Ultralytics عمليات الدمج
مرحبًا بك في صفحة التكاملات Ultralytics ! توفر هذه الصفحة لمحة عامة عن شراكاتنا مع مختلف الأدوات والمنصات المصممة لتبسيط سير عمل التعلم الآلي لديك، وتحسين إدارة مجموعة البيانات، وتبسيط تدريب النماذج، وتسهيل النشر الفعال.
شاهد: Ultralytics YOLO11 النشر والتكاملات
تكامل مجموعات البيانات
- Roboflow: تيسير إدارة مجموعة البيانات بسلاسة لنماذج Ultralytics ، مما يوفر إمكانات قوية للتعليق التوضيحي والمعالجة المسبقة والزيادة.
تكامل التدريب
-
Amazon SageMaker: استفد من Amazon SageMaker لبناء نماذج Ultralytics وتدريبها ونشرها بكفاءة، مما يوفر منصة شاملة لدورة حياة التعلم الآلي.
-
ClearML: قم بأتمتة سير عمل Ultralytics الخاص بك ، ومراقبة التجارب، وتعزيز تعاون الفريق.
-
Comet التعلم الآلي: عزز تطوير نموذجك باستخدام Ultralytics من خلال تتبع تجارب التعلم الآلي ومقارنتها وتحسينها.
-
DVC: تنفيذ التحكم في الإصدار لمشاريع التعلُّم الآلي Ultralytics الخاصة بك، ومزامنة البيانات والرمز والنماذج بفعالية.
-
Google كولاب: استخدم Google Colab لتدريب وتقييم نماذج Ultralytics في بيئة قائمة على السحابة تدعم التعاون والمشاركة.
-
IBM Watsonx: تعرف على كيفية قيام IBM Watsonx بتبسيط تدريب وتقييم نماذج Ultralytics من خلال أدوات الذكاء الاصطناعي المتطورة والتكامل السهل ونظام إدارة النماذج المتقدم.
-
JupyterLab: تعرف على 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 قائمة على السحابة مع مكتبات مثبتة مسبقًا ودعم GPU ومجتمع نابض بالحياة للتعاون والمشاركة.
-
MLFlow: تبسيط دورة حياة تعلّم الآلة بالكامل لنماذج Ultralytics ، بدءاً من التجريب والتكرار وحتى النشر.
-
Neptune: احتفظ بسجل شامل لتجارب تعلّم الآلة الخاصة بك مع Ultralytics في مخزن البيانات الوصفية هذا المصمم لعمليات تعلّم الآلة.
-
Paperspace التدرج: Paperspace يعمل Gradient على تبسيط العمل على مشاريع YOLO11 من خلال توفير أدوات سحابية سهلة الاستخدام للتدريب والاختبار ونشر نماذجك بسرعة.
-
راي تيون: تحسين المعلمات الفائقة لنماذج Ultralytics الخاصة بك على أي مقياس.
-
TensorBoard: تصور سير عمل التعلم الآلي Ultralytics الخاص بك، ومراقبة مقاييس النموذج، وتعزيز تعاون الفريق.
-
Ultralytics HUB: الوصول إلى مجتمع من نماذج Ultralytics المدربة مسبقاً والمساهمة فيها.
-
Weights & Biases (W&B): مراقبة التجارب، وتصور المقاييس، وتعزيز قابلية التكرار والتعاون في مشاريع Ultralytics .
-
كود VS: امتداد لرمز VS Code يوفر مقتطفات من التعليمات البرمجية لتسريع سير عمل التطوير باستخدام Ultralytics وأيضًا لأي شخص يبحث عن أمثلة للمساعدة في التعلم أو البدء في استخدام Ultralytics.
-
التعزيزات: عزز نماذج Ultralytics الخاصة بك مع تعزيزات قوية للصور لتحسين متانة النموذج وتعميمه.
-
SONY IMX500: تحسين ونشر Ultralytics YOLOv8 النماذج على كاميرات Raspberry Pi AI Cameras المزودة بمستشعر IMX500 لأداء سريع ومنخفض الطاقة.
تكامل النشر
-
CoreML: CoreML تم تطويره من قبل شركة Apple، وهو 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.
-
Gradio 🚀 جديد: نشر نماذج Ultralytics مع Gradio لعروض توضيحية تفاعلية في الوقت الحقيقي لاكتشاف الأجسام.
-
NCNN: تم تطويره من قبل Tencent، NCNN هو إطار عمل فعال للاستدلال على الشبكات العصبية مصمم خصيصًا للأجهزة المحمولة. وهو يتيح النشر المباشر لنماذج الذكاء الاصطناعي في التطبيقات، وتحسين الأداء عبر مختلف منصات الأجهزة المحمولة.
-
MNN: تم تطويره بواسطة Alibaba، وهو إطار عمل عالي الكفاءة وخفيف الوزن للتعلم العميق. وهو يدعم الاستدلال وتدريب نماذج التعلُّم العميق ويتمتع بأداء رائد في المجال للاستدلال والتدريب على الجهاز.
-
Neural Magic: الاستفادة من التدريب الواعي بالتقدير الكمي (QAT) وتقنيات التقليم لتحسين نماذج Ultralytics للحصول على أداء فائق وحجم أصغر.
-
ONNX: تنسيق مفتوح المصدر تم إنشاؤه بواسطة Microsoft لتيسير نقل نماذج الذكاء الاصطناعي بين مختلف الأطر، مما يعزز تنوع ومرونة نشر نماذج Ultralytics .
-
OpenVINO:: مجموعة أدوات Intel لتحسين نماذج الرؤية الحاسوبية ونشرها بكفاءة عبر مختلف المنصات Intel CPU و GPU .
-
PaddlePaddle: وهي منصة مفتوحة المصدر للتعلم العميق من بايدو، PaddlePaddle تتيح النشر الفعال لنماذج الذكاء الاصطناعي وتركز على قابلية التوسع في التطبيقات الصناعية.
-
TF GraphDef: تم تطويره بواسطة GoogleGraphDef هو تنسيق TensorFlow لتمثيل الرسوم البيانية للحسابات، مما يتيح التنفيذ الأمثل لنماذج التعلم الآلي عبر أجهزة متنوعة.
-
TF SavedModel: تم تطويره بواسطة GoogleTF SavedModel هو تنسيق تسلسلي عالمي لـ TensorFlow النماذج، مما يتيح سهولة المشاركة والنشر عبر مجموعة واسعة من الأنظمة الأساسية، من الخوادم إلى الأجهزة الطرفية.
-
TF.js: تم تطويره بواسطة Google لتسهيل التعلّم الآلي في المتصفحات و Node.js، TF.js يسمح بنشر نماذج التعلّم الآلي القائمة على JavaScript.
-
TFLite: تم تطويره بواسطة GoogleTFLite، وهو إطار عمل خفيف الوزن لنشر نماذج التعلّم الآلي على الأجهزة المحمولة والأجهزة المتطورة، مما يضمن سرعة وكفاءة الاستدلال مع الحد الأدنى من بصمة الذاكرة.
-
TFLite Edge TPU: تم تطويره بواسطة Google لتحسين نماذج TensorFlow لايت على وحدات TPU Edge TPUs، يضمن تنسيق النموذج هذا حوسبة حافة عالية السرعة وفعالة.
-
TensorRT: تم تطويره بواسطة NVIDIAإطار عمل استدلال التعلّم العميق عالي الأداء وتنسيق النموذج لتحسين نماذج الذكاء الاصطناعي لتسريع السرعة والكفاءة على وحدات معالجة الرسومات NVIDIA ، مما يضمن نشرًا مبسطًا.
-
TorchScript: تم تطويره كجزء من PyTorchTorchScript ، يتيح تنفيذ نماذج التعلم الآلي ونشرها بكفاءة في بيئات الإنتاج المختلفة دون الحاجة إلى Python التبعيات.
تنسيقات التصدير
ندعم أيضًا مجموعة متنوعة من تنسيقات تصدير النماذج للنشر في بيئات مختلفة. فيما يلي التنسيقات المتاحة:
| التنسيق | format الجدال |
الطراز | البيانات الوصفية | الحجج |
|---|---|---|---|---|
| PyTorch | - | yolo11n.pt |
✅ | - |
| TorchScript | torchscript |
yolo11n.torchscript |
✅ | imgsz, optimize, batch |
| ONNX | onnx |
yolo11n.onnx |
✅ | imgsz, half, dynamic, simplify, opset, batch |
| OpenVINO | openvino |
yolo11n_openvino_model/ |
✅ | imgsz, half, int8, batch |
| TensorRT | engine |
yolo11n.engine |
✅ | imgsz, half, dynamic, simplify, workspace, int8, batch |
| CoreML | coreml |
yolo11n.mlpackage |
✅ | imgsz, half, int8, nms, batch |
| TF SavedModel | saved_model |
yolo11n_saved_model/ |
✅ | imgsz, keras, int8, batch |
| TF GraphDef | pb |
yolo11n.pb |
❌ | imgsz, batch |
| TF لايت | tflite |
yolo11n.tflite |
✅ | imgsz, half, int8, batch |
| TF إيدج TPU | edgetpu |
yolo11n_edgetpu.tflite |
✅ | imgsz |
| TF.js | tfjs |
yolo11n_web_model/ |
✅ | imgsz, half, int8, batch |
| PaddlePaddle | paddle |
yolo11n_paddle_model/ |
✅ | imgsz, batch |
| MNN | mnn |
yolo11n.mnn |
✅ | imgsz, batch, int8, half |
| NCNN | ncnn |
yolo11n_ncnn_model/ |
✅ | imgsz, half, batch |
| IMX500 | imx |
yolov8n_imx_model/ |
✅ | imgsz, int8 |
استكشف الروابط لمعرفة المزيد عن كل تكامل وكيفية تحقيق أقصى استفادة منها باستخدام Ultralytics. اطلع على كامل export التفاصيل في التصدير الصفحة.
المساهمة في عمليات التكامل لدينا
نحن متحمسون دائمًا لمعرفة كيف يدمج المجتمع Ultralytics YOLO مع التقنيات والأدوات والمنصات الأخرى! إذا كنت قد دمجت بنجاح YOLO مع نظام جديد أو كانت لديك رؤى قيمة لمشاركتها، ففكر في المساهمة في مستندات التكامل الخاصة بنا.
من خلال كتابة دليل أو برنامج تعليمي، يمكنك المساعدة في توسيع نطاق وثائقنا وتقديم أمثلة واقعية تفيد المجتمع. إنها طريقة ممتازة للمساهمة في النظام البيئي المتنامي حول Ultralytics YOLO .
للمساهمة، يرجى مراجعة دليل المساهمة الخاص بنا للحصول على إرشادات حول كيفية إرسال طلب سحب (PR) 🛠️. نحن ننتظر مساهماتك بفارغ الصبر!
دعونا نتعاون لجعل النظام البيئي Ultralytics YOLO أكثر اتساعًا وغنى بالميزات 🙏!
الأسئلة الشائعة
ما هو Ultralytics HUB، وكيف يعمل على تبسيط سير عمل تعلّم الآلة؟
Ultralytics HUB عبارة عن منصة قائمة على السحابة مصممة لجعل سير عمل التعلم الآلي (ML) لنماذج Ultralytics سلسًا وفعالًا. وباستخدام هذه الأداة، يمكنك بسهولة تحميل مجموعات البيانات، وتدريب النماذج، وإجراء التتبع في الوقت الفعلي، ونشر نماذج YOLO11 دون الحاجة إلى مهارات ترميز واسعة النطاق. يمكنك استكشاف الميزات الرئيسية على صفحة Ultralytics HUB والبدء بسرعة من خلال دليل البدء السريع.
كيف يمكنني دمج نماذج Ultralytics YOLO مع Roboflow لإدارة مجموعة البيانات؟
يعمل دمج نماذج Ultralytics YOLO مع Roboflow على تحسين إدارة مجموعة البيانات من خلال توفير أدوات قوية للتعليق التوضيحي والمعالجة المسبقة والزيادة. للبدء، اتبع الخطوات الموجودة على Roboflow صفحة التكامل. تضمن هذه الشراكة التعامل الفعال مع مجموعة البيانات، وهو أمر بالغ الأهمية لتطوير نماذج YOLO دقيقة وقوية.
هل يمكنني تتبع أداء نماذج Ultralytics الخاصة بي باستخدام MLFlow؟
نعم، يمكنك ذلك. يسمح لك دمج MLFlow مع نماذج Ultralytics بتتبع التجارب، وتحسين قابلية التكرار، وتبسيط دورة حياة التعلم الآلي بأكملها. يمكن العثور على تعليمات مفصلة لإعداد هذا التكامل على صفحة تكامل MLFlow. يعد هذا التكامل مفيدًا بشكل خاص لمراقبة مقاييس النموذج وإدارة سير عمل التعلم الآلي بكفاءة.
ما هي فوائد استخدام Neural Magic لتحسين نموذج YOLO11 ؟
Neural Magic يحسِّن نماذج YOLO11 من خلال الاستفادة من تقنيات مثل التدريب الواعي بالتقدير الكمي (QAT) والتشذيب، مما يؤدي إلى نماذج أصغر حجمًا وعالية الكفاءة تعمل بشكل أفضل على الأجهزة محدودة الموارد. راجع صفحة Neural Magic صفحة التكامل للتعرف على كيفية تنفيذ هذه التحسينات للحصول على أداء فائق ونماذج أصغر حجماً. هذا مفيد بشكل خاص للنشر على الأجهزة المتطورة.
كيف يمكنني نشر نماذج Ultralytics YOLO مع غراديو للعروض التوضيحية التفاعلية؟
لنشر النماذج Ultralytics YOLO مع Gradio للعروض التوضيحية التفاعلية لاكتشاف الكائنات، يمكنك اتباع الخطوات الموضحة في صفحة تكامل Gradio. يتيح لك Gradio إنشاء واجهات ويب سهلة الاستخدام للاستدلال على النماذج في الوقت الفعلي، مما يجعله أداة ممتازة لعرض قدرات نموذجك YOLO بتنسيق سهل الاستخدام ومناسب لكل من المطورين والمستخدمين النهائيين.
من خلال معالجة هذه الأسئلة الشائعة، نهدف إلى تحسين تجربة المستخدم وتقديم رؤى قيمة حول القدرات القوية لمنتجات Ultralytics . لن يؤدي دمج هذه الأسئلة الشائعة إلى تحسين التوثيق فحسب، بل سيؤدي أيضًا إلى زيادة عدد الزيارات العضوية إلى الموقع الإلكتروني Ultralytics .
