تكاملات Ultralytics
تسرد هذه الصفحة الأدوات والمنصات التي تتكامل معها Ultralytics لدعم سير عمل التعلم الآلي، بدءًا من إدارة مجموعات البيانات وتدريب النماذج وصولًا إلى تتبع التجارب والنشر.
شاهد: نشر Ultralytics YOLO والتكاملات
تنسيقات التصدير#
-
Alibaba MNN: طوّرت Alibaba إطار MNN، وهو إطار عمل خفيف للتعلم العميق يتيح الاستدلال والتدريب على الأجهزة المحمولة والمضمنة.
-
Apple Core AI: تعرّف على تنسيق
.aimodelالجديد من Apple، وكيفية مقارنة Core AI بـ Core ML، والقيود الحالية، وكيفية تصدير نماذج YOLO26 باستخدامformat="coreai"لأجهزة جيل iOS 27 وmacOS 27. -
Apple Core ML: طوّرته Apple، وهو إطار عمل صُمم لدمج نماذج التعلم الآلي بكفاءة في التطبيقات على iOS وmacOS وwatchOS وtvOS، مع الاستفادة من أجهزة Apple لضمان نشر النماذج بفاعلية وأمان.
-
Baidu PaddlePaddle: منصة مفتوحة المصدر للتعلم العميق من Baidu، تدعم PaddlePaddle نشر نماذج الذكاء الاصطناعي مع التركيز على التطبيقات الصناعية القابلة للتوسع.
-
ExecuTorch: طوّرته Meta، ويمثل ExecuTorch الحل الموحد من PyTorch لنشر نماذج Ultralytics YOLO على الأجهزة الطرفية.
-
Google LiteRT: طوّرت Google LiteRT (المعروف سابقًا باسم TensorFlow Lite)، وهو بيئة التشغيل على الجهاز لتنسيق
.tflite، ما يتيح نشر نموذج واحد على الأجهزة المحمولة والمضمنة والطرفية وفي المتصفح (عبر LiteRT.js). -
Intel OpenVINO: مجموعة أدوات Intel لتحسين نماذج الرؤية الحاسوبية ونشرها على وحدات CPU وGPU وNPU من Intel.
-
NVIDIA TensorRT: طوّرته NVIDIA، وهو إطار عمل عالي الأداء للاستدلال وتنسيق النماذج في مجال التعلم العميق، ويُحسّن نماذج الذكاء الاصطناعي من حيث السرعة والكفاءة على وحدات GPU من NVIDIA.
-
ONNX: تنسيق مفتوح المصدر طوّرته في الأصل Microsoft وFacebook لنقل نماذج الذكاء الاصطناعي بين أطر العمل، ما يتيح تشغيل نماذج Ultralytics على بيئات التشغيل والأجهزة المختلفة.
-
Tencent NCNN: طوّرته Tencent، وNCNN إطار استدلال للشبكات العصبية الشبكات العصبية محسّن للأجهزة المحمولة. ويشغّل نماذج الذكاء الاصطناعي مباشرةً داخل التطبيقات على منصات محمولة متنوعة.
-
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 التسلسل TF SavedModel لنماذج TensorFlow، ما يتيح مشاركتها ونشرها على نطاق واسع من المنصات، من الخوادم إلى الأجهزة الطرفية.
-
TorchScript: طُوّر TorchScript ضمن إطار عمل PyTorch، ويتيح تنفيذ نماذج تعلّم الآلة ونشرها بكفاءة في بيئات إنتاج متنوعة دون الحاجة إلى تبعيات Python.
يسرد الجدول أدناه كل تنسيقات التصدير مع الوسيطة format الخاصة بها:
| 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, device |
| IMX500 | imx | yolo11n_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, quantize, batch, data, fraction, 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 |
| NXP | nxp | yolo26n_nxp.tflite | ✅ | imgsz, quantize, data, fraction, device |
| ST Edge AI | stedgeai | yolo26n_stedgeai.onnx | ✅ | imgsz, quantize, data, fraction, opset, simplify, device |
يُخرج nms=None افتراضيًا مخرجات خامًا لاستخدام NMS خارجي (ويحتفظ YOLO26 برأسه الخالي من NMS على Axelera). اضبط nms=False لتحديد رأس خالٍ من NMS متاح؛ أما التنسيقات غير المدعومة فتعود إلى مسار الإخراج 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.
الأجهزة والمعدات#
-
Ambarella: تدريب نماذج Ultralytics YOLO وضغطها وتصديرها إلى وحدات SoC من Ambarella CVflow® مثل CV72، باستخدام نسخة Ultralytics المتفرعة من Ambarella، والتدريب المراعي للضغط SpongeTorch وسلسلة أدوات CVflow غير المتصلة.
-
وحدات GPU من AMD: صدّر نماذج Ultralytics YOLO إلى ONNX وشغّل الاستدلال المسرّع بوحدات GPU على وحدات AMD Instinct وRadeon GPU عبر موفر تنفيذ 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، باستخدام تكميم AMD Quark INT8 وتجميع Vitis AI، مع ملاحظات حول أهداف Zynq وKria وVEK280. -
Axelera AI: استكشف مسرّعات Metis وVoyager SDK لتشغيل نماذج Ultralytics مع استدلال طرفي فعّال.
-
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. -
Google Coral Edge TPU: طوّرت Google هذا التنسيق لتحسين نماذج TensorFlow Lite على وحدات Edge TPUs، ما يتيح الحوسبة الطرفية بسرعة وكفاءة.
-
Google Coral Edge TPU على Raspberry Pi: يُسرّع Google Edge TPU استدلال YOLO على Raspberry Pi.
-
Hailo: صدّر نماذج Ultralytics YOLO للكشف والتجزئة والتجزئة الدلالية وتقدير العمق والتصنيف والوضعية وOBB مباشرةً إلى Hailo HEF (لا يتوفر دعم بعد للتجزئة والوضعية وOBB في YOLO26)؛ راجع دليل التكامل للاطلاع على النماذج والأهداف التي تم التحقق من صحتها.
-
Huawei Ascend: ترجِم نماذج Ultralytics YOLO إلى تنسيق
.omغير المتصل الخاص بـ Huawei Ascend باستخدام مُصرّف CANN ATC للاستدلال بدقة FP16 على أجهزة Atlas وOrange Pi AIpro. -
Luxonis OAK: تحويل نماذج Ultralytics YOLO باستخدام Luxonis Hub أو أدوات Luxonis المحلية، وتشغيلها على الجهاز في كاميرات Luxonis OAK
RVC2وRVC4. -
MediaTek Dimensity: انشر Ultralytics YOLO على هواتف Android المزودة بمعالجات MediaTek Dimensity باستخدام التصدير إلى LiteRT والإضافة الرسمية لـFlutter، مع نتائج مقاسة لوحدات CPU وGPU ونتائج أولية لـNPU.
-
NVIDIA DGX Spark: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA DGX Spark.
-
NVIDIA Jetson: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson.
-
NXP i.MX95: جمّع نماذج YOLO المعايرة ذات دقة INT8 لوحدة Neutron NPU في i.MX95 باستخدام Neutron SDK 3.3.0.
-
Qualcomm QNN: جمّع نماذج Ultralytics YOLO محليًا إلى تنسيق السياق الثنائي QNN (AI Engine Direct) باستخدام موفّر تنفيذ QNN في ONNX Runtime للاستدلال على وحدة Hexagon NPU في أجهزة Snapdragon وDragonwing.
-
Raspberry Pi: درس البدء السريع لتشغيل نماذج YOLO على أحدث أجهزة Raspberry Pi.
-
Rockchip RKNN: طوّرت Rockchip إطار RKNN، وهو إطار عمل لاستدلال الشبكات العصبية محسّن لمنصات أجهزة Rockchip، ولا سيما وحدات NPU فيها، لإجراء استدلال الذكاء الاصطناعي في الوقت الفعلي على الأجهزة الطرفية.
-
Seeed Studio reCamera: طوّرت Seeed Studio جهاز reCamera، وهو جهاز ذكاء اصطناعي طرفي لتطبيقات الرؤية الحاسوبية في الوقت الفعلي. ويعمل الجهاز بمعالج SG200X القائم على RISC-V، وينفّذ استدلال الذكاء الاصطناعي بكفاءة في استهلاك الطاقة. كما يلائم تصميمه المعياري وقدراته على معالجة الفيديو حالات استخدام مثل مراقبة السلامة والتطبيقات البيئية والتصنيع.
-
Sony IMX500: حسّن نماذج Ultralytics YOLOv8n وYOLO11n وانشرها على كاميرات Raspberry Pi AI المزودة بمستشعر IMX500 لتحقيق أداء سريع ومنخفض استهلاك الطاقة.
-
ST Edge AI: صدّر Ultralytics YOLO باستخدام
format="stedgeai"إلى نماذج ONNX عائمة أو INT8 لأجهزة STM32 من STMicroelectronics، وتحقّق من الدقة على حاسوبك، ثم جمّعها باستخدام ST Edge AI Core.
التقديم ومسارات العمل#
-
Intel DL Streamer: دليل البدء السريع لنشر نماذج YOLO26 على أجهزة Intel Core Ultra Series 3 باستخدام DL Streamer وOpenVINO™.
-
NVIDIA DALI: أزل اختناقات المعالجة المسبقة على CPU عبر تنفيذ تغيير حجم letterbox لـYOLO والحشو والتطبيع على GPU باستخدام NVIDIA DALI، مع التكامل مع Triton Inference Server.
-
NVIDIA DeepStream: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson باستخدام DeepStream وTensorRT.
-
NVIDIA Triton: ادمج Ultralytics YOLO26 مع NVIDIA Triton Inference Server لنشر استدلال التعلم العميق بكفاءة وقابلية للتوسع.
-
ROS: تعرّف على كيفية دمج YOLO مع نظام تشغيل الروبوتات (ROS) للكشف عن الأجسام في الوقت الفعلي ضمن تطبيقات الروبوتات، بما فيها سحب النقاط وصور العمق.
البيانات والتدريب#
-
Albumentations: طبّق تحسينات إضافية على الصور أثناء تدريب Ultralytics لتحسين متانة النماذج وقدرتها على التعميم.
-
ClearML: أتمت سير عمل التعلم الآلي في Ultralytics، وتتبّع التجارب، وتعاون مع فريقك.
-
Comet: عزّز تطوير نماذجك باستخدام Ultralytics من خلال تتبع تجارب التعلم الآلي ومقارنتها وتحسينها.
-
DVC: طبّق التحكم في الإصدارات على مشاريع تعلّم الآلة باستخدام Ultralytics، مع مزامنة البيانات والشفرة والنماذج بفاعلية.
-
MLflow: تبسيط دورة حياة تعلّم الآلة بالكامل لنماذج Ultralytics، بدءًا من التجارب وقابلية إعادة الإنتاج وصولًا إلى النشر.
-
Ray Tune: نفّذ ضبط المعلمات الفائقة لنماذج Ultralytics بأي نطاق.
-
Roboflow: سهّل وسم مجموعات البيانات وإدارتها لنماذج Ultralytics، باستخدام أدوات التعليق التوضيحي لوسم الصور.
-
TensorBoard: اعرض عمليات تدريب Ultralytics وراقب مقاييس النماذج.
-
Weights & Biases (W&B): راقب التجارب، واعرض المقاييس بصريًا، وعزّز إمكانية إعادة الإنتاج والتعاون في مشاريع Ultralytics.
السحابة ودفاتر الملاحظات#
-
Amazon SageMaker: استخدم Amazon SageMaker لبناء نماذج Ultralytics وتدريبها ونشرها على منصة واحدة تغطي دورة حياة التعلم الآلي.
-
Google Colab: استخدم Google Colab لتدريب نماذج Ultralytics وتقييمها في بيئة سحابية تدعم التعاون والمشاركة.
-
Google Vertex AI: دليل مبسّط لتحويل نماذج YOLO إلى حاويات باستخدام Docker ونشرها على Google Cloud Vertex AI، ويغطي الإنشاء والدفع والتوسّع التلقائي والمراقبة.
-
IBM watsonx: درّب نماذج Ultralytics وقيّمها في دفاتر ملاحظات IBM watsonx.ai، إلى جانب أدوات IBM لإدارة البيانات وحوكمة النماذج.
-
JupyterLab: استخدم بيئة JupyterLab التفاعلية والقابلة للتخصيص لتدريب نماذج Ultralytics وتقييمها.
-
Kaggle: تعرّف على كيفية استخدام Kaggle لتدريب نماذج Ultralytics وتقييمها في بيئة سحابية تتضمن مكتبات مثبتة مسبقًا ودعم GPU ومجتمعًا نشطًا للتعاون ومشاركة المعرفة.
-
Microsoft AzureML: ابدأ باستخدام نماذج Ultralytics YOLO على منصة التعلم الآلي Azure من Microsoft. تعرّف على كيفية تدريب مشاريع الكشف عن الأجسام ونشرها وتوسيع نطاقها في السحابة.
-
Modal: شغّل نماذج Ultralytics على منصة Modal السحابية عديمة الخوادم، مع توفير GPU تلقائيًا وتسعير بالثانية وتحجيم تلقائي لأحمال عمل الاستدلال والتدريب.
-
Paperspace Gradient: استخدم وحدات GPU السحابية ودفاتر Paperspace Gradient لتدريب نماذج YOLO26 واختبارها ونشرها.
-
Ultralytics Platform: درّب نماذج Ultralytics وأدرها وانشرها عبر المتصفح، ونزّل النماذج المدربة مسبقًا الرسمية ومجموعات البيانات.
أدوات المطورين#
-
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.
-
Gradio: انشر نماذج Ultralytics باستخدام Gradio لإنشاء عروض توضيحية تفاعلية للكشف عن الأجسام في الوقت الفعلي.
-
VS Code: إضافة إلى VS Code توفر مقاطع شفرة لتسريع سير عمل تطوير Ultralytics، وتقدم أمثلة تساعد الجميع على التعلم أو البدء.
-
YAML2ModelGraph: أنشئ مخططات بنية بصيغة SVG جاهزة للنشر مباشرةً من ملفات تهيئة Ultralytics YOLO بصيغة YAML.
ساهم في تكاملاتنا#
نرحب بأدلة المجتمع حول دمج Ultralytics YOLO مع تقنيات وأدوات ومنصات أخرى. إذا نجحت في دمج YOLO مع نظام جديد أو كانت لديك رؤى قيّمة لمشاركتها، فننصحك بالمساهمة في وثائق عمليات الدمج.
يمكنك المساعدة في توسيع وثائقنا وتقديم أمثلة عملية تعود بالنفع على المجتمع من خلال كتابة دليل أو برنامج تعليمي.
للمساهمة، اتبع التعليمات الواردة في دليل المساهمة حول كيفية إرسال طلب سحب (PR).
الأسئلة الشائعة#
Ultralytics Platform منصة سحابية لسير عمل التعلم الآلي الشامل باستخدام نماذج Ultralytics. يمكنك تحميل مجموعات البيانات والتعليق عليها، وتدريب النماذج على وحدات GPU سحابية، وتتبع التجارب، ونشر نماذج YOLO دون الحاجة إلى كتابة قدر كبير من التعليمات البرمجية. وتوفر المنصة مساحة عمل مركزية لخط أنابيب التعلم الآلي بأكمله، من إعداد البيانات إلى النشر.
نعم، يمكنك ذلك. يتيح دمج MLflow مع نماذج Ultralytics تتبّع التجارب وتحسين قابلية إعادة الإنتاج وتبسيط دورة حياة تعلّم الآلة بالكامل. يمكنك العثور على تعليمات مفصلة لإعداد هذا التكامل في صفحة تكامل MLflow. يفيد هذا التكامل بوجه خاص في مراقبة مقاييس النموذج ومقارنة عمليات التدريب المختلفة وإدارة سير عمل تعلّم الآلة بكفاءة. توفر MLflow منصة مركزية لتسجيل المعلمات والمقاييس والآثار، ما يسهّل فهم سلوك النموذج وإجراء تحسينات مستندة إلى البيانات.
لنشر نماذج Ultralytics YOLO باستخدام Gradio وإنشاء عروض توضيحية تفاعلية لـاكتشاف الكائنات، يمكنك اتباع الخطوات الموضحة في صفحة دمج Gradio. ينشئ Gradio واجهات ويب لاستدلال النماذج في الوقت الفعلي، ما يجعله مفيدًا لعرض نموذج YOLO للمطورين والمستخدمين النهائيين. وباستخدام بضعة أسطر من التعليمات البرمجية، يمكنك إنشاء تطبيقات تفاعلية توضّح أداء نموذجك على مدخلات مخصصة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

