انتقل إلى المحتوى

Ultralytics التكامل

مرحبا بكم في Ultralytics صفحة التكامل! تقدم هذه الصفحة نظرة عامة على شراكاتنا مع العديد من الأدوات والأنظمة الأساسية ، المصممة لتبسيط سير عمل التعلم الآلي ، وتعزيز إدارة مجموعة البيانات ، وتبسيط تدريب النموذج ، وتسهيل النشر الفعال.

Ultralytics YOLO النظام البيئي والتكاملات



شاهد: Ultralytics YOLOv8 النشر والتكامل

تكامل مجموعات البيانات

  • Roboflowتسهيل الإدارة السلسة لمجموعة البيانات من أجل: Ultralytics النماذج، التي توفر إمكانات قوية للتعليقات التوضيحية والمعالجة المسبقة والزيادة.

تكامل التدريب

  • ClearMLأتمتة الخاص بك: Ultralytics مهام سير عمل التعلم الآلي، ومراقبة التجارب، وتعزيز تعاون الفريق.

  • Comet ML: عزز تطوير نموذجك باستخدام Ultralytics من خلال تتبع تجارب التعلم الآلي ومقارنتها وتحسينها.

  • DVC: تنفيذ التحكم في الإصدار ل Ultralytics مشاريع التعلم الآلي ومزامنة البيانات والتعليمات البرمجية والنماذج بشكل فعال.

  • MLFlow: تبسيط دورة حياة ML بالكامل Ultralytics النماذج، من التجريب والتكرار إلى النشر.

  • Ultralytics HUB: الوصول والمساهمة في مجتمع من المدربين مسبقا Ultralytics نماذج.

  • Neptuneالاحتفاظ بسجل شامل لتجارب التعلم الآلي الخاصة بك مع: Ultralytics في مخزن بيانات التعريف هذا المصمم ل MLOps.

  • راي تون: تحسين المعلمات الفائقة الخاصة بك Ultralytics نماذج على أي نطاق.

  • TensorBoard: تصور الخاص بك Ultralytics مهام سير عمل التعلم الآلي، ومراقبة مقاييس النموذج، وتعزيز تعاون الفريق.

  • Weights & Biases (W &B): مراقبة التجارب وتصور المقاييس وتعزيز قابلية التكرار والتعاون في Ultralytics المشاريع.

  • Amazon SageMaker: استفد من Amazon SageMaker للبناء والتدريب والنشر بكفاءة Ultralytics ، مما يوفر نظاما أساسيا متعدد الإمكانات لدورة حياة ML.

تكامل النشر

  • Neural Magicالاستفادة من التدريب المدرك للتكميم (QAT) وتقنيات التقليم لتحسين Ultralytics نماذج لأداء فائق وحجم أصغر حجما.

  • Gradio 🚀 NEW: نشر Ultralytics نماذج مع Gradio للعروض التوضيحية التفاعلية للكشف عن الكائنات في الوقت الفعلي.

  • TorchScriptوضعت كجزء من : PyTorch اطار TorchScript تمكين التنفيذ الفعال ونشر نماذج التعلم الآلي في بيئات الإنتاج المختلفة دون الحاجة إلى Python التبعيات.

  • ONNXتنسيق مفتوح المصدر أنشأته Microsoft لتسهيل نقل نماذج الذكاء الاصطناعي بين أطر العمل المختلفة ، مما يعزز تعدد الاستخدامات ومرونة النشر ل Ultralytics نماذج.

  • OpenVINOمجموعة أدوات Intel لتحسين نماذج رؤية الكمبيوتر ونشرها بكفاءة عبر مختلف منصات وحدة المعالجة المركزية ووحدة معالجة الرسومات من Intel.:

  • TensorRTيعمل إطار عمل استدلال التعلم العميق عالي الأداء وتنسيق النموذج هذا، الذي طورته NVIDIA، على تحسين نماذج الذكاء الاصطناعي للسرعة والكفاءة المتسارعة على وحدات معالجة الرسومات NVIDIA، مما يضمن النشر المبسط.:

  • CoreML: CoreML، الذي طورته Apple، هو إطار عمل مصمم لدمج نماذج التعلم الآلي بكفاءة في التطبيقات عبر iOS وmacOS وwatchOS وtvOS، باستخدام أجهزة Apple لنشر النماذج بشكل فعال وآمن.

  • TF SavedModelتم تطويره بواسطة Google, TF SavedModel هو تنسيق تسلسل عالمي ل TensorFlow النماذج، مما يتيح سهولة المشاركة والنشر عبر مجموعة واسعة من الأنظمة الأساسية، من الخوادم إلى أجهزة الحافة.

  • TF GraphDefتم تطويره بواسطة Google, GraphDef هل TensorFlowلتمثيل الرسوم البيانية الحسابية، مما يتيح التنفيذ الأمثل لنماذج التعلم الآلي عبر أجهزة متنوعة.

  • TFLite: تم تطوير TFLite بواسطة Google ، وهو إطار عمل خفيف الوزن لنشر نماذج التعلم الآلي على الأجهزة المحمولة والأجهزة المتطورة ، مما يضمن الاستدلال السريع والفعال مع الحد الأدنى من بصمة الذاكرة.

  • حافة TFLite TPUتم تطويره بواسطة Google لتحسين TensorFlow نماذج خفيفة على وحدات TPU للحافة ، يضمن تنسيق النموذج هذا حوسبة حافة عالية السرعة وفعالة.

  • TF.js: تم تطويره بواسطة Google لتسهيل التعلم الآلي في المتصفحات Node.js ، TFيسمح .js بنشر نماذج التعلم الآلي المستندة إلى JavaScript.

  • PaddlePaddleمنصة مفتوحة المصدر للتعلم العميق من Baidu، PaddlePaddle يتيح النشر الفعال لنماذج الذكاء الاصطناعي ويركز على قابلية تطوير التطبيقات الصناعية.

  • NCNNتم تطويره بواسطة تينسنت ، NCNN هو إطار استدلال فعال للشبكة العصبية مصمم خصيصا للأجهزة المحمولة. إنه يتيح النشر المباشر لنماذج الذكاء الاصطناعي في التطبيقات ، مما يحسن الأداء عبر مختلف الأنظمة الأساسية للجوال.

تنسيقات التصدير

ندعم أيضا مجموعة متنوعة من تنسيقات تصدير النماذج للنشر في بيئات مختلفة. فيما يلي التنسيقات المتاحة:

تنسيق format جدال نموذج البيانات الوصفية الحجج
PyTorch - yolov8n.pt -
TorchScript torchscript yolov8n.torchscript imgsz, optimize
ONNX onnx yolov8n.onnx imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n_openvino_model/ imgsz, half, int8
TensorRT engine yolov8n.engine imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n.mlpackage imgsz, half, int8, nms
TF SavedModel saved_model yolov8n_saved_model/ imgsz, keras, int8
TF GraphDef pb yolov8n.pb imgsz
TF لايت tflite yolov8n.tflite imgsz, half, int8
TF حافة TPU edgetpu yolov8n_edgetpu.tflite imgsz
TF.شبيبه tfjs yolov8n_web_model/ imgsz, half, int8
PaddlePaddle paddle yolov8n_paddle_model/ imgsz
NCNN ncnn yolov8n_ncnn_model/ imgsz, half

استكشف الروابط لمعرفة المزيد حول كل تكامل وكيفية تحقيق أقصى استفادة منها باستخدام Ultralytics.

ساهم في عمليات التكامل لدينا

نحن متحمسون دائما لرؤية كيفية تكامل المجتمع Ultralytics YOLO مع التقنيات والأدوات والمنصات الأخرى! إذا كنت قد نجحت في الدمج YOLO مع نظام جديد أو لديك رؤى قيمة لمشاركتها، فكر في المساهمة في مستندات عمليات التكامل.

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 حولها Ultralytics YOLO.

للمساهمة ، يرجى مراجعة دليل المساهمة للحصول على إرشادات حول كيفية تقديم طلب سحب (PR). 🛠️ نحن ننتظر بفارغ الصبر مساهماتك!

دعونا نتعاون لجعل Ultralytics YOLO النظام البيئي أكثر اتساعا وغنية 🙏 بالميزات!



تم النشر في 2023-11-12, اخر تحديث 2024-04-03
المؤلفون: أبيرامي فينا (12) ، برهان كيو (1) ، رضوان منور (1) ، جلين جوشر (10)

التعليقات