تكاملات Ultralytics#
مرحبًا بكم في صفحة تكاملات Ultralytics! تعرض هذه الصفحة لمحة عامة عن شراكاتنا مع مجموعة متنوعة من الأدوات والمنصات، المصممة لتبسيط سير عمل تعلّم الآلة، وتحسين إدارة مجموعات البيانات، وتسهيل تدريب النماذج، وتعزيز كفاءة النشر.
شاهد: نشر Ultralytics YOLO والتكاملات
تكاملات التدريب#
-
مهارات الوكلاء: علّم 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 باستخدام تحسينات صور قوية لرفع متانة النماذج وقدرتها على التعميم.
-
Amazon SageMaker: استفد من Amazon SageMaker لبناء نماذج Ultralytics وتدريبها ونشرها بكفاءة، عبر منصة متكاملة لدورة حياة تعلم الآلة.
-
ClearML: أتمت سير عمل تعلم الآلة في Ultralytics، وراقب التجارب، وعزّز التعاون بين أعضاء الفريق.
-
Comet ML: عزّز تطوير النماذج باستخدام Ultralytics من خلال تتبّع تجارب تعلّم الآلة ومقارنتها وتحسينها.
-
DVC: طبّق التحكم في الإصدارات على مشاريع تعلّم الآلة باستخدام Ultralytics، مع مزامنة البيانات والشفرة والنماذج بفاعلية.
-
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، بفضل 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 مثبّتة مسبقًا ودعمًا لوحدات GPU ومجتمعًا نشطًا للتعاون والمشاركة.
-
Modal: شغّل نماذج Ultralytics على منصة Modal السحابية بلا خوادم، مع توفير وحدات GPU تلقائيًا وتسعير بحسب الثانية وتوسّع سلس لأحمال الاستدلال والتدريب.
-
MLFlow: بسّط دورة حياة تعلم الآلة الكاملة لنماذج Ultralytics، من التجريب وإمكانية إعادة الإنتاج إلى النشر.
-
Paperspace Gradient: يسهّل 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 بأي نطاق.
-
TensorBoard: اعرض سير عمل تعلم الآلة في Ultralytics بصريًا، وراقب مقاييس النماذج، وعزّز التعاون بين أعضاء الفريق.
-
منصة Ultralytics: درّب نماذج Ultralytics وأدِرها وانشرها عبر المتصفح، ونزّل النماذج ومجموعات البيانات الرسمية المدرّبة مسبقًا.
-
VS Code: إضافة إلى VS Code توفر مقاطع شفرة لتسريع سير عمل تطوير Ultralytics، وتقدم أمثلة تساعد الجميع على التعلم أو البدء.
-
Weights & Biases (W&B): راقب التجارب، واعرض المقاييس بصريًا، وعزّز إمكانية إعادة الإنتاج والتعاون في مشاريع Ultralytics.
-
YAML2ModelGraph: أنشئ مخططات بنية بصيغة SVG جاهزة للنشر مباشرةً من ملفات تهيئة Ultralytics YOLO بصيغة YAML.
تكاملات النشر#
-
Ambarella: درّب نماذج Ultralytics YOLO وضغطها وتصديرها لتعمل على أنظمة Ambarella CVflow® على شريحة، مثل CV72، باستخدام التدريب الواعي بالضغط SpongeTorch وسلسلة أدوات CVflow غير المتصلة.
-
AMD: صدّر Ultralytics YOLO إلى ONNX وشغّل الاستدلال المسرّع بوحدات GPU على AMD Instinct وRadeon عبر موفّر التنفيذ ONNX Runtime MIGraphX على ROCm، مع دعم التدريب الأصلي باستخدام PyTorch ROCm أيضًا.
-
AMD Xilinx: صدّر Ultralytics YOLO باستخدام
format="xilinx"لوحدات NPU في AMD Versal AI Edge Series Gen 2 بالاستعانة بـAMD Quark وVitis AI، مع دليل لأجهزة Zynq وKria وVersal، ومسرّعات DPU مقابل NPU، ودعم مشغّلات YOLO. -
Axelera: استكشف مسرّعات Metis وHUB SDK من Voyager لتشغيل نماذج Ultralytics مع استدلال فعال على الأجهزة الطرفية.
-
Core AI: تعرّف على تنسيق Apple الجديد
.aimodel، وكيف تقارن Core AI بـ Core ML، وقيودها الحالية، وكيفية تصدير نماذج YOLO26 باستخدامformat="coreai"لجيل iOS 27 وmacOS 27. -
CoreML: CoreML، الذي طوّرته Apple، هو إطار عمل صُمّم لدمج نماذج تعلّم الآلة بكفاءة في التطبيقات على iOS وmacOS وwatchOS وtvOS، باستخدام أجهزة Apple لتحقيق نشر النماذج بفاعلية وأمان.
-
DEEPX: صدّر نماذج Ultralytics YOLO إلى تنسيق
.dxnnالخاص بـ DEEPX لتنفيذ استدلال INT8 موفّر للطاقة على أجهزة DEEPX NPU، لاستهداف تطبيقات الذكاء الاصطناعي المضمنة والطرفية. -
ExecuTorch: طوّرته Meta، ويمثل ExecuTorch الحل الموحد من 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 تنسيق
.omغير المتصل الخاص بـ Huawei Ascend باستخدام مُجمّع CANN ATC لاستدلال FP16 على أجهزة Atlas وOrangePi AIPro. -
Luxonis: حوّل نماذج Ultralytics YOLO باستخدام Luxonis Hub أو أدوات Luxonis المحلية، وشغّلها على الجهاز في كاميرات Luxonis OAK
RVC2وRVC4. -
MNN: طوّرته Alibaba، وMNN إطار عمل للتعلّم العميق عالي الكفاءة وخفيف الوزن. وهو يدعم استدلال نماذج التعلّم العميق وتدريبها، ويحقق أداءً رائدًا في المجال للاستدلال والتدريب على الجهاز.
-
NCNN: طوّرته Tencent، وNCNN إطار عمل فعال لاستدلال الشبكات العصبية مصمم للأجهزة المحمولة. يتيح نشر نماذج الذكاء الاصطناعي مباشرةً في التطبيقات، مع تحسين الأداء عبر منصات محمولة متعددة.
-
Neural Magic: استفد من التدريب الواعي بالتكميم (QAT) وتقنيات التقليم لتحسين نماذج Ultralytics، بما يحقق أداءً أفضل وحجمًا أصغر.
-
ONNX: تنسيق مفتوح المصدر أنشأته Microsoft لتسهيل نقل نماذج الذكاء الاصطناعي بين أطر عمل مختلفة، مما يعزز تعدد استخدامات نماذج Ultralytics ومرونة نشرها.
-
OpenVINO: مجموعة أدوات Intel لتحسين نماذج الرؤية الحاسوبية ونشرها بكفاءة عبر منصات Intel CPU وGPU المختلفة.
-
PaddlePaddle: منصة مفتوحة المصدر للتعلّم العميق من Baidu، تتيح PaddlePaddle نشر نماذج الذكاء الاصطناعي بكفاءة، وتركّز على قابلية التوسع في التطبيقات الصناعية.
-
Qualcomm QNN: جمّع نماذج Ultralytics YOLO محليًا إلى تنسيق السياق الثنائي QNN (AI Engine Direct) باستخدام موفّر التنفيذ QNN في ONNX Runtime، لتسريع الاستدلال على أجهزة Snapdragon CPU وAdreno GPU وHexagon NPU في الأجهزة المحمولة والطرفية.
-
Rockchip RKNN: طوّرته Rockchip، وRKNN إطار عمل متخصص لاستدلال الشبكات العصبية، محسّن لمنصات أجهزة Rockchip، ولا سيما وحدات NPU فيها. يسهّل نشر نماذج الذكاء الاصطناعي بكفاءة على الأجهزة الطرفية، ما يتيح استدلالًا عالي الأداء في التطبيقات الفورية.
-
Seeed Studio reCamera: طوّرت Seeed Studio جهاز reCamera، وهو جهاز متقدم للذكاء الاصطناعي الطرفي مصمم لتطبيقات الرؤية الحاسوبية في الزمن الحقيقي. ويعمل بمعالج SG200X القائم على RISC-V، ويوفر استدلالًا عالي الأداء للذكاء الاصطناعي بكفاءة في استهلاك الطاقة. ويجعل تصميمه المعياري، وقدراته المتقدمة على معالجة الفيديو، ودعمه للنشر المرن منه خيارًا مثاليًا لحالات استخدام متنوعة، بما في ذلك مراقبة السلامة والتطبيقات البيئية والتصنيع.
-
SONY IMX500: حسّن نماذج Ultralytics YOLO26 وانشرها على كاميرات Raspberry Pi AI المزودة بمستشعر IMX500 للحصول على أداء سريع ومنخفض استهلاك الطاقة.
-
TensorRT: طوّرت NVIDIA هذا الإطار عالي الأداء للاستدلال في مجال التعلّم العميق وتنسيق النماذج، وهو يحسّن نماذج الذكاء الاصطناعي لزيادة السرعة والكفاءة على وحدات GPU من NVIDIA، بما يضمن سلاسة النشر.
-
TF GraphDef: طوّرت Google تنسيق GraphDef لتمثيل مخططات الحساب في TensorFlow، ما يتيح تنفيذ نماذج تعلّم الآلة على نحو محسّن عبر أجهزة متنوعة.
-
TF SavedModel: طوّرت Google تنسيق TF SavedModel، وهو تنسيق تسلسلي 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، تتيح نشر نموذج واحد على الأجهزة المحمولة والمضمنة والطرفية وفي المتصفح (عبر LiteRT.js). -
TorchScript: طُوّر TorchScript ضمن إطار عمل PyTorch، ويتيح تنفيذ نماذج تعلّم الآلة ونشرها بكفاءة في بيئات إنتاج متنوعة دون الحاجة إلى تبعيات Python.
تكاملات مجموعات البيانات#
- Roboflow: سهّل وسم مجموعات البيانات وإدارتها لنماذج Ultralytics، باستخدام أدوات التعليق التوضيحي لوسم الصور.
تنسيقات التصدير#
ندعم أيضًا مجموعة متنوعة من تنسيقات تصدير النماذج لنشرها في بيئات مختلفة. فيما يلي التنسيقات المتاحة:
| التنسيق | وسيط format | النموذج | البيانات الوصفية | الوسيطات |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, quantize, dynamic, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, quantize, dynamic, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, quantize, nms, batch, device |
| Apple Core AI | coreai | yolo26n.aimodel | ✅ | imgsz, batch, quantize |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, quantize, opset, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, opset, batch, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, quantize, opset, data, fraction, device |
| LiteRT | litert | yolo26n.tflite | ✅ | imgsz, quantize, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, dynamic, quantize, simplify, opset, nms, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, quantize, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, quantize, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, quantize, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, quantize, simplify, opset, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn.onnx | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| Hailo | hailo | yolo26n_hailo_model/ | ✅ | imgsz, name, quantize, data, fraction, simplify, conf, iou, device |
| Huawei Ascend | ascend | yolo26n_ascend_model/ | ✅ | imgsz, batch, name, quantize, opset, simplify, nms, device |
| AMD Xilinx | xilinx | yolo26n_xilinx_model/ | ✅ | imgsz, name, quantize, data, fraction, opset, simplify, device |
يعتمد nms=None على المخرجات الأولية لإجراء NMS خارجي. اضبط nms=False لتحديد رأس متاح خالٍ من NMS؛ وتعود التنسيقات غير المدعومة إلى مسار المخرجات الأصلي الخاص بها. تحدد إدخالات nms أعلاه التنسيقات التي يمكنها تضمين NMS باستخدام nms=True.
استكشف الروابط لمعرفة المزيد عن كل تكامل وكيفية الاستفادة القصوى منه مع Ultralytics. راجع التفاصيل الكاملة لـ export في صفحة التصدير.
ساهم في تكاملاتنا#
يسعدنا دائمًا أن نرى كيف يدمج المجتمع Ultralytics YOLO مع تقنيات وأدوات ومنصات أخرى! إذا نجحت في دمج YOLO مع نظام جديد أو كانت لديك رؤى قيّمة لمشاركتها، فننصحك بالمساهمة في مستندات التكامل.
يمكنك المساعدة في توسيع وثائقنا وتقديم أمثلة واقعية تعود بالنفع على المجتمع من خلال كتابة دليل أو برنامج تعليمي. وهذه طريقة ممتازة للمساهمة في منظومة Ultralytics YOLO المتنامية.
للمساهمة، يُرجى الاطلاع على دليل المساهمة لمعرفة كيفية إرسال طلب سحب (PR) 🛠️. نتطلع بشوق إلى مساهماتكم!
لنتعاون على توسيع منظومة Ultralytics YOLO وإثرائها بالمزيد من الميزات 🙏!
الأسئلة الشائعة#
منصة Ultralytics منصة سحابية مصممة لجعل سير عمل تعلّم الآلة لنماذج Ultralytics سلسًا وفعالًا. باستخدام هذه الأداة، يمكنك بسهولة رفع مجموعات البيانات وتدريب النماذج وإجراء التتبع الفوري ونشر نماذج YOLO دون الحاجة إلى مهارات برمجية متقدمة. وتعمل المنصة مساحة عمل مركزية تتيح لك إدارة مسار عمل تعلم الآلة بأكمله، بدءًا من إعداد البيانات وحتى النشر. يمكنك استكشاف الميزات الرئيسية في صفحة منصة Ultralytics والبدء سريعًا باستخدام دليل البدء السريع.
نعم، يمكنك ذلك. يتيح دمج MLFlow مع نماذج Ultralytics تتبّع التجارب وتحسين إمكانية إعادة الإنتاج وتبسيط دورة حياة تعلم الآلة بأكملها. تتوفر تعليمات مفصلة لإعداد هذا التكامل في صفحة تكامل MLFlow. ويفيد هذا التكامل خصوصًا في مراقبة مقاييس النماذج ومقارنة عمليات التدريب المختلفة وإدارة سير عمل تعلم الآلة بكفاءة. توفر MLFlow منصة مركزية لتسجيل المعلمات والمقاييس والآثار، مما يسهل فهم سلوك النماذج وإجراء تحسينات مستندة إلى البيانات.
تحسّن Neural Magic نماذج YOLO26 بالاستفادة من تقنيات مثل التدريب الواعي بالتكميم (QAT) والتقليم، ما ينتج عنه نماذج أصغر وأكثر كفاءة وأفضل أداءً على الأجهزة محدودة الموارد. راجع صفحة تكامل Neural Magic لمعرفة كيفية تطبيق هذه التحسينات لتحقيق أداء أفضل ونماذج أصغر حجمًا. ويفيد ذلك خصوصًا عند النشر على الأجهزة الطرفية حيث تكون موارد الحوسبة محدودة. ويمكن لمحرك DeepSparse من Neural Magic توفير استدلال أسرع حتى 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 لاستدلال النماذج في الوقت الفعلي، مما يجعله أداة ممتازة لعرض إمكانات نموذج YOLO الخاص بك بتنسيق سهل الاستخدام يناسب المطورين والمستخدمين النهائيين على حد سواء. وباستخدام بضعة أسطر من الشفرة فقط، يمكنك إنشاء تطبيقات تفاعلية تعرض أداء نموذجك على مدخلات مخصصة، مما يسهل فهم حلول الرؤية الحاسوبية وتقييمها.