كيفية التصدير إلى تنسيق PaddlePaddle من نماذج YOLO26

يمكن أن يكون سد الفجوة بين تطوير ونشر نماذج الرؤية الحاسوبية في سيناريوهات العالم الحقيقي بظروف متغيرة أمرًا صعبًا. تسهل PaddlePaddle هذه العملية بتركيزها على المرونة والأداء وقدرتها على المعالجة المتوازية في البيئات الموزعة. هذا يعني أنه يمكنك استخدام نماذج الرؤية الحاسوبية YOLO26 الخاصة بك على مجموعة واسعة من الأجهزة والمنصات، من الهواتف الذكية إلى الخوادم السحابية.

شاهد: كيفية تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle | الميزات الرئيسية لتنسيق PaddlePaddle

تتيح لك القدرة على التصدير إلى تنسيق نموذج PaddlePaddle تحسين نماذج Ultralytics YOLO26 الخاصة بك للاستخدام ضمن إطار عمل PaddlePaddle. تشتهر PaddlePaddle بتسهيل عمليات النشر الصناعية وتعد خيارًا جيدًا لنشر تطبيقات الرؤية الحاسوبية في إعدادات العالم الحقيقي عبر مختلف المجالات.

لماذا يجب عليك التصدير إلى PaddlePaddle؟

تم تطوير PaddlePaddle (PArallel Distributed Deep LEarning) بواسطة Baidu، وهي أول منصة تعلم عميق مفتوحة المصدر في الصين. على عكس بعض الأطر التي تم إنشاؤها بشكل أساسي للبحث، تعطي PaddlePaddle الأولوية لسهولة الاستخدام والتكامل السلس عبر الصناعات.

يوفر أدوات وموارد مماثلة للأطر الشائعة مثل TensorFlow و PyTorch، مما يجعله في متناول المطورين من جميع مستويات الخبرة. من الزراعة والمصانع إلى الشركات الخدمية، يساعد مجتمع مطوري PaddlePaddle الكبير الذي يضم أكثر من 4.77 مليون شخص في إنشاء تطبيقات الذكاء الاصطناعي ونشرها.

من خلال تصدير نماذج Ultralytics YOLO26 الخاصة بك إلى تنسيق PaddlePaddle، يمكنك الاستفادة من نقاط قوة PaddlePaddle في تحسين الأداء. تعطي PaddlePaddle الأولوية للتنفيذ الفعال للنموذج وتقليل استهلاك الذاكرة. ونتيجة لذلك، يمكن لنماذج YOLO26 الخاصة بك أن تحقق أداءً أفضل، وتقدم نتائج ممتازة في السيناريوهات العملية.

الميزات الرئيسية لنماذج PaddlePaddle

توفر نماذج PaddlePaddle مجموعة من الميزات الرئيسية التي تساهم في مرونتها وأدائها وقابليتها للتوسع عبر سيناريوهات نشر متنوعة:

• الرسم البياني الديناميكي إلى الثابت: يدعم PaddlePaddle التجميع الديناميكي إلى الثابت، حيث يمكن ترجمة النماذج إلى رسم بياني حسابي ثابت. يتيح ذلك إجراء تحسينات تقلل من حمل وقت التشغيل وتعزز أداء الاستدلال.

• دمج العمليات: يستخدم PaddlePaddle، مثل TensorRT، دمج العمليات لتبسيط العمليات الحسابية وتقليل النفقات العامة. يقلل الإطار من عمليات نقل الذاكرة والخطوات الحسابية عن طريق دمج العمليات المتوافقة، مما يؤدي إلى استدلال أسرع.

• التكميم: يدعم PaddlePaddle تقنيات التكميم، بما في ذلك التكميم بعد التدريب والتدريب المدرك للتكميم. تتيح هذه التقنيات استخدام تمثيلات بيانات ذات دقة أقل، مما يعزز الأداء بشكل فعال ويقلل من حجم النموذج.

خيارات النشر في PaddlePaddle

قبل التعمق في التعليمات البرمجية لتصدير نماذج YOLO26 إلى PaddlePaddle، دعنا نلقي نظرة على سيناريوهات النشر المختلفة التي تتفوق فيها نماذج PaddlePaddle.

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

• Paddle Serving: يبسط هذا الإطار نشر نماذج PaddlePaddle كواجهات برمجة تطبيقات RESTful عالية الأداء. يعتبر Paddle Serving مثاليًا لبيئات الإنتاج، حيث يوفر ميزات مثل التحكم في إصدار النموذج واختبار A/B عبر الإنترنت وقابلية التوسع للتعامل مع كميات كبيرة من الطلبات.

• Paddle Inference API: يمنحك Paddle Inference API 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 والمضمنة حيث تكون الموارد محدودة. يعمل على تحسين النماذج لتقليل الأحجام وتسريع الاستدلال على وحدات المعالجة المركزية ARM ووحدات معالجة الرسوميات (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 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 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 ultralytics

للحصول على تعليمات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، تحقق من دليل تثبيت Ultralytics الخاص بنا. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، استشر دليل المشكلات الشائعة لدينا للحصول على الحلول والنصائح.

الاستخدام

تدعم جميع نماذج Ultralytics YOLO26 التصدير، ويمكنك تصفح القائمة الكاملة لتنسيقات وخيارات التصدير للعثور على الأنسب لاحتياجات النشر الخاصة بك.

from ultralytics import YOLO

# Load the 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")

# Export a YOLO26n PyTorch model to PaddlePaddle format
yolo export model=yolo26n.pt format=paddle # creates '/yolo26n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo26n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

وسائط التصدير

لمزيد من التفاصيل حول عملية التصدير، قم بزيارة صفحة وثائق Ultralytics حول التصدير.

نشر نماذج YOLO26 PaddlePaddle المصدرة

بعد تصدير نماذج Ultralytics YOLO26 بنجاح إلى تنسيق PaddlePaddle، يمكنك الآن نشرها. الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج PaddlePaddle هي استخدام طريقة YOLO("yolo26n_paddle_model/")، كما هو موضح في مقتطف التعليمات البرمجية للاستخدام السابق.

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

• Paddle Serving: تعلم كيفية نشر نماذج PaddlePaddle الخاصة بك كخدمات عالية الأداء باستخدام Paddle Serving.

• Paddle Lite: استكشف كيفية تحسين ونشر النماذج على الأجهزة المحمولة والمدمجة 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. باتباع هذه الخطوات، يمكنك الاستفادة من نقاط قوة PaddlePaddle في سيناريوهات النشر المتنوعة، وتحسين نماذجك لبيئات الأجهزة والبرامج المختلفة.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة وثائق PaddlePaddle الرسمية.

هل ترغب في استكشاف المزيد من الطرق لدمج نماذج Ultralytics YOLO26 الخاصة بك؟ تستكشف صفحة دليل التكامل الخاصة بنا خيارات متنوعة، وتزودك بموارد ورؤى قيمة.

الأسئلة الشائعة

كيف أقوم بتصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle؟

يعد تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle أمرًا مباشرًا. يمكنك استخدام export method الخاص بفئة YOLO لإجراء التحويل. فيما يلي مثال باستخدام Python:

from ultralytics import YOLO

# Load the 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")

# Export a YOLO26n PyTorch model to PaddlePaddle format
yolo export model=yolo26n.pt format=paddle # creates '/yolo26n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo26n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

للحصول على إعداد واستكشاف الأخطاء وإصلاحها بشكل أكثر تفصيلاً، تحقق من دليل تثبيت Ultralytics و دليل المشكلات الشائعة.

ما هي مزايا استخدام PaddlePaddle لـ نشر النموذج؟

توفر PaddlePaddle العديد من المزايا الرئيسية لنشر النماذج:

• تحسين الأداء: يتفوق PaddlePaddle في التنفيذ الفعال للنماذج وتقليل استخدام الذاكرة.
• تجميع الرسم البياني الديناميكي إلى الثابت: وهو يدعم التجميع الديناميكي إلى الثابت، مما يسمح بتحسينات وقت التشغيل.
• Operator Fusion: عن طريق دمج العمليات المتوافقة، فإنه يقلل من النفقات الحسابية.
• تقنيات التكميم: يدعم كلاً من التدريب بعد التكميم والتدريب المدرك للتكميم، مما يتيح تمثيلات بيانات دقة أقل لتحسين الأداء.

يمكنك تحقيق نتائج محسّنة عن طريق تصدير نماذج Ultralytics YOLO26 الخاصة بك إلى PaddlePaddle، مما يضمن المرونة والأداء العالي عبر مختلف التطبيقات ومنصات الأجهزة. استكشف الميزات والقدرات الرئيسية لـ PaddlePaddle في وثائق PaddlePaddle الرسمية.

لماذا يجب أن أختار PaddlePaddle لنشر نماذج YOLO26 الخاصة بي؟

تم تحسين PaddlePaddle، الذي طورته Baidu، لعمليات نشر الذكاء الاصطناعي الصناعية والتجارية. يوفر مجتمع المطورين الكبير والإطار القوي أدوات شاملة مماثلة لـ TensorFlow وPyTorch. من خلال تصدير نماذج YOLO26 الخاصة بك إلى PaddlePaddle، فإنك تستفيد من:

• أداء مُحسَّن: سرعة تنفيذ مثالية وتقليل حجم الذاكرة.
• المرونة: توافق واسع مع الأجهزة المختلفة من الهواتف الذكية إلى الخوادم السحابية.
• قابلية التوسع: قدرات معالجة متوازية فعالة للبيئات الموزعة.

تجعل هذه الميزات PaddlePaddle خيارًا مقنعًا لنشر نماذج YOLO26 في بيئات الإنتاج.

كيف يحسن PaddlePaddle أداء النموذج مقارنة بالأطر الأخرى؟

تستخدم PaddlePaddle العديد من التقنيات المتقدمة لتحسين أداء النموذج:

• الرسم البياني الديناميكي إلى الثابت: يحول النماذج إلى رسم بياني حسابي ثابت لتحسينات وقت التشغيل.
• Operator Fusion: يجمع بين العمليات المتوافقة لتقليل نقل الذاكرة وزيادة سرعة الاستدلال.
• التكميم: يقلل من حجم النموذج ويزيد الكفاءة باستخدام بيانات ذات دقة أقل مع الحفاظ على الدقة.

تعطي هذه التقنيات الأولوية للتنفيذ الفعال للنموذج، مما يجعل PaddlePaddle خيارًا ممتازًا لنشر نماذج YOLO26 عالية الأداء. لمزيد من المعلومات حول التحسين، راجع وثائق PaddlePaddle الرسمية.

ما هي خيارات النشر التي تقدمها PaddlePaddle لنماذج YOLO26؟

توفر PaddlePaddle خيارات نشر مرنة:

• Paddle Serving: ينشر النماذج كواجهات برمجة تطبيقات RESTful، وهو مثالي للإنتاج مع ميزات مثل التحكم في إصدار النموذج واختبار A/B عبر الإنترنت.
• Paddle Inference API: يوفر تحكمًا منخفض المستوى في تنفيذ النموذج للتطبيقات المخصصة.
• Paddle Lite: يعمل على تحسين النماذج للموارد المحدودة للأجهزة المحمولة والمضمنة.
• Paddle.js: يتيح نشر النماذج مباشرة داخل متصفحات الويب.

تغطي هذه الخيارات مجموعة واسعة من سيناريوهات النشر، بدءًا من الاستدلال على الجهاز وحتى الخدمات السحابية القابلة للتطوير. استكشف المزيد من استراتيجيات النشر على صفحة خيارات نشر نماذج Ultralytics.

📅 تم الإنشاء قبل 1 عام ✏️ تم التحديث قبل 7 أيام

تعليقات