Meet YOLO26: next-gen vision AI.

Link to this sectionتكاملات Ultralytics#

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

Ultralytics YOLO ecosystem and integrations


Watch: Ultralytics YOLO Deployment and Integrations

Link to this sectionتكاملات التدريب#

  • Albumentations: عزز نماذج Ultralytics الخاصة بك باستخدام تقنيات قوية لزيادة البيانات (augmentations) لتحسين متانة النموذج وقدرته على التعميم.

  • Amazon SageMaker: استفد من Amazon SageMaker لبناء وتدريب ونشر نماذج Ultralytics بكفاءة، مما يوفر منصة شاملة لدورة حياة تعلم الآلة (ML).

  • ClearML: أتمتة سير عمل تعلم الآلة (ML) في Ultralytics، ومراقبة التجارب، وتعزيز تعاون الفريق.

  • Comet ML: حسّن تطوير نماذجك باستخدام Ultralytics من خلال تتبع تجارب تعلم الآلة ومقارنتها وتحسينها.

  • DVC: طبّق التحكم في الإصدار لمشاريع تعلم الآلة الخاصة بك في Ultralytics، وقم بمزامنة البيانات والأكواد والنماذج بفعالية.

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

  • IBM Watsonx: اكتشف كيف تعمل IBM Watsonx على تبسيط تدريب وتقييم نماذج Ultralytics بفضل أدوات الذكاء الاصطناعي المتطورة، والتكامل السلس، ونظام متقدم لإدارة النماذج.

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

  • Kaggle: استكشف كيف يمكنك استخدام Kaggle لتدريب وتقييم نماذج Ultralytics في بيئة سحابية مع مكتبات مثبتة مسبقًا، ودعم GPU، ومجتمع حيوي للتعاون والمشاركة.

  • Modal: قم بتشغيل نماذج Ultralytics على منصة Modal السحابية بدون خادم (serverless) مع توفير تلقائي لـ GPU، ونظام دفع حسب الثانية، وقابلية توسع سلسة لأعباء عمل الاستنتاج والتدريب.

  • MLFlow: بسّط دورة حياة تعلم الآلة بالكامل لنماذج Ultralytics، بدءًا من التجريب وقابلية التكرار وصولاً إلى النشر.

  • Neptune: احتفظ بسجل شامل لتجارب تعلم الآلة (ML) الخاصة بك مع Ultralytics في مخزن البيانات الوصفية هذا المصمم لـ MLOps.

  • 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 (hyperparameters) لنماذج Ultralytics الخاصة بك على أي نطاق.

  • TensorBoard: قم بتصور سير عمل تعلم الآلة (ML) الخاص بـ Ultralytics، وراقب مقاييس النموذج، وعزز تعاون الفريق.

  • منصة Ultralytics: قم بالوصول إلى مجتمع من نماذج Ultralytics المدربة مسبقًا والمساهمة فيه.

  • VS Code: إضافة لـ VS Code توفر قصاصات برمجية لتسريع سير عمل تطوير Ultralytics وتقدم أمثلة لمساعدة أي شخص على التعلم أو البدء.

  • Weights & Biases (W&B): راقب التجارب، وقم بتصور المقاييس، وعزز قابلية التكرار والتعاون في مشاريع Ultralytics.

Link to this sectionتكاملات النشر#

  • Axelera: استكشف مسرعات Metis و Voyager SDK لتشغيل نماذج Ultralytics مع استنتاج فعال على الحافة (edge inference).

  • CoreML: هو إطار عمل طورته Apple، مصمم لدمج نماذج تعلم الآلة بكفاءة في التطبيقات عبر iOS و macOS و watchOS و tvOS، باستخدام أجهزة Apple لنشر النماذج بشكل فعال وآمن.

  • DEEPX: صدّر نماذج Ultralytics YOLO إلى تنسيق DEEPX .dxnn من أجل استنتاج INT8 موفر للطاقة على أجهزة DEEPX NPU، مستهدفًا تطبيقات الذكاء الاصطناعي المدمجة وعلى الحافة.

  • ExecuTorch: طورتها Meta، ExecuTorch هو حل PyTorch الموحد لنشر نماذج Ultralytics YOLO على أجهزة الحافة.

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

  • Hailo: حوّل نماذج اكتشاف Ultralytics YOLO من ONNX إلى Hailo HEF باستخدام مجمع التدفق (Dataflow Compiler) الخارجي من Hailo لأجهزة Hailo-8 و Hailo-8L و Raspberry Pi AI Kit و Hailo-15.

  • MNN: طورتها Alibaba، MNN هو إطار عمل تعلم عميق خفيف الوزن وعالي الكفاءة. يدعم الاستنتاج والتدريب لنماذج التعلم العميق ويتمتع بأداء رائد في الصناعة للاستنتاج والتدريب على الأجهزة.

  • NCNN: طورتها Tencent، NCNN هو إطار عمل استنتاج للشبكات العصبية فعال ومصمم خصيصًا للأجهزة المحمولة. فهو يتيح النشر المباشر لنماذج الذكاء الاصطناعي في التطبيقات، مما يحسن الأداء عبر مختلف المنصات المحمولة.

  • Neural Magic: استفد من تقنيات التدريب الواعي بالتكميم (QAT) والتقليم (pruning) لتحسين نماذج Ultralytics للحصول على أداء فائق وحجم أصغر.

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

  • OpenVINO: مجموعة أدوات من Intel لتحسين ونشر نماذج الرؤية الحاسوبية بكفاءة عبر منصات Intel CPU و GPU المختلفة.

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

  • Qualcomm QNN: قم بتجميع نماذج Ultralytics YOLO محليًا إلى تنسيق QNN (AI Engine Direct) context-binary باستخدام مزود تنفيذ ONNX Runtime QNN للاستنتاج المتسارع على أجهزة Snapdragon CPU و Adreno GPU و Hexagon NPU في الأجهزة المحمولة وأجهزة الحافة.

  • Rockchip RKNN: طورتها Rockchip، RKNN هو إطار عمل استنتاج متخصص للشبكات العصبية تم تحسينه لمنصات أجهزة Rockchip، وخاصة وحدات NPU الخاصة بها. وهو يسهل النشر الفعال لنماذج الذكاء الاصطناعي على أجهزة الحافة، مما يتيح استنتاجًا عالي الأداء في التطبيقات في الوقت الفعلي.

  • Seeed Studio reCamera: طورتها Seeed Studio، reCamera هو جهاز ذكاء اصطناعي متطور للحافة مصمم لتطبيقات الرؤية الحاسوبية في الوقت الفعلي. مدعوم بمعالج SG200X القائم على RISC-V، فهو يوفر استنتاجًا عالي الأداء للذكاء الاصطناعي مع كفاءة في استهلاك الطاقة. تصميمه المعياري، وقدرات معالجة الفيديو المتقدمة، ودعم النشر المرن يجعله خيارًا مثاليًا لمختلف حالات الاستخدام، بما في ذلك مراقبة السلامة، والتطبيقات البيئية، والتصنيع.

  • SONY IMX500: قم بتحسين ونشر نماذج Ultralytics YOLO26 على كاميرات Raspberry Pi AI باستخدام مستشعر IMX500 للحصول على أداء سريع ومنخفض الطاقة.

  • TensorRT: طورتها NVIDIA، إطار عمل الاستنتاج للتعلم العميق عالي الأداء هذا وتنسيق النموذج يعملان على تحسين نماذج الذكاء الاصطناعي لزيادة السرعة والكفاءة على وحدات GPU من NVIDIA، مما يضمن نشرًا مبسطًا.

  • TF GraphDef: طورتها Google، GraphDef هو تنسيق TensorFlow لتمثيل رسوم بيانية للحسابات، مما يتيح التنفيذ الأمثل لنماذج تعلم الآلة عبر أجهزة متنوعة.

  • TF SavedModel: طورتها Google، TF SavedModel هو تنسيق تسلسل عالمي لنماذج TensorFlow، مما يتيح المشاركة والنشر السهل عبر مجموعة واسعة من المنصات، من الخوادم إلى أجهزة الحافة.

  • TF.js: طورتها Google لتسهيل تعلم الآلة في المتصفحات و Node.js، تسمح TF.js بنشر نماذج تعلم الآلة المعتمدة على JavaScript.

  • TFLite: طورتها Google، TFLite هو إطار عمل خفيف الوزن لنشر نماذج تعلم الآلة على الأجهزة المحمولة وأجهزة الحافة، مما يضمن استنتاجًا سريعًا وفعالًا بأقل مساحة ذاكرة.

  • TFLite Edge TPU: طورتها Google لتحسين نماذج TensorFlow Lite على Edge TPUs، يضمن تنسيق النموذج هذا حوسبة حافة عالية السرعة وفعالة.

  • TorchScript: تم تطويره كجزء من إطار عمل PyTorch، يتيح TorchScript التنفيذ والنشر الفعال لنماذج تعلم الآلة في بيئات إنتاج مختلفة دون الحاجة إلى تبعيات Python.

Link to this sectionتكاملات مجموعات البيانات#

  • Roboflow: تسهيل تصنيف وإدارة مجموعات البيانات لنماذج Ultralytics، مع توفير أدوات تعليق توضيحي لتسمية الصور.

Link to this sectionتنسيقات 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, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Litetfliteyolo26n.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, int8, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, int8, data, fraction, device

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

Link to this sectionساهم في تكاملاتنا#

نحن متحمسون دائمًا لرؤية كيف يقوم المجتمع بدمج Ultralytics YOLO مع تقنيات وأدوات ومنصات أخرى! إذا كنت قد قمت بدمج YOLO بنجاح مع نظام جديد أو كان لديك رؤى قيمة لمشاركتها، ففكر في المساهمة في وثائق 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 الخاص بنا للحصول على تعليمات حول كيفية إرسال طلب سحب (PR) 🛠️. نحن ننتظر مساهماتكم بفارغ الصبر!

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

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي منصة Ultralytics، وكيف تعمل على تبسيط سير عمل تعلم الآلة (ML)؟#

منصة Ultralytics هي منصة سحابية مصممة لجعل سير عمل تعلم الآلة لنماذج Ultralytics سلسًا وفعالًا. باستخدام هذه الأداة، يمكنك بسهولة تحميل مجموعات البيانات، وتدريب النماذج، وإجراء تتبع في الوقت الفعلي، ونشر نماذج YOLO دون الحاجة إلى مهارات برمجة واسعة النطاق. تعمل المنصة كمساحة عمل مركزية حيث يمكنك إدارة خط أنابيب تعلم الآلة بالكامل من إعداد البيانات إلى النشر. يمكنك استكشاف الميزات الرئيسية على صفحة منصة Ultralytics والبدء بسرعة باستخدام دليل البدء السريع الخاص بنا.

Link to this sectionهل يمكنني تتبع أداء نماذج Ultralytics الخاصة بي باستخدام MLFlow؟#

نعم، يمكنك ذلك. يتيح لك دمج MLFlow مع نماذج Ultralytics تتبع التجارب، وتحسين قابلية التكرار، وتبسيط دورة حياة تعلم الآلة بالكامل. يمكن العثور على تعليمات مفصلة لإعداد هذا التكامل في صفحة تكامل MLFlow. يعد هذا التكامل مفيدًا بشكل خاص لمراقبة مقاييس النموذج، ومقارنة عمليات التدريب المختلفة، وإدارة سير عمل تعلم الآلة بكفاءة. يوفر MLFlow منصة مركزية لتسجيل المعلمات والمقاييس والأصول، مما يسهل فهم سلوك النموذج وإجراء تحسينات قائمة على البيانات.

Link to this sectionما هي فوائد استخدام Neural Magic لتحسين نموذج YOLO26؟#

Neural Magic يعمل على تحسين نماذج YOLO26 من خلال الاستفادة من تقنيات مثل التدريب الواعي بالتكميم (QAT) والتقليم، مما يؤدي إلى نماذج عالية الكفاءة وأصغر حجمًا تعمل بشكل أفضل على الأجهزة محدودة الموارد. تحقق من صفحة تكامل Neural Magic لمعرفة كيفية تنفيذ هذه التحسينات للحصول على أداء فائق ونماذج أصغر حجمًا. هذا مفيد بشكل خاص للنشر على أجهزة الحافة حيث تكون الموارد الحسابية مقيدة. يمكن لمحرك DeepSparse الخاص بـ Neural Magic تقديم استنتاج أسرع بما يصل إلى 6 مرات على وحدات المعالجة المركزية، مما يجعل من الممكن تشغيل نماذج معقدة دون أجهزة متخصصة.

Link to this sectionكيف يمكنني نشر نماذج Ultralytics YOLO مع Gradio للعروض التوضيحية التفاعلية؟#

لنشر نماذج Ultralytics YOLO مع Gradio لعروض توضيحية تفاعلية لاكتشاف الكائنات، يمكنك اتباع الخطوات الموضحة في صفحة تكامل Gradio. يسمح لك Gradio بإنشاء واجهات ويب سهلة الاستخدام لاستنتاج النماذج في الوقت الفعلي، مما يجعله أداة ممتازة لعرض قدرات نموذج YOLO الخاص بك في تنسيق سهل الاستخدام ومناسب للمطورين والمستخدمين النهائيين على حد سواء. باستخدام بضعة أسطر فقط من الكود، يمكنك بناء تطبيقات تفاعلية توضح أداء نموذجك على مدخلات مخصصة، مما يسهل فهم وتقييم حلول الرؤية الحاسوبية الخاصة بك بشكل أفضل.

المساهمون
GLglenn-jocher29ABabirami-vina18BUBurhan-Q6AMambitious-octopus5RIRizwanMunawar4DEdeepx-dgkim1RAraimbekovm1PDpderrenger1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

التعليقات