عمليات التكامل الخاصة بـ Ultralytics
مرحبًا بك في صفحة عمليات التكامل الخاصة بـ Ultralytics! تقدم هذه الصفحة نظرة عامة على شراكاتنا مع مختلف الأدوات والمنصات، والمصممة لتبسيط مهام تعلم الآلة الخاصة بك، وتحسين إدارة مجموعات البيانات، وتسهيل تدريب النماذج، وتمكين النشر الفعال.
Watch: Ultralytics YOLO Deployment and Integrations
عمليات تكامل التدريب
-
Albumentations: عزز نماذج Ultralytics الخاصة بك باستخدام زيادات قوية للصور لتحسين متانة النموذج وقدرته على التعميم.
-
Amazon SageMaker: استفد من Amazon SageMaker لبناء وتدريب ونشر نماذج Ultralytics بكفاءة، مما يوفر منصة متكاملة لدورة حياة تعلم الآلة.
-
ClearML: أتمتة مهام تعلم الآلة الخاصة بـ Ultralytics، ومراقبة التجارب، وتعزيز التعاون بين أعضاء الفريق.
-
Comet ML: عزز تطوير نماذجك باستخدام Ultralytics من خلال تتبع ومقارنة وتحسين تجارب تعلم الآلة الخاصة بك.
-
DVC: قم بتنفيذ التحكم في الإصدار لمشاريع تعلم الآلة الخاصة بـ Ultralytics، مع مزامنة البيانات والتعليمات البرمجية والنماذج بفعالية.
-
Google Colab: استخدم Google Colab لتدريب وتقييم نماذج Ultralytics في بيئة سحابية تدعم التعاون والمشاركة.
-
IBM Watsonx: تعرف على كيفية تبسيط IBM Watsonx لعملية تدريب وتقييم نماذج Ultralytics بفضل أدوات الذكاء الاصطناعي المتطورة، والتكامل السهل، ونظام إدارة النماذج المتقدم.
-
JupyterLab: اكتشف كيفية استخدام البيئة التفاعلية والقابلة للتخصيص في JupyterLab لتدريب وتقييم نماذج Ultralytics بكل سهولة وكفاءة.
-
Kaggle: استكشف كيفية استخدام Kaggle لتدريب وتقييم نماذج Ultralytics في بيئة سحابية مع مكتبات مثبتة مسبقًا، ودعم GPU، ومجتمع نشط للتعاون والمشاركة.
-
Modal: قم بتشغيل نماذج Ultralytics على منصة Modal السحابية بدون خادم مع توفير تلقائي لـ GPU، وتسعير بالثانية، وتوسع سلس لأعباء عمل الاستنتاج والتدريب.
-
MLFlow: تبسيط دورة حياة تعلم الآلة الكاملة لنماذج Ultralytics، بدءًا من التجريب وقابلية التكرار وصولاً إلى النشر.
-
Neptune: احتفظ بسجل شامل لتجارب تعلم الآلة الخاصة بك مع Ultralytics في مخزن البيانات الوصفية هذا المصمم لعمليات MLOps.
-
Paperspace Gradient: يبسط Paperspace Gradient العمل على مشاريع YOLO26 من خلال توفير أدوات سحابية سهلة الاستخدام لتدريب نماذجك واختبارها ونشرها بسرعة.
-
Ray Tune: تحسين المعاملات الفائقة (hyperparameters) لنماذج Ultralytics الخاصة بك على أي نطاق.
-
TensorBoard: تصور مهام تعلم الآلة الخاصة بـ Ultralytics، وراقب مقاييس النموذج، وعزز التعاون بين الفريق.
-
Ultralytics Platform: قم بالوصول إلى مجتمع نماذج Ultralytics المدربة مسبقًا وساهم فيه.
-
VS Code: إضافة لـ VS Code توفر مقتطفات برمجية لتسريع مهام 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.
عمليات تكامل النشر
-
Axelera: استكشف مسرعات Metis و Voyager SDK لتشغيل نماذج Ultralytics مع استنتاج فعال على الحافة.
-
CoreML: CoreML، الذي طورته Apple، هو إطار عمل مصمم لدمج نماذج تعلم الآلة بكفاءة في التطبيقات عبر iOS و macOS و watchOS و tvOS، باستخدام أجهزة Apple لنشر النماذج بفعالية وأمان.
-
DeepX: قم بتصدير نماذج Ultralytics YOLO إلى تنسيق DeepX
.dxnnمن أجل استنتاج INT8 موفر للطاقة على أجهزة NPU من DeepX، مستهدفًا تطبيقات الذكاء الاصطناعي المدمجة وعلى الحافة. -
ExecuTorch: تم تطوير ExecuTorch بواسطة Meta، وهو الحل الموحد من PyTorch لنشر نماذج Ultralytics YOLO على أجهزة الحافة.
-
Gradio: انشر نماذج Ultralytics باستخدام Gradio للحصول على عروض توضيحية تفاعلية لاكتشاف الكائنات في الوقت الفعلي.
-
MNN: تم تطوير MNN بواسطة Alibaba، وهو إطار عمل تعلم عميق خفيف الوزن وعالي الكفاءة. يدعم استنتاج وتدريب نماذج التعلم العميق ويتمتع بأداء رائد في الصناعة للاستنتاج والتدريب على الجهاز.
-
NCNN: تم تطوير NCNN بواسطة Tencent، وهو إطار عمل استنتاج شبكات عصبية فعال مخصص للأجهزة المحمولة. وهو 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 لتحسين نماذج Ultralytics للحصول على أداء فائق وحجم أصغر.
-
ONNX: تنسيق مفتوح المصدر أنشأته Microsoft لتسهيل نقل نماذج الذكاء الاصطناعي بين مختلف الأطر، مما يعزز تنوع نماذج Ultralytics ومرونة نشرها.
-
OpenVINO: مجموعة أدوات Intel لتحسين ونشر نماذج الرؤية الحاسوبية بكفاءة عبر مختلف منصات Intel CPU و GPU.
-
PaddlePaddle: منصة تعلم عميق مفتوحة المصدر من Baidu، تمكّن PaddlePaddle من النشر الفعال لنماذج الذكاء الاصطناعي وتركز على قابلية توسع التطبيقات الصناعية.
-
Rockchip RKNN: تم تطوير RKNN بواسطة Rockchip، وهو إطار عمل متخصص لاستنتاج الشبكات 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: تم تطوير reCamera بواسطة Seeed Studio، وهو جهاز ذكاء اصطناعي متقدم على الحافة مصمم لتطبيقات الرؤية الحاسوبية في الوقت الفعلي. وبفضل معالج SG200X القائم على RISC-V، فإنه يوفر استنتاج ذكاء اصطناعي عالي الأداء بكفاءة في استهلاك الطاقة. تصميمه المعياري، وقدرات معالجة الفيديو المتقدمة، ودعم النشر المرن تجعله 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 المزودة بمستشعر IMX500 لأداء سريع ومنخفض الطاقة.
-
TensorRT: تم تطوير إطار عمل الاستنتاج هذا بواسطة NVIDIA، وهو إطار عمل عالي الأداء لـ التعلم العميق وتنسيق للنماذج يعمل على تحسين نماذج الذكاء الاصطناعي لزيادة السرعة والكفاءة على وحدات NVIDIA GPU، مما يضمن النشر المبسط.
-
TF GraphDef: تم تطوير GraphDef بواسطة Google، وهو تنسيق TensorFlow لتمثيل رسوم بيانية للحساب، مما يتيح التنفيذ الأمثل لنماذج تعلم الآلة عبر أجهزة متنوعة.
-
TF SavedModel: تم تطوير TF SavedModel بواسطة Google، وهو تنسيق تسلسلي عالمي لنماذج TensorFlow، مما يتيح المشاركة والنشر السهل عبر مجموعة واسعة من المنصات، من الخوادم إلى أجهزة الحافة.
-
TF.js: تم تطويره بواسطة Google لتسهيل تعلم الآلة في المتصفحات و Node.js، يسمح TF.js بنشر نماذج تعلم الآلة المستندة إلى JavaScript.
-
TFLite: تم تطوير TFLite بواسطة Google، وهو إطار عمل خفيف الوزن لنشر نماذج تعلم الآلة على الأجهزة المحمولة وأجهزة الحافة، مما يضمن استنتاجًا سريعًا وفعالًا بأقل مساحة ذاكرة.
-
TFLite Edge TPU: تم تطوير تنسيق النموذج هذا بواسطة Google لتحسين نماذج TensorFlow Lite على Edge TPUs، وهو يضمن حوسبة حافة عالية السرعة وفعالة.
-
TorchScript: تم تطوير TorchScript كجزء من إطار عمل PyTorch، وهو يتيح التنفيذ والنشر الفعال لنماذج تعلم الآلة في بيئات إنتاج متنوعة دون الحاجة إلى تبعيات Python.
عمليات تكامل مجموعات البيانات
- Roboflow: تسهيل تصنيف وإدارة مجموعات البيانات لنماذج Ultralytics، مع توفير أدوات تعليق توضيحي لتصنيف الصور.
تنسيقات التصدير
نحن ندعم أيضًا مجموعة متنوعة من تنسيقات تصدير النماذج للنشر في بيئات مختلفة. فيما يلي التنسيقات المتاحة:
| التنسيق | وسيط format | النموذج | البيانات الوصفية | الوسائط |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DeepX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
استكشف الروابط لمعرفة المزيد حول كل عملية تكامل وكيفية تحقيق أقصى استفادة منها مع Ultralytics. راجع تفاصيل export الكاملة في صفحة Export.
ساهم في عمليات التكامل الخاصة بنا
نحن دائمًا متحمسون لرؤية كيف يقوم المجتمع بدمج Ultralytics YOLO مع تقنيات وأدوات ومنصات أخرى! إذا كنت قد نجحت في دمج YOLO مع نظام جديد أو 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 نتطلع بشوق إلى مساهماتكم!
دعونا نتعاون لجعل نظام Ultralytics YOLO البيئي أكثر توسعًا وغنى بالميزات 🙏!
الأسئلة الشائعة
ما هي منصة Ultralytics، وكيف تعمل على تبسيط سير عمل تعلم الآلة؟
منصة Ultralytics هي منصة سحابية مصممة لجعل مهام تعلم الآلة لنماذج Ultralytics سلسة وفعالة. باستخدام هذه الأداة، يمكنك بسهولة تحميل مجموعات البيانات، وتدريب النماذج، وإجراء التتبع في الوقت الفعلي، ونشر نماذج YOLO دون الحاجة إلى مهارات برمجة واسعة. 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 البداية السريعة.
هل 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. هذا التكامل مفيد بشكل خاص لمراقبة مقاييس النموذج، ومقارنة عمليات التدريب المختلفة، وإدارة سير عمل تعلم الآلة بكفاءة. يوفر MLFlow منصة مركزية لتسجيل المعلمات والمقاييس والبيانات، مما يسهل فهم سلوك النموذج وإجراء تحسينات تعتمد على البيانات.
ما 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 ينتج عنه نماذج أصغر وأكثر كفاءة تعمل بشكل أفضل على الأجهزة ذات الموارد المحدودة. تحقق من صفحة تكامل Neural Magic لمعرفة كيفية تنفيذ هذه التحسينات للحصول على أداء فائق ونماذج أقل حجماً. وهذا 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 CPU، مما يجعل من الممكن تشغيل نماذج معقدة دون أجهزة متخصصة.
كيف يمكنني نشر نماذج Ultralytics YOLO مع Gradio للعروض التوضيحية التفاعلية؟
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 لاستنتاج النماذج في الوقت الفعلي، مما يجعله أداة ممتازة لعرض قدرات نموذج YOLO الخاص بك بتنسيق سهل الاستخدام ومناسب لكل من المطورين والمستخدمين النهائيين. ببضعة أسطر من التعليمات البرمجية فقط، يمكنك بناء تطبيقات تفاعلية توضح أداء نموذجك على مدخلات مخصصة، مما يسهل فهم وتقييم حلول الرؤية الحاسوبية الخاصة بك بشكل أفضل.