ومجموعة متنوعة من الأدوات للتحسين.

• دراسات الحالة: كثيرًا ما يُستخدم لنقل النماذج بين أطر التعلم الآلي المختلفة، مما يدل على مرونته.

• الصيانة والتحديثات: كمعيار مفتوح، يتم تحديث ONNX بانتظام لدعم العمليات والنماذج الجديدة.

• اعتبارات الأمان: كما هو الحال مع أي أداة مشتركة بين المنصات، من الضروري ضمان ممارسات آمنة في خط التحويل والنشر.

• تسريع الأجهزة: مع ONNX Runtime، يمكن للنماذج الاستفادة من تحسينات الأجهزة المختلفة.

OpenVINO

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

• معايير الأداء: Intel تم تحسينه خصيصًا لوحدات المعالجة المركزية ووحدات معالجة الرسومات ووحدات معالجة الرسومات ووحدات VPU، مما يوفر تعزيزات كبيرة في الأداء على الأجهزة المتوافقة.

• التوافق والتكامل: يعمل بشكل أفضل داخل النظام البيئي Intel ولكنه يدعم أيضًا مجموعة من المنصات الأخرى.

• دعم المجتمع والنظام البيئي: مدعوم من Intel ، مع قاعدة مستخدمين قوية خاصة في مجال الرؤية الحاسوبية.

• دراسات الحالة: غالبًا ما تُستخدم في سيناريوهات إنترنت الأشياء والحوسبة الطرفية حيث تنتشر الأجهزة Intel .

• الصيانة والتحديثات: Intel تحديثات منتظمة على الموقع الإلكتروني OpenVINO لدعم أحدث نماذج التعلُّم العميق والأجهزة Intel .

• اعتبارات الأمان: يوفر ميزات أمان قوية مناسبة للنشر في التطبيقات الحساسة.

• تسريع الأجهزة: مصممة خصيصًا للتسريع على أجهزة Intel ، والاستفادة من مجموعات التعليمات المخصصة وميزات الأجهزة.

لمزيد من التفاصيل حول النشر باستخدام OpenVINO ، راجع وثائق التكامل Ultralytics التكامل: Intel OpenVINO التصدير.

TensorRT

TensorRT هو مُحسِّن استنتاجات تعلُّم عميق عالي الأداء ووقت تشغيل من NVIDIA ، وهو مثالي للتطبيقات التي تحتاج إلى السرعة والكفاءة.

• معايير الأداء: يوفر أداءً من الدرجة الأولى على وحدات معالجة الرسومات NVIDIA مع دعم الاستدلال عالي السرعة.

• التوافق والتكامل: الأنسب للأجهزة NVIDIA ، مع دعم محدود خارج هذه البيئة.

• دعم المجتمع والنظام البيئي: شبكة دعم قوية من خلال منتديات ووثائق المطورين NVIDIA.

• دراسات الحالة: معتمدة على نطاق واسع في الصناعات التي تتطلب الاستدلال في الوقت الحقيقي على بيانات الفيديو والصور.

• الصيانة والتحديثات: يحافظ موقع NVIDIA على TensorRT مع تحديثات متكررة لتحسين الأداء ودعم البنى الجديدة GPU .

• الاعتبارات الأمنية: مثل العديد من منتجات NVIDIA ، فإنه يركز بشدة على الأمان، ولكن التفاصيل تعتمد على بيئة النشر.

• تسريع الأجهزة: مصممة حصرياً لوحدات معالجة الرسومات NVIDIA ، مما يوفر تحسيناً وتسريعاً عميقاً.

CoreML

CoreML هو إطار عمل التعلم الآلي من Apple، وهو مُحسَّن للأداء على الأجهزة في نظام Apple البيئي، بما في ذلك iOS و macOS و watchOS و tvOS.

• معايير الأداء: مُحسّن للأداء على الجهاز على أجهزة Apple بأقل استخدام للبطارية.

• التوافق والتكامل: حصريًا لنظام Apple البيئي، مما يوفر سير عمل مبسط لتطبيقات iOS و macOS.

• دعم المجتمع والنظام البيئي: دعم قوي من Apple ومجتمع مطورين مخصص، مع وثائق وأدوات واسعة النطاق.

• دراسات الحالة: يشيع استخدامها في التطبيقات التي تتطلب قدرات التعلم الآلي على الجهاز على منتجات Apple.

• الصيانة والتحديثات: يتم تحديثها بانتظام بواسطة Apple لدعم أحدث تطورات التعلم الآلي وأجهزة Apple.

• اعتبارات الأمان: تستفيد من تركيز Apple على خصوصية المستخدم وأمان البيانات.

• تسريع الأجهزة: يستفيد استفادة كاملة من محرك Apple العصبي و GPU لمهام التعلم الآلي المتسارعة.

TF SavedModel

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

• معايير الأداء: يوفر أداءً قابلاً للتطوير في بيئات الخوادم، خاصة عند استخدامه مع TensorFlow سيرفر.

• التوافق والتكامل: توافق واسع النطاق عبر النظام الإيكولوجي TensorFlow ، بما في ذلك عمليات نشر الخوادم السحابية وخوادم المؤسسات.

• دعم المجتمع والنظام البيئي: دعم مجتمعي كبير بسبب شعبية TensorFlow ، مع مجموعة واسعة من الأدوات للنشر والتحسين.

• دراسات حالة: مستخدمة على نطاق واسع في بيئات الإنتاج لخدمة نماذج التعلم العميق على نطاق واسع.

• الصيانة والتحديثات: بدعم 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 العديد من تسارعات الأجهزة من خلال TensorFlow.

TF GraphDef

TF GraphDef هو تنسيق TensorFlow يمثل النموذج على شكل رسم بياني، وهو مفيد للبيئات التي تتطلب رسمًا بيانيًا ثابتًا للحسابات.

• معايير الأداء: يوفر أداءً مستقرًا للرسوم البيانية الحسابية الثابتة، مع التركيز على الاتساق والموثوقية.

• التوافق والتكامل: يتكامل بسهولة داخل البنية التحتية TensorFlow ولكنه أقل مرونة مقارنة بـ SavedModel.

• دعم المجتمع والنظام البيئي: دعم جيد من النظام البيئي TensorFlow ، مع توفر العديد من الموارد لتحسين الرسوم البيانية الثابتة.

• دراسات الحالة: مفيدة في السيناريوهات التي يكون فيها الرسم البياني الثابت ضروريًا، كما هو الحال في بعض الأنظمة المدمجة.

• الصيانة والتحديثات: تحديثات منتظمة إلى جانب تحديثات TensorFlow الأساسية.

• الاعتبارات الأمنية: يضمن النشر الآمن مع الممارسات الأمنية المعمول بها في TensorFlow.

• تسريع الأجهزة: يمكن الاستفادة من خيارات تسريع الأجهزة TensorFlow ، على الرغم من أنها ليست مرنة مثل SavedModel.

TF لايت

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

• معايير الأداء: مصممة للسرعة والكفاءة على الأجهزة المحمولة والمضمنة.

• التوافق والتكامل: يمكن استخدامه على مجموعة كبيرة من الأجهزة نظرًا لطبيعته خفيفة الوزن.

• دعم المجتمع والنظام البيئي: مدعوم من Google ، ولديه مجتمع قوي وعدد متزايد من الموارد للمطورين.

• دراسات الحالة: شائعة في تطبيقات الأجهزة المحمولة التي تتطلب الاستدلال على الجهاز بأقل قدر من البصمة.

• 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 و DSP.

TF إيدج TPU

TF تم تصميم Edge TPU للحوسبة عالية السرعة والفعالية على أجهزة Edge TPU من Google ، وهي مثالية لأجهزة إنترنت الأشياء التي تتطلب معالجة في الوقت الفعلي.

• معايير الأداء: تم تحسينها خصيصًا للحوسبة عالية السرعة والفعالية على أجهزة Google'Edge TPU .

• التوافق والتكامل: يعمل حصرياً مع طرازات TensorFlow Lite على أجهزة Edge TPU .

• دعم المجتمع والنظام البيئي: دعم متزايد مع الموارد المقدمة من Google ومطوري الطرف الثالث.

• دراسات الحالة: تُستخدم في أجهزة إنترنت الأشياء والتطبيقات التي تتطلب معالجة في الوقت الفعلي مع زمن انتقال منخفض.

• الصيانة والتحديثات: يتم تحسينها باستمرار للاستفادة من إمكانيات إصدارات أجهزة Edge TPU الجديدة.

• اعتبارات الأمان: يتكامل مع الأمان القوي لإنترنت الأشياء والأجهزة الطرفية Google.

• تسريع الأجهزة: مصممة خصيصًا للاستفادة الكاملة من أجهزة Google Coral.

TF.js

TensorFlow.js (TF.js) هي مكتبة تجلب إمكانات التعلم الآلي مباشرةً إلى المتصفح، مما يوفر عالمًا جديدًا من الإمكانيات لمطوري الويب والمستخدمين على حد سواء. وهي تسمح بدمج نماذج التعلم الآلي في تطبيقات الويب دون الحاجة إلى بنية تحتية خلفية.

• معايير الأداء: تمكين التعلّم الآلي مباشرةً في المتصفح بأداء معقول، اعتماداً على جهاز العميل.

• التوافق والتكامل: توافق عالٍ مع تقنيات الويب، مما يسمح بالتكامل السهل مع تطبيقات الويب.

• دعم المجتمع والنظام البيئي: دعم من مجتمع من مطوّري الويب و Node.js، مع مجموعة متنوعة من الأدوات لنشر نماذج تعلّم الآلة في المتصفحات.

• دراسات حالة: مثالية لتطبيقات الويب التفاعلية التي تستفيد من التعلم الآلي من جانب العميل دون الحاجة إلى المعالجة من جانب الخادم.

• الصيانة والتحديثات: تتم صيانتها من قبل فريق TensorFlow بمساهمات من مجتمع المصادر المفتوحة.

• اعتبارات الأمان: يعمل ضمن السياق الآمن للمتصفح، باستخدام نموذج الأمان الخاص بمنصة الويب.

• تسريع الأجهزة: يمكن تحسين الأداء باستخدام واجهات برمجة التطبيقات المستندة إلى الويب التي تصل إلى تسريع الأجهزة مثل WebGL.

PaddlePaddle

PaddlePaddle هو إطار عمل مفتوح المصدر للتعلم العميق تم تطويره بواسطة Baidu. وهو مصمم ليكون فعالاً للباحثين وسهل الاستخدام للمطورين. يحظى بشعبية خاصة في الصين ويقدم دعمًا متخصصًا لمعالجة اللغة الصينية.

• معايير الأداء: تقدم أداءً تنافسياً مع التركيز على سهولة الاستخدام وقابلية التوسع.

• التوافق والتكامل: متكامل بشكل جيد داخل نظام Baidu البيئي ويدعم مجموعة كبيرة من التطبيقات.

• دعم المجتمع والنظام البيئي: في حين أن المجتمع أصغر على مستوى العالم، إلا أنه ينمو بسرعة، خاصة في الصين.

• دراسات حالة: يشيع استخدامها في الأسواق الصينية ومن قبل المطورين الذين يبحثون عن بدائل للأطر الرئيسية الأخرى.

• الصيانة والتحديثات: يتم تحديثها بانتظام مع التركيز على خدمة تطبيقات وخدمات الذكاء الاصطناعي باللغة الصينية.

• الاعتبارات الأمنية: التأكيد على خصوصية البيانات وأمنها، مع مراعاة معايير حوكمة البيانات الصينية.

• تسريع الأجهزة: يدعم تسريع الأجهزة المختلفة، بما في ذلك شرائح كونلون الخاصة ببايدو.

NCNN

NCNN هو إطار عمل استدلالي عالي الأداء للشبكات العصبية مُحسَّن لمنصة الأجهزة المحمولة. ويتميز بطبيعته الخفيفة وكفاءته، مما يجعله مناسبًا بشكل خاص للأجهزة المحمولة والأجهزة المدمجة حيث تكون الموارد محدودة.

• مقاييس الأداء: مُحسَّن للغاية لمنصات الأجهزة المحمولة، مما يوفر استدلالاً فعالاً على الأجهزة القائمة على ARM.

• التوافق والتكامل: مناسب للتطبيقات على الهواتف المحمولة والأنظمة المدمجة مع بنية ARM.

• دعم المجتمع والنظام البيئي: مدعوم بمجتمع متخصص ولكنه نشط يركز على تطبيقات تعلّم الآلة المدمجة والمحمولة.

• دراسات حالة: مفضلة لتطبيقات الأجهزة المحمولة حيث تكون الكفاءة والسرعة أمرًا بالغ الأهمية على Android والأنظمة الأخرى القائمة على ARM.

• الصيانة والتحديثات: يتم تحسينه باستمرار للحفاظ على الأداء العالي على مجموعة من أجهزة ARM.

• اعتبارات الأمان: التركيز على التشغيل محلياً على الجهاز، والاستفادة من الأمان المتأصل في المعالجة على الجهاز.

• تسريع الأجهزة: مصممة خصيصًا لوحدات المعالجة المركزية ARM ووحدات معالجة الرسومات ARM، مع تحسينات محددة لهذه البنى.

MNN

MNN هو إطار عمل عالي الكفاءة وخفيف الوزن للتعلم العميق. وهو يدعم الاستدلال وتدريب نماذج التعلُّم العميق ويتمتع بأداء رائد في المجال للاستدلال والتدريب على الجهاز. بالإضافة إلى ذلك، تُستخدم MNN أيضًا على الأجهزة المدمجة، مثل إنترنت الأشياء.

التحليل المقارن لخيارات النشر YOLO11

يقدم الجدول التالي لمحة سريعة عن خيارات النشر المختلفة المتاحة لنماذج YOLO11 ، مما يساعدك على تقييم أي منها قد يناسب احتياجات مشروعك على أفضل وجه بناءً على عدة معايير مهمة. لإلقاء نظرة متعمقة على تنسيق كل خيار من خيارات النشر، يرجى الاطلاع على صفحة التوثيقUltralytics الخاصة بتنسيقات التصدير.

يمنحك هذا التحليل المقارن نظرة عامة عالية المستوى. أما بالنسبة للنشر، فمن الضروري النظر في المتطلبات والقيود المحددة لمشروعك، والرجوع إلى الوثائق والموارد المفصلة المتاحة لكل خيار.

المجتمع والدعم المجتمعي

عندما تبدأ في استخدام YOLO11 ، فإن وجود مجتمع مفيد ودعم يمكن أن يكون له تأثير كبير. إليك كيفية التواصل مع الآخرين الذين يشاركونك اهتماماتك والحصول على المساعدة التي تحتاجها.

الانخراط مع المجتمع الأوسع نطاقاً

• مناقشات GitHub: يحتوي مستودع YOLO11 على GitHub على قسم "المناقشات" حيث يمكنك طرح الأسئلة والإبلاغ عن المشكلات واقتراح التحسينات.

• Ultralytics خادم Discord Server: Ultralytics لديه خادم Discord حيث يمكنك التفاعل مع المستخدمين والمطورين الآخرين.

الوثائق والموارد الرسمية

• Ultralytics YOLO11 المستندات: توفر الوثائق الرسمية نظرة عامة شاملة على YOLO11 ، إلى جانب أدلة حول التثبيت والاستخدام واستكشاف الأخطاء وإصلاحها.

ستساعدك هذه الموارد على مواجهة التحديات والاطلاع على أحدث الاتجاهات وأفضل الممارسات في مجتمع YOLO11 .

الخاتمة

في هذا الدليل، قمنا باستكشاف خيارات النشر المختلفة لـ YOLO11. لقد ناقشنا أيضًا العوامل المهمة التي يجب أخذها في الاعتبار عند اختيارك. تسمح لك هذه الخيارات بتخصيص النموذج الخاص بك لمختلف البيئات ومتطلبات الأداء، مما يجعله مناسبًا لتطبيقات العالم الحقيقي.

لا تنس أن مجتمع YOLO11 و Ultralytics هو مصدر قيّم للمساعدة. تواصل مع مطورين وخبراء آخرين لتتعلم نصائح وحلول فريدة قد لا تجدها في الوثائق العادية. استمر في البحث عن المعرفة واستكشاف أفكار جديدة ومشاركة تجاربك.

نشر سعيد!

الأسئلة الشائعة

ما هي خيارات النشر المتاحة على YOLO11 على منصات الأجهزة المختلفة؟

Ultralytics YOLO11 يدعم تنسيقات نشر مختلفة، كل منها مصمم لبيئات ومنصات أجهزة محددة. تتضمن التنسيقات الرئيسية ما يلي:

• PyTorch للبحث والنماذج الأولية، مع تكامل ممتاز 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 معالجة الرسومات NVIDIA .

لكل تنسيق مزايا فريدة من نوعها. للاطلاع على شرح تفصيلي، راجع وثائق عملية التصدير.

كيف يمكنني تحسين سرعة الاستدلال لنموذجي YOLO11 على Intel CPU ؟

لتعزيز سرعة الاستدلال على وحدات المعالجة المركزية Intel ، يمكنك نشر نموذج YOLO11 الخاص بك باستخدام مجموعة أدوات Intel OpenVINO . OpenVINO يوفر تعزيزات كبيرة في الأداء من خلال تحسين النماذج للاستفادة من أجهزة Intel بكفاءة.

1. قم بتحويل نموذج YOLO11 الخاص بك إلى التنسيق OpenVINO باستخدام model.export() الوظيفة.
2. اتبع دليل الإعداد التفصيلي في وثائق التصديرIntel OpenVINO التصدير.

لمزيد من المعلومات، اطلع على منشور المدونة.

هل يمكنني نشر نماذج YOLO11 على الأجهزة المحمولة؟

نعم، يمكن نشر نماذج YOLO11 على الأجهزة المحمولة باستخدام TensorFlow لايت (TF لايت) لكل من منصتي Android و iOS . TF تم تصميم Lite للأجهزة المحمولة والأجهزة المدمجة، مما يوفر استدلالاً فعالاً على الجهاز.

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

# CLI command for TFLite export
yolo export --format tflite

لمزيد من التفاصيل حول نشر النماذج على الهاتف المحمول، راجع دليل التكاملTF Lite الخاص بنا.

ما هي العوامل التي يجب أن أضعها في الاعتبار عند اختيار تنسيق النشر لطراز YOLO11 الخاص بي؟

عند اختيار تنسيق نشر YOLO11 ، ضع في اعتبارك العوامل التالية:

• الأداء: توفر بعض التنسيقات مثل TensorRT سرعات استثنائية على وحدات معالجة الرسومات NVIDIA ، بينما تم تحسين OpenVINO للأجهزة Intel .
• التوافق: ONNX يوفر توافقاً واسعاً عبر مختلف المنصات.
• سهولة التكامل: تنسيقات مثل CoreML أو TF Lite مصممة خصيصًا لأنظمة بيئية محددة مثل iOS و Android ، على التوالي.
• دعم المجتمع: تحتوي التنسيقات مثل PyTorch و TensorFlow لديها موارد ودعم مجتمعي واسع النطاق.

للحصول على تحليل مقارن، راجع وثائق تنسيقات التصدير الخاصة بنا.

كيف يمكنني نشر نماذج YOLO11 في تطبيق ويب؟

لنشر النماذج YOLO11 في تطبيق ويب، يمكنك استخدام TensorFlow.js (TF.js)، والذي يسمح بتشغيل نماذج التعلم الآلي مباشرةً في المتصفح. هذا النهج يلغي الحاجة إلى البنية التحتية الخلفية ويوفر أداءً في الوقت الفعلي.

1. قم بتصدير النموذج YOLO11 إلى تنسيق TF.js.
2. ادمج النموذج المُصدَّر في تطبيق الويب الخاص بك.

للاطلاع على الإرشادات خطوة بخطوة، راجع دليلنا حول تكاملTensorFlow.js.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 1 شهر

التعليقات