رؤية YOLO 2026:

تكاملات Ultralytics#

مرحبًا بك في صفحة تكاملات Ultralytics! تقدم هذه صفحة نظرة عامة على شراكاتنا مع مختلف الأدوات والمنصات، والمصممة لتبسيط سير عمل التعلم الآلي الخاص بك، وتعزيز إدارة مجموعات البيانات، وتبسيط تدريب النماذج، وتسهيل نشرها بكفاءة.

Ultralytics YOLO ecosystem and integrations


Watch: Ultralytics YOLO Deployment and Integrations

تكاملات التدريب#

  • Agent Skills: اعلم وكلاء البرمجة المعتمدين على الذكاء الاصطناعي مثل Claude Code وCodex وCursor وGemini CLI مسار عمل Ultralytics YOLO الكامل باستخدام المهارات الرسمية التي تغطي مجموعات البيانات، والتدريب، والاستدلال، والتصدير.

  • Albumentations: عزز نماذج Ultralytics الخاصة بك بتعزيزات قوية للصور لتحسين متانة النموذج وقدرته على التعميم.

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

  • AMD: قم بتدريب، والتحقق من، وتشغيل نماذج Ultralytics على وحدات معالجة الرسومات المدعومة من AMD باستخدام PyTorch ROCm، مع تفصيل واضح لتوافر MIGraphX و DirectML و Ryzen AI NPU.

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

  • Comet ML: عزز تطوير نموذجك مع Ultralytics من خلال تتبع، ومقارنة، وتحسين تجارب تعلم الآلة الخاصة بك.

  • DVC: تنفيذ التحكم في الإصدار لمشاريع تعلم الآلة في 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 يبسط IBM Watsonx تدريب وتقييم نماذج Ultralytics باستخدام أدوات 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 تضم مكتبات مثبتة مسبقًا، ودعم وحدات معالجة الرسومات، ومجتمعًا نابضًا بالحياة للتعاون والمشاركة.

  • Modal: قم بتشغيل نماذج Ultralytics على منصة Modal السحابية بدون سرّات مع توفير وحدات معالجة الرسومات تلقائيًا، والتسعير حسب الثواني، والتوسع السلس لأحمال عمل الاستدلال والتدريب.

  • MLFlow: تبسيط دورة حياة تعلم الآلة الكاملة لنماذج Ultralytics، بدءًا من التجريب وقابلية التكرار وحتى النشر.

  • Paperspace Gradient: يسهل Paperspace Gradient العمل على مشاريع YOLO26 من خلال توفير أدوات سحابية سهلة الاستخدام للتدريب، والاختبار، ونشر نماذجك بسرعة.

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

  • TensorBoard: تصور سير عمل تعلم الآلة في Ultralytics، ومراقبة مقاييس النموذج، وتعزيز تعاون الفريق.

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

  • VS Code: امتداد لـ VS Code يوفر مقاطع تعليمية برمجية لتسريع سير عمل تطوير Ultralytics ويقدم أمثلة لمساعدة أي شخص على التعلم أو البدء.

  • Weights & Biases (W&B): مراقبة التجارب، وتصور المقاييس، وتعزيز قابلية التكرار 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.

  • Axelera: استكشف مسرعات Metis و Voyager SDK لتشغيل نماذج Ultralytics باستدلال فعال على الحافة.

  • Core AI: تعرف على تنسيق .aimodel الجديد من Apple، وكيفية مقارنة Core AI بـ Core ML، وقيودها الحالية، وكيفية تصدير نماذج YOLO26 باستخدام format="coreai" لجيل iOS 27 وmacOS 27.

  • CoreML: CoreML، الذي طوّرته 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 بفعالية وأمان.

  • DEEPX: تصدير نماذج Ultralytics YOLO إلى تنسيق DEEPX .dxnn لاستدلال INT8 الموفر للطاقة على أجهزة DEEPX NPU، مستهدفًا تطبيقات الذكاء الاصطناعي المضمنة وعلى الحافة.

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

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

  • Hailo: تصدير نماذج Ultralytics YOLO للكشف، والتجزئة، والتجزئة الدلالية، وتقدير العمق، والتصنيف، ووضعيات الحركة، وOBB مباشرة إلى Hailo HEF؛ راجع دليل التكامل للاطلاع على النماذج والأهداف المُعتمدة.

  • Huawei Ascend: تجميع نماذج Ultralytics YOLO إلى تنسيق Huawei Ascend .om غير المتصل باستخدام مترجم CANN ATC لاستدلال FP16 على أجهزة Atlas و OrangePi AIPro.

  • MNN: طوّره Alibaba، وMNN هو إطار عمل للتعلم العميق عالي الكفاءة وخفيف الوزن. يدعم الاستدلال والتدريب لنماذج التعلم العميق ويتمتع بأداء رائد في الصناعة للاستدلال والتدريب على الجهاز.

  • NCNN: طوّره Tencent، وNCNN هو إطار عمل فعال لاستدلال الشبكات العصبية مخصص للأجهزة المحمولة. يمكن من نشر نماذج الذكاء الاصطناعي مباشرة في التطبيقات، مما يحسن الأداء عبر مختلف المنصات المحمولة.

  • Neural Magic: استغل التدريب الواعي بالتكميم (QAT) وتقنيات التقليم لتحسين نماذج Ultralytics للحصول على أداء فائقة وحجم أصغر.

  • ONNX: تنسيق مفتوح المصدر تم إنشاؤه بواسطة Microsoft لتسهيل نقل نماذج الذكاء الاصطناعي بين الأطر المختلفة، مما يعزز تنوع نماذج Ultralytics ومرونة نشرها.

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

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

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

  • Rockchip RKNN: طوّره Rockchip، وRKNN هو إطار عمل متخصص لاستدلال الشبكات العصبية مُحسّن لمنصات أجهزة Rockchip، لا سيما وحدات NPU الخاصة بها. يسهل النشر الفعال لنماذج الذكاء الاصطناعي على أجهزة الحافة، مما يتيح استدلال عالي الأداء في التطبيقات الفورية.

  • Seeed Studio reCamera: طوّرتها Seeed Studio، وreCamera هو جهاز ذكاء اصطناعي متقدم للحافة مصمم لتطبيقات رؤية الكمبيوتر في الوقت الفعلي. مدعومًا بمعالج SG200X القائم على RISC-V، فإنه يوفر استدلالًا عالي الأداء للذكاء الاصطناعي مع كفاءة في استهلاك الطاقة. يجعلها تصميمها المعياري، وإمكانيات معالجة الفيديو المتقدمة، ودعمها للنشر المرن خيارًا مثاليًا لمختلف حالات الاستخدام، بما في ذلك مراقبة السلامة، التطبيقات البيئية، والتصنيع.

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

  • TensorRT: طوّره NVIDIA، وهو إطار عمل لاستدلال التعلم العميق عالي الأداء وتنسيق نماذج يعمل على تحسين نماذج الذكاء الاصطناعي للسرعة والكفاءة المُسارعتين على وحدات معالجة الرسومات NVIDIA، مما يضمن نشرًا مبسطًا.

  • TF GraphDef: طوّره Google، وGraphDef هو تنسيق TensorFlow لتمثيل رسوم الحوسبة البيانية، مما يتيح التنفيذ المُحسّن لنماذج التعلم الآلي عبر الأجهزة المتنوعة.

  • TF SavedModel: طوّره Google، وTF SavedModel هو تنسيق تسلسل عام لنماذج TensorFlow، مما يتيح المشاركة والنشر السهل عبر مجموعة واسعة من المنصات، من الخوادم إلى الأجهزة الطرفية.

  • TFLite Edge TPU: طوّره Google لتحسين نماذج TensorFlow Lite على وحدات Edge TPU، يضمن تنسيق النموذج هذا حوسبة حافة عالية السرعة والكفاءة.

  • LiteRT: طوّره Google، وLiteRT (المعروف سابقًا باسم TensorFlow Lite) هو وقت تشغيل على الجهاز لتنسيق .tflite، حيث يقوم بنشر نموذج واحد عبر الأجهزة المحمولة، والمضمنة، والحافة، والمتصفح (عبر LiteRT.js).

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

تكاملات مجموعات البيانات#

  • Roboflow: تسهيل وسم وإدارة مجموعات البيانات لنماذج Ultralytics، وتوفير أدوات توضيح لوسم 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
Apple Core AIcoreaiyolo26n.aimodel✅imgsz، batch، quantize

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

ساهم في تكاملاتنا#

نحن متحمسون دائمًا لنرى 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 التكاملات 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 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 سلسًا وفعالًا. 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 كمساحة عمل مركزية حيث يمكنك إدارة خط پایپلاين تعلم الآلة 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 قابلية التكرار، وتبسيط دورة حياة تعلم الآلة بأكملها. يمكن العثور على إرشادات مفصلة لإعداد هذا التكامل على صفحة تكامل MLFlow. هذا التكامل مفيد بشكل خاص لمراقبة مقاييس النماذج، ومقارنة عمليات التدريب المختلفة، وإدارة سير عمل تعلم الآلة بكفاءة. يوفر MLFlow منصة مركزية لتسجيل المعلمات، والمقاييس، والعناصر، مما يسهل فهم سلوك النموذج وإجرا تحسينات مدفوعة بالبيانات.

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

  • لنشر نماذج Ultralytics YOLO مع Gradio لعروض توضيحية تفاعلية لاكتشاف الكائنات، يمكنك اتباع الخطوات الموضحة على صفحة تكامل Gradio. يتيح لك Gradio إنشاء واجهات ويب سهلة الاستخدام للاستدلال بالنموذج في الوقت الفعلي، مما يجعله أداة ممتازة لعرض قدرات نموذج YOLO الخاص بك بتنسيق سهل الاستخدام ومناسب لكل من المطورين والمستخدمين النهائيين. باستخدام بضعة أسطر فقط من التعليمات البرمجية، يمكنك بناء تطبيقات تفاعلية توضح أداء نموذجك على مدخلات مخصصة، مما يسهل فهم وتقييم حلول رؤية الكمبيوتر الخاصة بك.

المساهمون
GLglenn-jocher36ABabirami-vina18AMambitious-octopus6BUBurhan-Q6JEJESUSROYETH4RIRizwanMunawar4RAraimbekovm3PDpderrenger2DADaisuke Majima1JAJaviChulvi1RARahulbiradar91LAlakshanthad1DEdeepx-dgkim1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

التعليقات