كيفية التصدير إلى تنسيق PaddlePaddle من YOLO11 نماذج

قد يكون من الصعب سد الفجوة بين تطوير نماذج الرؤية الحاسوبية ونشرها في سيناريوهات العالم الحقيقي ذات الظروف المختلفة. PaddlePaddle يجعل هذه العملية أسهل بتركيزه على المرونة والأداء وقدرته على المعالجة المتوازية في البيئات الموزعة. هذا يعني أنه يمكنك استخدام نماذج الرؤية الحاسوبية YOLO11 الخاصة بك على مجموعة متنوعة من الأجهزة والمنصات، من الهواتف الذكية إلى الخوادم القائمة على السحابة.

شاهد: كيفية تصدير النماذج Ultralytics YOLO11 إلى تنسيق PaddlePaddle | الميزات الرئيسية لتنسيق PaddlePaddle

تسمح لك القدرة على التصدير إلى تنسيق النموذج PaddlePaddle بتحسين Ultralytics YOLO11PaddlePaddle PaddlePaddle معروفٌ بتسهيل عمليات النشر الصناعية وهو خيار جيد لنشر تطبيقات الرؤية الحاسوبية في إعدادات العالم الحقيقي في مختلف المجالات.

لماذا يجب عليك التصدير إلى PaddlePaddle ؟

تم تطويره بواسطة Baidu, PaddlePaddle(PArallellel Distributed Deep LEarning) هي أول منصة تعلم عميق مفتوحة المصدر في الصين. على عكس بعض الأطر المصممة بشكل أساسي للأبحاث، فإن PaddlePaddle تعطي الأولوية لسهولة الاستخدام والتكامل السلس عبر الصناعات.

يقدم أدوات وموارد مشابهة لأطر العمل الشائعة مثل TensorFlow و PyTorchمما يجعلها متاحة للمطورين من جميع مستويات الخبرة. من الزراعة والمصانع إلى شركات الخدمات، يساعد مجتمع المطورين الكبير PaddlePaddle الذي يضم أكثر من 4.77 مليون مطور في إنشاء تطبيقات الذكاء الاصطناعي ونشرها.

من خلال تصدير نماذجك Ultralytics YOLO11 إلى تنسيق PaddlePaddle ، يمكنك الاستفادة من نقاط قوة PaddlePaddle في تحسين الأداء. PaddlePaddle يعطي الأولوية لتنفيذ النماذج بكفاءة وتقليل استخدام الذاكرة. ونتيجة لذلك، يمكن أن تحقق نماذج YOLO11 الخاصة بك أداءً أفضل، مما يوفر نتائج من الدرجة الأولى في السيناريوهات العملية.

الميزات الرئيسية لنماذج PaddlePaddle

PaddlePaddle تقدم النماذج مجموعة من الميزات الرئيسية التي تساهم في مرونتها وأدائها وقابليتها للتوسع عبر سيناريوهات النشر المتنوعة:

• رسم بياني ديناميكي إلى ثابت: PaddlePaddle يدعم التجميع الديناميكي إلى ثابت، حيث يمكن ترجمة النماذج إلى رسم بياني حسابي ثابت. يتيح ذلك إجراء التحسينات التي تقلل من النفقات الإضافية لوقت التشغيل وتعزز أداء الاستدلال.

• دمج المشغل: PaddlePaddle مثل TensorRT ، يستخدم دمج المشغلات لتبسيط العمليات الحسابية وتقليل النفقات العامة. يقلل إطار العمل من عمليات نقل الذاكرة والخطوات الحسابية من خلال دمج العمليات المتوافقة، مما يؤدي إلى استدلال أسرع.

• التكميم: يدعم PaddlePaddle تقنيات التكميم الكمي، بما في ذلك التكميم اللاحق للتدريب والتدريب الواعي بالتكميم الكمي. تسمح هذه التقنيات باستخدام تمثيلات بيانات أقل دقة، مما يعزز الأداء بشكل فعال ويقلل من حجم النموذج.

خيارات النشر في PaddlePaddle

قبل الغوص في التعليمات البرمجية لتصدير النماذج YOLO11 إلى PaddlePaddle ، دعونا نلقي نظرة على سيناريوهات النشر المختلفة التي تتفوق فيها نماذج PaddlePaddle .

PaddlePaddle مجموعة من الخيارات، يقدم كل منها توازنًا مميزًا بين سهولة الاستخدام والمرونة والأداء:

• خدمة التجديف: يعمل إطار العمل هذا على تبسيط نشر نماذج PaddlePaddle كواجهات برمجة تطبيقات RESTful عالية الأداء. تعد خدمة Paddle Serving مثالية لبيئات الإنتاج، حيث توفر ميزات مثل إصدار النماذج، واختبار A/B عبر الإنترنت، وقابلية التوسع للتعامل مع كميات كبيرة من الطلبات.

• واجهة برمجة تطبيقات الاستدلال التجديفية: تمنحك واجهة برمجة تطبيقات الاستدلال التجديفية تحكمًا منخفض المستوى في تنفيذ النموذج. هذا الخيار مناسب تمامًا للسيناريوهات التي تحتاج فيها إلى دمج النموذج بإحكام داخل تطبيق مخصص أو تحسين الأداء لأجهزة معينة.

• Paddle Lite: تم تصميم Paddle Lite للنشر على الأجهزة المحمولة والأجهزة المدمجة حيث تكون الموارد محدودة. فهو يعمل على تحسين النماذج لأحجام أصغر واستدلال أسرع على وحدات المعالجة المركزية ARM ووحدات معالجة الرسومات وغيرها من الأجهزة المتخصصة.

• Paddle.js: يمكّنك Paddle.js من نشر نماذج PaddlePaddle مباشرةً داخل متصفحات الويب. يمكن لـ Paddle.js إما تحميل نموذج مدرب مسبقًا أو تحويل نموذج من paddle-hub باستخدام أدوات تحويل النماذج التي يوفرها Paddle.js. يمكن تشغيله في المتصفحات التي تدعم WebGL/WebGPU/WebAssembly.

التصدير إلى PaddlePaddle: تحويل نموذج YOLO11 الخاص بك

يمكن أن يؤدي تحويل النماذج YOLO11 إلى تنسيق PaddlePaddle إلى تحسين مرونة التنفيذ وتحسين الأداء لسيناريوهات النشر المختلفة.

التركيب

لتثبيت الحزمة المطلوبة، قم بتشغيل:

# Install the required package for YOLO11
pip install ultralytics

للاطلاع على الإرشادات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل التثبيتUltralytics . أثناء تثبيت الحزم المطلوبة YOLO11 ، إذا واجهت أي صعوبات، راجع دليل المشكلات الشائعة للحصول على الحلول والنصائح.

الاستخدام

قبل الغوص في إرشادات الاستخدام، من المهم ملاحظة أنه على الرغم من أن جميع الطرازاتUltralytics YOLO11 متاحة للتصدير، يمكنك التأكد من أن الطراز الذي تختاره يدعم وظيفة التصدير هنا.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle  # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

للحصول على مزيد من التفاصيل حول خيارات التصدير المدعومة، يرجى زيارة صفحة التوثيقUltralytics الخاصة بخيارات النشر.

نشر النماذج المصدّرة YOLO11 PaddlePaddle النماذج

بعد تصدير نماذج Ultralytics YOLO11 الخاصة بك بنجاح إلى تنسيق PaddlePaddle ، يمكنك الآن نشرها. الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج PaddlePaddle هي استخدام طريقة YOLO("./model_paddle_model")، كما هو موضح في مقتطف كود الاستخدام السابق.

ومع ذلك، للحصول على إرشادات متعمقة حول نشر نماذج PaddlePaddle في إعدادات أخرى مختلفة، ألق نظرة على الموارد التالية:

• خدمة التجديف: تعرف على كيفية نشر نماذج PaddlePaddle الخاصة بك كخدمات فعالة باستخدام خدمة Paddle Serving.

• مجداف لايت: اكتشف 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.

الملخص

في هذا الدليل، استكشفنا عملية تصدير النماذج Ultralytics YOLO11 إلى تنسيق PaddlePaddle . من خلال اتباع هذه الخطوات، يمكنك الاستفادة من نقاط القوة PaddlePaddle في سيناريوهات النشر المتنوعة، وتحسين نماذجك لبيئات الأجهزة والبرامج المختلفة.

للحصول على مزيد من التفاصيل حول الاستخدام، يرجى زيارة الوثائق الرسميةPaddlePaddle

هل تريد استكشاف المزيد من الطرق لدمج نماذج Ultralytics YOLO11 الخاصة بك؟ تستكشف صفحة دليل التكامل لدينا العديد من الخيارات، وتزودك بالموارد والرؤى القيمة.

الأسئلة الشائعة

كيف يمكنني تصدير النماذج Ultralytics YOLO11 إلى تنسيق PaddlePaddle ؟

يعد تصدير النماذج Ultralytics YOLO11 إلى تنسيق PaddlePaddle أمراً سهلاً ومباشراً. يمكنك استخدام export من فئة YOLO لتنفيذ هذا التصدير. فيما يلي مثال باستخدام Python:

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

# Run inference
results = paddle_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle  # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

لمزيد من الإعداد التفصيلي واستكشاف الأخطاء وإصلاحها، راجع دليل التثبيتUltralytics ودليل المشكلات الشائعة.

ما هي مزايا استخدام PaddlePaddle لنشر النماذج؟

PaddlePaddle العديد من المزايا الرئيسية لنشر النموذج:

• تحسين الأداء: PaddlePaddle يتفوق في تنفيذ النماذج بكفاءة وتقليل استخدام الذاكرة.
• تجميع الرسم البياني الديناميكي إلى ثابت: يدعم التجميع الديناميكي إلى ثابت، مما يسمح بتحسينات وقت التشغيل.
• دمج المشغلات: من خلال دمج العمليات المتوافقة، يقلل من النفقات الحسابية الزائدة.
• تقنيات التكميم: يدعم كلاً من التدريب اللاحق والتدريب المدرك للتقدير الكمي، مما يتيح تمثيل البيانات بدقة أقل لتحسين الأداء.

يمكنك تحقيق نتائج محسّنة من خلال تصدير نماذج Ultralytics YOLO11 الخاصة بك إلى PaddlePaddle ، مما يضمن المرونة والأداء العالي عبر مختلف التطبيقات ومنصات الأجهزة. تعرف على المزيد حول ميزات PaddlePaddleهنا.

لماذا يجب أن أختار PaddlePaddle لنشر نماذج YOLO11 الخاصة بي ؟

PaddlePaddleتم تطويره بواسطة Baidu، وهو مُحسَّن لعمليات نشر الذكاء الاصطناعي الصناعية والتجارية. ويوفر مجتمع المطورين الكبير وإطار العمل القوي الخاص بها أدوات واسعة النطاق على غرار TensorFlow و PyTorch. من خلال تصدير نماذج YOLO11 الخاصة بك إلى PaddlePaddle ، يمكنك الاستفادة من:

• أداء محسّن: سرعة تنفيذ مثالية وبصمة ذاكرة منخفضة.
• المرونة: توافق واسع مع مختلف الأجهزة من الهواتف الذكية إلى الخوادم السحابية.
• قابلية التوسع: قدرات المعالجة المتوازية الفعالة للبيئات الموزعة.

تجعل هذه الميزات من PaddlePaddle خيارًا مقنعًا لنشر نماذج YOLO11 في إعدادات الإنتاج.

كيف يعمل PaddlePaddle على تحسين أداء النموذج على الأطر الأخرى؟

PaddlePaddle يستخدم العديد من التقنيات المتقدمة لتحسين أداء النموذج:

• رسم بياني ديناميكي إلى ثابت: تحويل النماذج إلى رسم بياني حسابي ثابت لتحسينات وقت التشغيل.
• دمج المشغل: يجمع بين العمليات المتوافقة لتقليل نقل الذاكرة وزيادة سرعة الاستدلال.
• التحويل الكمي: يقلل من حجم النموذج ويزيد من الكفاءة باستخدام بيانات أقل دقة مع الحفاظ على الدقة.

تعطي هذه التقنيات الأولوية لتنفيذ النموذج بكفاءة، مما يجعل PaddlePaddle خيارًا ممتازًا لنشر نماذج YOLO11 عالية الأداء. لمعرفة المزيد عن التحسين، راجع الوثائق الرسميةPaddlePaddle .

ما هي خيارات النشر التي يقدمها موقع PaddlePaddle لطرازات YOLO11 ؟

PaddlePaddle توفر خيارات نشر مرنة:

• خدمة التجديف: تنشر النماذج كواجهات برمجة تطبيقات RESTful، وهي مثالية للإنتاج مع ميزات مثل إصدار النماذج واختبار A/B عبر الإنترنت.
• واجهة برمجة تطبيقات الاستدلال التجديفية: يمنح تحكمًا منخفض المستوى في تنفيذ النموذج للتطبيقات المخصصة.
• بادل لايت: يحسّن النماذج للموارد المحدودة للأجهزة المحمولة والمضمنة.
• Paddle.js: يتيح نشر النماذج مباشرةً داخل متصفحات الويب.

تغطي هذه الخيارات مجموعة واسعة من سيناريوهات النشر، من الاستدلال على الجهاز إلى الخدمات السحابية القابلة للتطوير. استكشف المزيد من استراتيجيات النشر على صفحة خيارات النشر فيUltralytics Model Deployment Options (خيارات النشر في نموذج).

📅 تم إنشاؤها قبل 8 أشهر ✏️ تم التحديث منذ 1 شهر

التعليقات