Ultralytics YOLO27:

تكاملات Ultralytics#

مرحبًا بك في صفحة تكاملات Ultralytics! تقدم هذه الصفحة نظرة عامة على شراكاتنا مع مختلف الأدوات والمنصات، والمصممة لتبسيط سير عمل التعلّم الآلي، وتحسين إدارة مجموعات البيانات، وتسهيل تدريب النماذج، وتمكين النشر الفعّال.

Ultralytics YOLO ecosystem and integrations


Watch: Ultralytics YOLO Deployment and Integrations

تكاملات التدريب#

  • مهارات الوكلاء: علِّم وكلاء البرمجة بالذكاء الاصطناعي مثل Claude Code وCodex وCursor وGemini CLI سير عمل Ultralytics YOLO الكامل باستخدام مهارات رسمية تغطي مجموعات البيانات والتدريب والاستدلال والتصدير.

  • Albumentations: عزّز نماذج Ultralytics بعمليات قوية لزيادة الصور لتحسين متانة النموذج وقدرته على التعميم.

  • Amazon SageMaker: استفد من Amazon SageMaker لبناء نماذج Ultralytics وتدريبها ونشرها بكفاءة، عبر توفير منصة شاملة لدورة حياة ML.

  • AMD: درّب نماذج Ultralytics وتحقق منها وشغّلها على وحدات GPU من AMD المدعومة باستخدام PyTorch ROCm، مع توضيح توافر MIGraphX وDirectML وRyzen AI NPU.

  • ClearML: أتمت سير عمل ML الخاص بـ Ultralytics، وراقب التجارب، وعزّز التعاون بين أعضاء الفريق.

  • Comet ML: حسّن تطوير نماذجك باستخدام Ultralytics عبر تتبع تجارب التعلّم الآلي ومقارنتها وتحسينها.

  • DVC: طبّق التحكم في الإصدارات على مشاريع التعلّم الآلي الخاصة بـ Ultralytics، مع مزامنة البيانات والتعليمات البرمجية والنماذج بفعالية.

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

  • IBM Watsonx: تعرّف على كيفية تبسيط IBM Watsonx لتدريب نماذج Ultralytics وتقييمها باستخدام أدوات الذكاء الاصطناعي المتطورة، والتكامل السلس، ونظام إدارة النماذج المتقدم.

  • JupyterLab: تعرّف على كيفية استخدام بيئة JupyterLab التفاعلية والقابلة للتخصيص لتدريب نماذج Ultralytics وتقييمها بسهولة وكفاءة.

  • Kaggle: استكشف كيفية استخدام Kaggle لتدريب نماذج Ultralytics وتقييمها في بيئة سحابية تضم مكتبات مثبتة مسبقًا، ودعم GPU، ومجتمعًا نشطًا للتعاون والمشاركة.

  • Modal: شغّل نماذج Ultralytics على منصة Modal السحابية عديمة الخوادم مع توفير تلقائي لوحدات GPU، وتسعير بالثانية، وتوسّع سلس لأحمال عمل الاستدلال والتدريب.

  • MLFlow: بسّط دورة حياة ML الكاملة لنماذج Ultralytics، بدءًا من التجارب وقابلية إعادة الإنتاج ووصولًا إلى النشر.

  • Paperspace Gradient: يبسّط Paperspace Gradient العمل على مشاريع YOLO26 من خلال توفير أدوات سحابية سهلة الاستخدام لتدريب نماذجك واختبارها ونشرها بسرعة.

  • Ray Tune: حسّن المعلمات الفائقة لنماذج Ultralytics على أي نطاق.

  • TensorBoard: اعرض سير عمل ML الخاص بـ Ultralytics بصريًا، وراقب مقاييس النموذج، وعزّز التعاون بين أعضاء الفريق.

  • منصة Ultralytics: تدريب وإدارة ونشر نماذج Ultralytics في المتصفح، وتنزيل نماذج ومجموعات بيانات التدريب المسبق الرسمية.

  • VS Code: إضافة لـ VS Code توفر مقتطفات تعليمات برمجية لتسريع سير عمل تطوير Ultralytics، وتقدم أمثلة لمساعدة أي شخص على التعلّم أو البدء.

  • Weights & Biases (W&B): راقب التجارب، وتصور المقاييس، وعزّز قابلية إعادة الإنتاج والتعاون في مشاريع Ultralytics.

  • YAML2ModelGraph: أنشئ مخططات معمارية SVG جاهزة للنشر مباشرةً من ملفات إعدادات Ultralytics YOLO بصيغة YAML.

تكاملات النشر#

  • Ambarella: درّب نماذج Ultralytics YOLO وضاغطها وصدّرها لوحدات SoC من Ambarella CVflow® مثل CV72، باستخدام التدريب المراعي للضغط SpongeTorch وسلسلة أدوات CVflow غير المتصلة.

  • Axelera: استكشف مسرّعات Metis وVoyager SDK لتشغيل نماذج Ultralytics باستدلال فعّال على الحافة.

  • Core AI: تعرّف على تنسيق Apple الجديد .aimodel، وكيف تقارن Core AI بـ Core ML، وقيوده الحالية، وكيفية تصدير نماذج YOLO26 باستخدام format="coreai" لجيل iOS 27 وmacOS 27.

  • CoreML: إن CoreML، الذي طورته Apple، إطار عمل مصمم لدمج نماذج التعلّم الآلي بكفاءة في التطبيقات عبر iOS وmacOS وwatchOS وtvOS، باستخدام أجهزة Apple لتحقيق نشر النماذج بكفاءة وأمان.

  • DEEPX: صدّر نماذج Ultralytics YOLO إلى تنسيق DEEPX .dxnn لإجراء استدلال INT8 موفّر للطاقة على أجهزة NPU من DEEPX، مستهدفًا تطبيقات الذكاء الاصطناعي المضمنة وعند الحافة.

  • ExecuTorch: طوّرته Meta، وExecuTorch هو الحل الموحد لـ PyTorch لنشر نماذج Ultralytics YOLO على الأجهزة الطرفية.

  • Gradio: انشر نماذج Ultralytics باستخدام Gradio لإنشاء عروض توضيحية تفاعلية للكشف عن الأجسام في الوقت الفعلي.

  • Hailo: صدّر نماذج Ultralytics YOLO للكشف والتجزئة والتجزئة الدلالية وتقدير العمق والتصنيف والوضعية وOBB مباشرةً إلى Hailo HEF؛ راجع دليل التكامل للاطلاع على النماذج والأهداف التي تم التحقق منها.

  • Huawei Ascend: جمّع نماذج Ultralytics YOLO إلى التنسيق غير المتصل .om الخاص بـ Huawei Ascend باستخدام مُجمّع CANN ATC لإجراء استدلال FP16 على أجهزة Atlas وOrangePi AIPro.

  • Luxonis: قم بتحويل نماذج Ultralytics YOLO باستخدام Luxonis Hub أو أدوات Luxonis المحلية وتشغيلها على الأجهزة على كاميرات Luxonis OAK RVC2 و RVC4.

  • MNN: طوّرت Alibaba إطار MNN، وهو إطار فعّال وخفيف الوزن للتعلّم العميق. ويدعم استدلال نماذج التعلّم العميق وتدريبها، ويوفر أداءً رائدًا في المجال للاستدلال والتدريب على الجهاز.

  • NCNN: طوّرت Tencent إطار NCNN، وهو إطار فعّال لاستدلال الشبكات العصبية مصمم للأجهزة المحمولة. ويتيح نشر نماذج الذكاء الاصطناعي مباشرةً داخل التطبيقات، مع تحسين الأداء عبر مختلف المنصات المحمولة.

  • Neural Magic: استفد من تقنيات التدريب المراعي للتكميم (QAT) والتقليم لتحسين نماذج Ultralytics وتحقيق أداء أعلى وحجم أصغر.

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

  • OpenVINO: مجموعة أدوات Intel لتحسين نماذج الرؤية الحاسوبية ونشرها بكفاءة عبر مختلف منصات CPU وGPU من Intel.

  • PaddlePaddle: منصة مفتوحة المصدر للتعلّم العميق من Baidu، تتيح PaddlePaddle نشر نماذج الذكاء الاصطناعي بكفاءة، وتركز على قابلية توسيع نطاق التطبيقات الصناعية.

  • Qualcomm QNN: جمّع نماذج Ultralytics YOLO محليًا إلى تنسيق QNN (AI Engine Direct) الثنائي للسياق باستخدام موفر تنفيذ QNN في ONNX Runtime، لإجراء استدلال مُسرَّع على أجهزة Snapdragon CPU وAdreno GPU وHexagon NPU في الأجهزة المحمولة والطرفية.

  • Rockchip RKNN: طوّرت Rockchip إطار RKNN، وهو إطار متخصص لاستدلال الشبكات العصبية ومحسّن لمنصات أجهزة Rockchip، ولا سيما وحدات NPU فيها. ويسهّل نشر نماذج الذكاء الاصطناعي بكفاءة على الأجهزة الطرفية، مما يتيح استدلالًا عالي الأداء في التطبيقات الفورية.

  • Seeed Studio reCamera: طوّرت Seeed Studio جهاز reCamera، وهو جهاز متقدم للذكاء الاصطناعي عند الحافة مصمم لتطبيقات الرؤية الحاسوبية في الوقت الفعلي. ويعمل بمعالج SG200X القائم على RISC-V، ويوفر استدلالًا عالي الأداء للذكاء الاصطناعي بكفاءة في استهلاك الطاقة. ويجعل تصميمه المعياري وقدراته المتقدمة لمعالجة الفيديو ودعمه للنشر المرن خيارًا مثاليًا لمختلف حالات الاستخدام، بما في ذلك مراقبة السلامة والتطبيقات البيئية والتصنيع.

  • SONY IMX500: حسّن وانشر نماذج Ultralytics YOLO26 على كاميرات Raspberry Pi AI المزودة بمستشعر IMX500 لتحقيق أداء سريع ومنخفض استهلاك الطاقة.

  • TensorRT: طوّرت NVIDIA إطار الاستدلال للتعلّم العميق وتنسيق النماذج عالي الأداء هذا، الذي يحسّن نماذج الذكاء الاصطناعي لتحقيق سرعة وكفاءة معزّزتين على وحدات GPU من NVIDIA، بما يضمن نشرًا مبسّطًا.

  • TF GraphDef: طوّرت Google GraphDef، وهو تنسيق TensorFlow لتمثيل الرسوم البيانية الحسابية، مما يتيح تنفيذًا محسّنًا لنماذج التعلّم الآلي عبر أجهزة متنوعة.

  • TF SavedModel: طوّرت Google TF SavedModel، وهو تنسيق تسلسل شامل لنماذج TensorFlow، يتيح مشاركتها ونشرها بسهولة عبر مجموعة واسعة من المنصات، من الخوادم إلى الأجهزة الطرفية.

  • TFLite Edge TPU: طوّرت Google هذا التنسيق لتحسين نماذج TensorFlow Lite على وحدات Edge TPU، وهو يضمن حوسبة طرفية عالية السرعة والكفاءة.

  • LiteRT: طوّرت Google LiteRT (المعروف سابقًا باسم TensorFlow Lite)، وهو بيئة التشغيل على الجهاز لتنسيق .tflite، إذ تنشر نموذجًا واحدًا عبر الأجهزة المحمولة والمضمنة والطرفية والمتصفح (عبر LiteRT.js).

  • TorchScript: طُوّر TorchScript كجزء من إطار PyTorch، ويتيح تنفيذ نماذج التعلّم الآلي ونشرها بكفاءة في بيئات إنتاج متنوعة دون الحاجة إلى تبعيات Python.

تكاملات مجموعات البيانات#

  • Roboflow: سهّل وسم مجموعات البيانات الخاصة بنماذج Ultralytics وإدارتها، مع توفير أدوات لإضافة التعليقات التوضيحية إلى الصور.

تنسيقات التصدير#

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

التنسيقوسيط formatالنموذجالبيانات الوصفيةالوسائط
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
Apple Core AIcoreaiyolo26n.aimodel✅imgsz، batch، quantize

يفترض nms=None المخرجات الخام لـ NMS الخارجي. قم بتعيين nms=False لتحديد رأس متاح خالٍ من NMS؛ وتتراجع التنسيقات غير المدعومة إلى مسار إخراجها الأصلي. وتحدد مُدخلات nms أعلاه التنسيقات التي يمكنها تضمين NMS باستخدام nms=True.

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

ساهم في تكاملاتنا#

يسعدنا دائمًا أن نرى كيفية دمج المجتمع لـ Ultralytics YOLO مع التقنيات والأدوات والمنصات الأخرى! إذا نجحت في دمج YOLO مع نظام جديد أو لديك رؤى قيّمة لمشاركتها، فنحن ندعوك إلى المساهمة في مستندات التكاملات.

من خلال كتابة دليل أو برنامج تعليمي، يمكنك المساعدة في توسيع مستنداتنا وتقديم أمثلة واقعية تعود بالنفع على المجتمع. وهذه طريقة ممتازة للمساهمة في المنظومة المتنامية حول Ultralytics YOLO.

للمساهمة، يُرجى الاطلاع على دليل المساهمة لمعرفة كيفية إرسال طلب سحب (PR) 🛠️. ونحن نتطلع بشوق إلى مساهماتكم!

لنتعاون لجعل منظومة Ultralytics YOLO أكثر اتساعًا وغنىً بالميزات 🙏!

الأسئلة الشائعة#

  • منصة Ultralytics هي منصة سحابية مصممة لجعل سير عمل التعلّم الآلي لنماذج Ultralytics سلسًا وفعّالًا. وباستخدام هذه الأداة، يمكنك بسهولة تحميل مجموعات البيانات، وتدريب النماذج، وإجراء التتبع في الوقت الفعلي، ونشر نماذج YOLO دون الحاجة إلى مهارات واسعة في البرمجة. تعمل المنصة كمساحة عمل مركزية يمكنك من خلالها إدارة خط أنابيب ML بالكامل، بدءًا من إعداد البيانات ووصولًا إلى النشر. يمكنك استكشاف الميزات الرئيسية في صفحة منصة Ultralytics والبدء بسرعة باستخدام دليل البدء السريع.

  • نعم، يمكنك ذلك. يتيح دمج MLFlow مع نماذج Ultralytics تتبع التجارب وتحسين قابلية إعادة الإنتاج وتبسيط دورة حياة ML بالكامل. ويمكن العثور على تعليمات مفصلة لإعداد هذا التكامل في صفحة تكامل MLFlow. ويفيد هذا التكامل خصوصًا في مراقبة مقاييس النموذج، ومقارنة عمليات التدريب المختلفة، وإدارة سير عمل ML بكفاءة. يوفر MLFlow منصة مركزية لتسجيل المعلمات والمقاييس والمصنوعات، مما يسهّل فهم سلوك النموذج وإجراء تحسينات قائمة على البيانات.

  • تحسّن Neural Magic نماذج YOLO26 بالاستفادة من تقنيات مثل التدريب المراعي للتكميم (QAT) والتقليم، مما ينتج نماذج أصغر عالية الكفاءة وأفضل أداءً على الأجهزة محدودة الموارد. اطلع على صفحة تكامل Neural Magic لمعرفة كيفية تنفيذ هذه التحسينات لتحقيق أداء أعلى ونماذج أصغر. ويفيد ذلك خصوصًا في النشر على الأجهزة الطرفية حيث تكون موارد الحوسبة محدودة. ويمكن لمحرك DeepSparse من Neural Magic توفير استدلال أسرع بما يصل إلى 6 مرات على وحدات CPU، مما يتيح تشغيل نماذج معقدة دون أجهزة متخصصة.

  • لنشر نماذج Ultralytics YOLO باستخدام Gradio لإنشاء عروض توضيحية تفاعلية لـالكشف عن الأجسام، يمكنك اتباع الخطوات الموضحة في صفحة تكامل Gradio. يتيح لك Gradio إنشاء واجهات ويب سهلة الاستخدام للاستدلال بالنماذج في الوقت الفعلي، مما يجعله أداة ممتازة لعرض إمكانات نموذج YOLO بتنسيق سهل الاستخدام يناسب المطورين والمستخدمين النهائيين على حد سواء. وباستخدام بضعة أسطر من التعليمات البرمجية، يمكنك إنشاء تطبيقات تفاعلية توضح أداء نموذجك على مدخلات مخصصة، مما يسهّل فهم حلول الرؤية الحاسوبية وتقييمها.

المساهمون
GLglenn-jocher37ABabirami-vina18AMambitious-octopus6BUBurhan-Q6JEJESUSROYETH4RIRizwanMunawar4RAraimbekovm3PDpderrenger2KLklemen19991DADaisuke Majima1JAJaviChulvi1RARahulbiradar91LAlakshanthad1DEdeepx-dgkim1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

التعليقات