كيفية التصدير إلى تنسيق PaddlePaddle من نماذج YOLO26#
قد يكون ردم الفجوة بين تطوير نماذج computer vision ونشرها في سيناريو هات واقعية ذات ظروف متغيرة أمراً صعباً. يجعل PaddlePaddle هذه العملية أسهل بتركيزه على المرونة والأداء وقدرته على المعالجة المتوازية في البيئات الموزعة. هذا يعني أنه يمكنك استخدام نماذج YOLO26 الخاصة بك للرؤية الحاسوبية على مجموعة واسعة من الأجهزة والمنصات، بدءاً من الهواتف الذكية ووصولاً إلى الخوادم السحابية.
Watch: How to Export Ultralytics YOLO26 Models to PaddlePaddle Format | Key Features of PaddlePaddle Format
تتيح لك إمكانية التصدير إلى تنسيق نموذج PaddlePaddle تحسين نماذج Ultralytics YOLO26 الخاصة بك للاستخدام ضمن إطار عمل PaddlePaddle. يُعرف PaddlePaddle بتسهيل عمليات النشر الصناعية ويُعد خياراً جيداً لنشر تطبيقات الرؤية الحاسوبية في إعدادات العالم الحقيقي عبر مجالات مختلف.
لماذا يجب عليك التصدير إلى PaddlePaddle؟#
تم تطوير PaddlePaddle (PArallel Distributed Deep LEarning) بواسطة Baidu، وهو أول منصة مفتوحة المصدر لـالتعلم العميق في الصين. على عكس بعض أطر العمل المصممة خصيصاً للبحث، يعطي PaddlePaddle الأولوية لسهولة الاستخدام والتكامل السلس عبر الصناعات.
فهو يقدم أدوات وموارد مشابهة لأطر العمل الشهيرة مثل TensorFlow وPyTorch، مما يجعله في متناول المطورين من جميع مستويات الخبرة. من الزراعة والمصانع إلى شركات الخدمات، يساعد مجتمع مطوري PaddlePaddle الكبير الذي يضم أكثر من 4.77 مليون مطور في إنشاء ونشر تطبيقات الذكاء الاصطناعي.
من خلال تصدير نماذج Ultralytics YOLO26 الخاصة بك إلى تنسيق PaddlePaddle، يمكنك الاستفادة من نقاط قوة PaddlePaddle في تحسين الأداء. تعطي PaddlePaddle الأولوية لتنفيذ النموذج بكفاءة وتقليل استخدام الذاكرة. ونتيجة لذلك، يمكن لنماذج YOLO26 الخاصة بك تحقيق أداء أفضل، مما يقدم نتائج من الدرجة الأولى في السيناريوهات العملية.
الميزات الرئيسية لنماذج PaddlePaddle#
تقدم نماذج PaddlePaddle مجموعة من الميزات الرئيسية التي تساهم في مرونتها وأدائها وقابلية توسعها عبر سيناريوهات النشر المتنوعة:
-
الرسم البياني الديناميكي إلى الثابت (Dynamic-to-Static Graph): يدعم PaddlePaddle التجميع الديناميكي إلى الثابت، حيث يمكن ترجمة النماذج إلى رسم بياني حوسبي ثابت. يتيح ذلك عمليات تحسين تقلل من الحمل الزائد لوقت التشغيل وتعمل على تعزيز أداء الاستدلال.
-
دمج العوامل (Operator Fusion): يستخدم PaddlePaddle، مثل TensorRT، دمج العوامل لتبسيط الحوسبة وتقليل الحمل الزائد. يقلل إطار العمل من عمليات نقل الذاكرة والخطوات الحسابية عن طريق دمج العمليات المتوافقة، مما ينتج عنه استدلال أسرع.
-
الكمية (Quantization): يدعم PaddlePaddle تقنيات الكمية، بما في ذلك الكمية بعد التدريب والكمية الواعية بالتدريب. تتيح هذه التقنيات استخدام تمثيلات بيانات ذات دقة أقل، مما يعزز الأداء بفعالية ويقلل من حجم النموذج.
خيارات النشر في PaddlePaddle#
قبل الغوص في الكود الخاص بتصدير نماذج YOLO26 إلى PaddlePaddle، دعونا نلقي نظرة على سيناريوهات النشر المختلفة التي تتفوق فيها نماذج PaddlePaddle.
توفر PaddlePaddle مجموعة من الخيارات، يقدم كل منها توازناً متميزاً بين سهولة الاستخدام والمرونة والأداء:
-
Paddle Serving: يبسط إطار العمل هذا نشر نماذج PaddlePaddle كواجهات RESTful APIs عالية الأداء. يعد Paddle Serving مثالياً لبيئات الإنتاج، حيث يوفر ميزات مثل إصدار النموذج، واختبار A/B عبر الإنترنت، وقابلية التوسع للتعامل مع كميات كبيرة من الطلبات.
-
Paddle Inference API: تمنحك واجهة Paddle Inference API تحكماً منخفض المستوى في تنفيذ النموذج. هذا الخيار مناسب تماماً للسيناريوهات التي تحتاج فيها إلى دمج النموذج بشكل وثيق ضمن تطبيق مخصص أو تحسين الأداء لأجهزة معينة.
-
Paddle Lite: تم تصميم Paddle Lite للنشر على الأجهزة المحمولة والمدمجة حيث تكون الموارد محدودة. فهو يعمل على تحسين النماذج لتكون أصغر حجماً وأسرع استدلالاً على وحدات المعالجة المركزية ARM، ووحدات معالجة الرسومات GPU، والأجهزة المتخصصة الأخرى.
-
Paddle.js: يتيح لك Paddle.js نشر نماذج PaddlePaddle مباشرة داخل متصفحات الويب. يمكن لـ Paddle.js إما تحميل نموذج مدرب مسبقاً أو تحويل نموذج من paddle-hub باستخدام أدوات تحويل النماذج التي توفرها Paddle.js. يمكن تشغيله في المتصفحات التي تدعم WebGL/WebGPU/WebAssembly.
المهام المدعومة#
يدعم تصدير PaddlePaddle جميع مهام Ultralytics السبعة. تقطيع الدلالات وتقدير العمق متاحان فقط مع YOLO26، وهي العائلة الوحيدة التي توفر تلك الرؤوس.
التصدير إلى PaddlePaddle: تحويل نموذج YOLO26 الخاص بك#
يمكن أن يؤدي تحويل نماذج YOLO26 إلى تنسيق PaddlePaddle إلى تحسين مرونة التنفيذ وتحسين الأداء لسيناريوهات النشر المختلفة.
التثبيت#
لتثبيت الحزمة المطلوبة، قم بتشغيل:
# Install the required package for YOLO26
pip install ultralyticsللحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل تثبيت Ultralytics. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على الحلول والنصائح.
الاستخدام#
تدعم جميع نماذج Ultralytics YOLO26 التصدير، ويمكنك تصفح القائمة الكاملة لتنسيقات وخيارات التصدير للعثور على الخيار الأنسب لاحتياجات نشرك.
يدعم تنسيق PaddlePaddle أوضاع التصدير (Export) والتنبؤ (Predict) والتحقق (Validate). قم بتصدير نموذجك، ثم قم بتحميل النموذج المصدر لتشغيل الاستدلال أو التحقق من دقته.
from ultralytics import YOLO
# Load a YOLO26 model
model = YOLO("yolo26n.pt")
# Export the model to PaddlePaddle format
model.export(format="paddle") # creates '/yolo26n_paddle_model'from ultralytics import YOLO
# Load the exported PaddlePaddle model
model = YOLO("./yolo26n_paddle_model")
# Run inference
results = model("https://ultralytics.com/images/bus.jpg")from ultralytics import YOLO
# Load the exported PaddlePaddle model
model = YOLO("./yolo26n_paddle_model")
# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")وسائط التصدير#
| الوسيط | النوع | الافتراضي | الوصف |
|---|---|---|---|
format | str | 'paddle' | التنسيق المستهدف للنموذج المصدر، والذي يحدد التوافق مع بيئات النشر المختلفة. |
imgsz | int أو tuple | 640 | حجم الصورة المطلوب لإدخال النموذج. يمكن أن يكون رقماً صحيحاً للصور المربعة أو صفاً (tuple) (height, width) لأبعاد محددة. |
quantize | int أو str | None | تم إصلاح تصدير FP32. لا يدعم تصدير PaddlePaddle تحويل الدقة إلى FP16 أو INT8 أو W8A16 أثناء التصدير. |
batch | int | 1 | يحدد حجم الاستدلال المفعلي لنموذج التصدير أو الحد الأقصى لعدد الصور التي سيعالجها النموذج المُصدّر في نفس الوقت في وضع predict. |
device | str | None | يحدد الجهاز المراد التصدير إليه: وحدة المعالجة المركزية (CPU) (device=cpu)، و MPS لسليكون أبل (device=mps). |
لمزيد من التفاصيل حول عملية التصدير، تفضل بزيارة صفحة وثائق Ultralytics حول التصدير.
نشر نماذج YOLO26 PaddlePaddle المصدرة#
بعد تصدير نماذج Ultralytics YOLO26 الخاصة بك بنجاح إلى تنسيق PaddlePaddle، يمكنك الآن نشرها. الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج PaddlePaddle هي استخدام الطريقة YOLO("yolo26n_paddle_model/")، كما هو موضح في مقتطف كود الاستخدام السابق.
ومع ذلك، للحصول على تعليمات متعمقة حول نشر نماذج PaddlePaddle الخاصة بك في إعدادات أخرى مختلفة، ألقِ نظرة على الموارد التالية:
-
Paddle Serving: تعرف على كيفية نشر نماذج PaddlePaddle كخدمات عالية الأداء باستخدام Paddle Serving.
-
Paddle Lite: استكشف كيفية تحسين النماذج ونشرها على الأجهزة المحمولة والمضمنة باستخدام Paddle Lite.
-
Paddle.js: اكتشف كيفية تشغيل نماذج PaddlePaddle في متصفحات الويب للذكاء الاصطناعي من جانب العميل باستخدام Paddle.js.
ملخص#
في هذا الدليل، استكشفنا عملية تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle. من خلال اتباع هذه الخطوات، يمكنك الاستفادة من نقاط قوة PaddlePaddle في سيناريوهات النشر المتنوعة، مما يعمل على تحسين نماذجك لبيئات الأجهزة والبرامج المختلفة.
لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة الوثائق الرسمية لـ PaddlePaddle.
هل تريد استكشاف المزيد من الطرق لتكامل نماذج Ultralytics YOLO26 الخاصة بك؟ تستكشف صفحة دليل التكامل الخاصة بنا خيارات متنوعة، مما يزودك بموارد ورؤى قيمة.
الأسئلة الشائعة#
يعد تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle أمراً مباشراً. يمكنك استخدام طريقة
exportالخاصة بفئة YOLO لإجراء التحويل. إليك مثال باستخدام Python:الاستخدامfrom ultralytics import YOLO # Load a YOLO26 model model = YOLO("yolo26n.pt") # Export the model to PaddlePaddle format model.export(format="paddle") # creates '/yolo26n_paddle_model' # Load the exported PaddlePaddle model paddle_model = YOLO("./yolo26n_paddle_model") # Run inference results = paddle_model("https://ultralytics.com/images/bus.jpg")لمزيد من الإعدادات التفصيلية واستكشاف الأخطاء وإصلاحها، راجع دليل تثبيت Ultralytics ودليل المشكلات الشائعة.
تقدم PaddlePaddle العديد من المزايا الرئيسية لنشر النماذج:
- تحسين الأداء: تتفوق PaddlePaddle في تنفيذ النموذج بكفاءة وتقليل استخدام الذاكرة.
- تجميع الرسم البياني الديناميكي إلى الثابت: تدعم التجميع من الديناميكي إلى الثابت، مما يسمح بتحسينات وقت التشغيل.
- دمج العمليات: من خلال دمج العمليات المتوافقة، فإنها تقلل من الحمل الحسابي.
- تقنيات الكمية: تدعم كل من الكمية بعد التدريب والكمية الواعية بالتدريب، مما يتيح تمثيلات بيانات ذات دقة أقل لتحسين الأداء.
يمكنك تحقيق نتائج محسنة من خلال تصدير نماذج Ultralytics YOLO26 الخاصة بك إلى PaddlePaddle، مما يضمن المرونة والأداء العالي عبر التطبيقات المختلفة ومنصات الأجهزة. استكشف ميزات وإمكانيات PaddlePaddle الرئيسية في وثائق PaddlePaddle الرسمية.
تم تحسين PaddlePaddle، التي طورتها Baidu، لعمليات نشر الذكاء الاصطناعي الصناعية والتجارية. يوفر مجتمع المطورين الكبير الخاص بها وإطار العمل القوي أدوات واسعة النطاق تشبه TensorFlow وPyTorch. من خلال تصدير نماذج YOLO26 الخاصة بك إلى PaddlePaddle، يمكنك الاستفادة من:
- أداء محسّن: سرعة تنفيذ مثالية وتقليل بصمة الذاكرة.
- المرونة: توافق واسع مع مختلف الأجهزة من الهواتف الذكية إلى خوادم السحابة.
- قابلية التوسع: قدرات معالجة متوازية فعالة للبيئات الموزعة.
هذه الميزات تجعل من PaddlePaddle خياراً مقنعاً لنشر نماذج YOLO26 في إعدادات الإنتاج.
تستخدم PaddlePaddle العديد من التقنيات المتقدمة لتحسين أداء النموذج:
- الرسم البياني الديناميكي إلى الثابت: يحول النماذج إلى رسم بياني حسابي ثابت لتحسينات وقت التشغيل.
- دمج العمليات: يجمع العمليات المتوافقة لتقليل نقل الذاكرة وزيادة سرعة الاستدلال.
- الكمية (Quantization): تقلل من حجم النموذج وتزيد من الكفاءة باستخدام بيانات ذات دقة أقل مع الحفاظ على الدقة.
تعطي هذه التقنيات الأولوية لتنفيذ النماذج بكفاءة، مما يجعل PaddlePaddle خياراً ممتازاً لنشر نماذج YOLO26 عالية الأداء. لمزيد من المعلومات حول التحسين، راجع وثائق PaddlePaddle الرسمية.
توفر PaddlePaddle خيارات نشر مرنة:
- Paddle Serving: ينشر النماذج كـ RESTful APIs، وهو مثالي للإنتاج مع ميزات مثل إصدار النموذج واختبار A/B عبر الإنترنت.
- Paddle Inference API: يمنح تحكماً منخفض المستوى في تنفيذ النموذج للتطبيقات المخصصة.
- Paddle Lite: يحسن النماذج للموارد المحدودة للأجهزة المحمولة والمدمجة.
- Paddle.js: تمكن من نشر النماذج مباشرة داخل متصفحات الويب.
تغطي هذه الخيارات مجموعة واسعة من سيناريوهات النشر، بدءاً من الاستدلال على الجهاز وحتى الخدمات السحابية القابلة للتوسع. استكشف المزيد من استراتيجيات النشر على صفحة خيارات نشر نموذج Ultralytics.