YOLO Vision 2026:

تكاملات Ultralytics#

مرحباً بك في صفحة عمليات التكامل مع Ultralytics! تقدم هذه الصفحة نظرة عامة على شراكاتنا مع مختلف الأدوات والمنصات، المصممة لتبسيط سير عمل التعلم الآلي لديك، وتحسين إدارة مجموعات البيانات، وتسهيل تدريب النماذج، وتسهيل النشر الفعال.

Ultralytics YOLO ecosystem and integrations


Watch: Ultralytics YOLO Deployment and Integrations

تكاملات التدريب#

  • Albumentations: عزز نماذج Ultralytics الخاصة بك بتعزيزات قوية للصور لتحسين قوة النماذج وقدرتها على التعميم.

  • Amazon SageMaker: استغل Amazon SageMaker لبناء وتدريب ونشر نماذج Ultralytics بكفاءة، مما يوفر منصة متكاملة لدورة حياة التعلم الآلي.

  • AMD: قم بتدريب، والتحقق من صحة، وتشغيل نماذج Ultralytics على وحدات معالجة الرسوميات (GPUs) المدعومة من AMD باستخدام PyTorch ROCm، مع تفصيل واضح لمدى توفر MIGraphX و DirectML و Ryzen AI NPU.

  • ClearML: أتمتة سير عمل التعلم الآلي لـ Ultralytics، ومراقبة التجارب، وتعزيز التعاون الجماعي.

  • Comet ML: عزز تطوير النماذج باستخدام Ultralytics من خلال تتبع ومقارنة وتحسين تجارب التعلم الآلي الخاصة بك.

  • DVC: تنفيذ التحكم في الإصدار لمشاريع التعلم الآلي الخاصة بـ Ultralytics، ومزامنة البيانات والتعليمة البرمجية والنماذج بفعالية.

  • Google Colab: استخدم Google Colab لتدريب وتقييم نماذج Ultralytics في بيئة سحابية تدعم التعاون والمشاركة.

  • IBM Watsonx: تعرف على كيف يسهل IBM Watsonx تدريب وتقييم نماذج Ultralytics بأدوات الذكاء الاصطناعي المتطورة، والتكامل السهل، ونظام إدارة النماذج المتقدم.

  • JupyterLab: اكتشف كيفية استخدام بيئة JupyterLab التفاعلية والقابلة للتخصيص لتدريب وتقييم نماذج Ultralytics بكل سهولة وكفاءة.

  • Kaggle: استكشف كيف يمكنك استخدام Kaggle لتدريب وتقييم نماذج Ultralytics في بيئة سحابية تحتوي على مكتبات مثبتة مسبقاً، ودعم وحدات معالجة الرسوميات (GPU)، ومجتمع حيوي للتعاون والمشاركة.

  • Modal: تشغيل نماذج Ultralytics على منصة Modal السحابية بدون خادم مع توفير تلقائي لوحدات معالجة الرسوميات، وتسعير حسب الثانية، وقابلية التوسع السلسة لأحمال عمل الاستدلال والتدريب.

  • MLFlow: تبسيط دورة حياة التعلم الآلي الكاملة لنماذج Ultralytics، بدءاً من التجريب وإمكانية إعادة الإنتاج وصولاً إلى النشر.

  • Neptune: الحفاظ على سجل شامل لتجارب التعلم الآلي الخاصة بك مع Ultralytics في مخزن البيانات التعريفية هذا المصمم لـ MLOps.

  • Paperspace Gradient: يعمل Paperspace Gradient على تبسيط العمل على مشاريع YOLO26 من خلال توفير أدوات سحابية سهلة الاستخدام لتدريب واختبار ونشر نماذجك بسرعة.

  • Ray Tune: تحسين المعلمات الفائقة لنماذج Ultralytics الخاصة بك بأي مقياس.

  • TensorBoard: تصور سير عمل التعلم الآلي لـ Ultralytics، ومراقبة مقاييس النماذج، وتعزيز التعاون الجماعي.

  • Ultralytics Platform: الوصول إلى مجتمع من نماذج Ultralytics المدربة مسبقاً والمساهمة فيه.

  • VS Code: امتداد لـ VS Code يوفر مقتطفات تعليمات برمجية لتسريع سير عمل التطوير في Ultralytics ويقدم أمثلة لمساعدة أي شخص على التعلم أو البدء.

  • Weights & Biases (W&B): مراقبة التجارب، وتصور المقاييس، وتعزيز إمكانية إعادة الإنتاج والتعاون في مشاريع Ultralytics.

  • YAML2ModelGraph: إنتاج مخططات بنية SVG جاهزة للنشر مباشرة من ملفات تكوين YOLO YAML الخاصة بـ Ultralytics.

تكاملات النشر#

  • Ambarella: تدريب وضغط وتصدير نماذج Ultralytics YOLO لمعالجات Ambarella CVflow® SoCs مثل CV72 باستخدام التدريب الواعي بالضغط SpongeTorch ومجموعة أدوات CVflow غير المتصلة بالإنترنت.

  • Axelera: استكشف مسرعات Metis و Voyager SDK لتشغيل نماذج Ultralytics مع الاستدلال الفعال على الحافة.

  • Core AI: تعرف على تنسيق .aimodel الجديد من Apple، وكيف تقارن Core AI بـ Core ML، وقيودها الحالية، وتكامل Ultralytics المخطط له لجيل iOS 27 و macOS 27.

  • CoreML: CoreML، الذي تم تطويره بواسطة Apple، هو إطار عمل مصمم لدمج نماذج التعلم الآلي بكفاءة في التطبيقات عبر iOS و macOS و watchOS و tvOS، باستخدام أجهزة Apple لنشر النماذج بشكل فعال وآمن.

  • DEEPX: تصدير نماذج Ultralytics YOLO إلى تنسيق DEEPX .dxnn للاستدلال الفعال من حيث استهلاك الطاقة INT8 على أجهزة DEEPX NPU، مستهدفاً تطبيقات الذكاء الاصطناعي المضمنة وعلى الحافة.

  • ExecuTorch: تم تطوير ExecuTorch بواسطة Meta، وهو الحل الموحد من PyTorch لنشر نماذج Ultralytics YOLO على أجهزة الحافة.

  • Gradio: نشر نماذج Ultralytics باستخدام Gradio لعروض توضيحية تفاعلية لاكتشاف الكائنات في الوقت الفعلي.

  • Hailo: تصدير نماذج اكتشاف Ultralytics YOLO، والتجزئة، والتجزئة الدلالية، وتقدير العمق، والتصنيف، ووضعيات الجسم، و OBB مباشرة إلى Hailo HEF؛ راجع دليل التكامل للاطلاع على النماذج والأهداف التي تم التحقق من صحتها.

  • Huawei Ascend: تجميع نماذج Ultralytics YOLO لتنسيق Huawei Ascend .om غير المتصل بالإنترنت باستخدام مترجم CANN ATC للاستدلال FP16 على أجهزة Atlas و OrangePi AIPro.

  • MNN: تم تطوير MNN بواسطة Alibaba، وهو إطار عمل للتعلم العميق عالي الكفاءة وخفيف الوزن. وهو يدعم الاستدلال والتدريب لنماذج التعلم العميق ويتمتع بأداء رائد في الصناعة للاستدلال والتدريب على الجهاز.

  • NCNN: تم تطوير NCNN بواسطة Tencent، وهو إطار عمل لاستدلال الشبكات العصبية مصمم خصيصاً للأجهزة المحمولة. وهو يتيح النشر المباشر لنماذج الذكاء الاصطناعي في التطبيقات، مما يحسن الأداء عبر مختلف منصات الهواتف المحمولة.

  • Neural Magic: الاستفادة من تقنيات التدريب الواعي بالتكميم (QAT) والتقليم لتحسين نماذج Ultralytics لتحقيق أداء فائقة وحجم أصغر.

  • ONNX: تنسيق مفتوح المصدر أنشأته Microsoft لتسهيل نقل نماذج الذكاء الاصطناعي بين مختلف الأطر، مما يعزز تعدد الاستخدامات ومرونة النشر لنماذج Ultralytics.

  • OpenVINO: مجموعة أدوات Intel لتحسين ونشر نماذج رؤية الكمبيوتر بكفاءة عبر مختلف منصات وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسوميات (GPU) من Intel.

  • PaddlePaddle: منصة تعلم عميق مفتوحة المصدر من Baidu، تتيح PaddlePaddle النشر الفعال لنماذج الذكاء الاصطناعي وتركز على قابلية التوسع للتطبيقات الصناعية.

  • Qualcomm QNN: تجميع نماذج Ultralytics YOLO محلياً في تنسيق ثنائي السياق لـ QNN (AI Engine Direct) باستخدام موفر تنفيذ ONNX Runtime QNN للاستدلال المتسارع على وحدة المعالجة المركزية Snapdragon، ووحدة معالجة الرسوميات Adreno، وأجهزة Hexagon NPU في الأجهزة المحمولة وأجهزة الحافة.

  • Rockchip RKNN: تم تطوير RKNN بواسطة Rockchip، وهو إطار عمل متخصص لاستدلال الشبكات العصبية مُحسَّن لمنصات الأجهزة الخاصة بـ Rockchip، لا سيما وحدات NPU الخاصة بها. وهو يسهل النشر الفعال لنماذج الذكاء الاصطناعي على أجهزة الحافة، مما يتيح استدلالاً عالي الأداء في التطبيقات في الوقت الفعلي.

  • Seeed Studio reCamera: تم تطوير reCamera بواسطة Seeed Studio، وهي جهاز ذكاء اصطناعي متطور للحافة مصمم لتطبيقات رؤية الكمبيوتر في الوقت الفعلي. مدعومة بمعالج SG200X القائم على RISC-V، فإنها توفر استدلالاً عالي الأداء للذكاء الاصطناعي مع كفاءة في استهلاك الطاقة. تصميمها المعياري، وإمكانيات معالجة الفيديو المتقدمة، ودعمها للنشر المرن يجعلها خياراً مثالياً لم مختلف حالات الاستخدام، بما في ذلك مراقبة السلامة، والتطبيقات البيئية، والتصنيع.

  • SONY IMX500: تحسين ونشر نماذج Ultralytics YOLO26 على كاميرات Raspberry Pi AI المجهزة بمستشعر IMX500 لتحقيق أداء سريع ومنخفض الطاقة.

  • TensorRT: تم تطوير إطار عمل استدلال وتنسيق نموذج التعلم العميق عالي الأداء هذا بواسطة NVIDIA، وهو يعمل على تحسين نماذج الذكاء الاصطناعي لزيادة السرعة والكفاءة على وحدات معالجة الرسوميات (GPUs) من NVIDIA، مما يضمن نشراً مبسطاً.

  • TF GraphDef: تم تطوير GraphDef بواسطة Google، وهو تنسيق TensorFlow لتمثيل رسوم بيانية الحوسبة، مما يتيح التنفيذ الأمثل لنماذج التعلم الآلي عبر مختلف الأجهزة.

  • TF SavedModel: تم تطوير TF SavedModel بواسطة Google، وهو تنسيق تسلسل عام لنماذج TensorFlow، مما يتيح سهولة المشاركة والنشر عبر مجموعة واسعة من المنصات، من الخوادم إلى أجهزة الحافة.

  • TFLite Edge TPU: تم تطوير تنسيق النموذج هذا بواسطة Google لتحسين نماذج TensorFlow Lite على وحدات Edge TPUs، وهو يضمن حوسبة حافة عالية السرعة وفعالة.

  • LiteRT: تم تطوير LiteRT (المعروف سابقاً باسم TensorFlow Lite) بواسطة Google، وهو وقت التشغيل على الجهاز لتنسيق .tflite، حيث يقوم بنشر نموذج واحد عبر الأجهزة المحمولة، والأجهزة المضمنة، والحافة، والمتصفح (عبر LiteRT.js).

  • TorchScript: تم تطوير TorchScript كجزء من إطار عمل PyTorch، وهو يتيح التنفيذ الفعال ونشر نماذج التعلم الآلي في بيئات إنتاج مختلفة دون الحاجة إلى تبعيات Python.

تكاملات مجموعات البيانات#

  • Roboflow: تسهيل وضع العلامات وإدارة مجموعات البيانات لنماذج Ultralytics، وتوفير أدوات التعليقات التوضيحية لتسمية الصور.

تنسيقات التصدير#

نحن ندعم أيضًا مجموعة متنوعة من تنسيقات تصدير النماذج للنشر في بيئات مختلفة. فيما يلي التنسيقات المتاحة:

التنسيقوسيط formatالنموذجالبيانات الوصفيةالوسائط (Arguments)
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz، quantize، dynamic، simplify، opset، nms، batch، data، fraction، device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz، quantize، dynamic، nms، batch، data، fraction، device
TensorRTengineyolo26n.engine✅imgsz، quantize، dynamic، simplify، opset، workspace، nms، batch، data، fraction، device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz، keras، quantize، opset، nms، batch، data، fraction، device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz، batch، device
MNNmnnyolo26n.mnn✅imgsz، batch، dynamic، quantize، simplify، opset، nms، device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz، batch، name، quantize، simplify، opset، data، fraction، device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz، batch، device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz، batch، name، quantize، simplify، opset، data، fraction، device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz، name، quantize، data، fraction، simplify، conf، iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms

استكشف الروابط لمعرفة المزيد حول كل تكامل وكيفية تحقيق أقصى استفادة منه مع Ultralytics. اطلع على تفاصيل export الكاملة في صفحة التصدير.

ساهم في تكاملاتنا#

نحن متحمسون دائماً لرؤية كيف يقوم المجتمع بدمج Ultralytics YOLO مع التقنيات والأدوات والمنصات الأخرى! إذا قمت بنجاح بدمج YOLO مع نظام جديد أو كان لديك رؤى قيمة لمشاركتها، ففكر في المساهمة في مستندات التكامل الخاصة بنا.

من خلال كتابة دليل أو برنامج تعليمي، يمكنك المساعدة في توسيع وثائقنا وتقديم أمثلة واقعية تفيد المجتمع. إنها طريقة ممتازة للمساهمة في النظام البيئي المتنامي حول Ultralytics YOLO.

للمساهمة، يرجى الاطلاع على دليل المساهمة للحصول على إرشادات حول كيفية إرسال طلب سحب (PR) 🛠️. نحن ننتظر مساهماتكم بفارغ الصبر!

دعونا نتعاون لجعل النظام البيئي لـ Ultralytics YOLO أكثر شمولاً وغنى بالميزات 🙏!

الأسئلة الشائعة#

  • Ultralytics Platform هي منصة سحابية مصممة لجعل سير عمل التعلم الآلي لنماذج Ultralytics سلساً وفعالاً. باستخدام هذه الأداة، يمكنك بسهولة تحميل مجموعات البيانات، وتدريب النماذج، وإجراء التتبع في الوقت الفعلي، ونشر نماذج YOLO دون الحاجة إلى مهارات برمجة واسعة النطاق. تعمل المنصة كمسح عمل مركزي حيث يمكنك إدارة خط أنابيب التعلم الآلي بأكمله من إعداد البيانات إلى النشر. يمكنك استكشاف الميزات الرئيسية على صفحة Ultralytics Platform والبدء بسرعة مع دليل البدء السريع الخاص بنا.

  • نعم، يمكنك ذلك. يتيح لك دمج MLFlow مع نماذج Ultralytics تتبع التجارب، وتحسين إمكانية إعادة الإنتاج، وتبسيط دورة حياة التعلم الآلي بأكملها. يمكن العثور على إرشادات تفصيلية لإعداد هذا التكامل على صفحة تكامل MLFlow. هذا التكامل مفيد بشكل خاص لمراقبة مقاييس النماذج، ومقارنة عمليات التدريب المختلفة، وإدارة سير عمل التعلم الآلي بكفاءة. توفر MLFlow منصة مركزية لتسجيل المعلمات والمقاييس والعناصر، مما يسهل فهم سلوك النموذج وإجراء تحسينات مدفوعة بالبيانات.

  • Neural Magic يحسن نماذج YOLO26 من خلال الاستفادة من تقنيات مثل التدريب الواعي بالتكميم (QAT) والتقليم، مما ينتج عنه نماذج عالية الكفاءة وأصغر حجمًا تؤدي بشكل أفضل على الأجهزة المحدودة الموارد. تحقق من صفحة تكامل Neural Magic لمعرفة كيفية تنفيذ هذه التحسينات لتحقيق أداء متفوق ونماذج أصغر حجمًا. هذا مفيد بشكل خاص للنشر على أجهزة الحافة حيث تكون الموارد الحوسبية محدودة. يمكن لمحرك DeepSparse من Neural Magic تقديم استدلال أسرع يصل إلى 6 أضعاف على وحدات المعالجة المركزية، مما يجعل من الممكن تشغيل نماذج معقدة دون الحاجة إلى أجهزة متخصصة.

  • لنشر نماذج Ultralytics YOLO مع Gradio لعروض اكتشاف الكائنات التفاعلية، يمكنك اتباع الخطوات الموضحة في صفحة تكامل Gradio. يتيح لك Gradio إنشاء واجهات ويب سهلة الاستخدام لاستدلال النموذج في الوقت الفعلي، مما يجعله أداة ممتازة لعرض قدرات نموذج YOLO الخاص بك بتنسيق سهل الاستخدام ومناسب للمطورين والمستخدمين النهائيين على حد سواء. ببضع أسطر فقط من التعليمات البرمجية، يمكنك بناء تطبيقات تفاعلية توضح أداء نموذجك على مدخلات مخصصة، مما يسهل فهم وتقييم حلول رؤية الكمبيوتر الخاصة بك بشكل أفضل.

المساهمون
GLglenn-jocher35ABabirami-vina18AMambitious-octopus6BUBurhan-Q6JEJESUSROYETH4RIRizwanMunawar4RAraimbekovm2RARahulbiradar91LAlakshanthad1DEdeepx-dgkim1PDpderrenger1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

التعليقات