Ultralytics YOLO27:
Get Started

كيفية التصدير من نماذج YOLO26 إلى تنسيق PaddlePaddle#

قد يكون سد الفجوة بين تطوير نماذج الرؤية الحاسوبية ونشرها في ظروف واقعية متباينة أمرًا صعبًا. وتسهّل PaddlePaddle هذه العملية بفضل تركيزها على المرونة والأداء وقدرتها على المعالجة المتوازية في البيئات الموزعة. وهذا يعني أنه يمكنك استخدام نماذج الرؤية الحاسوبية YOLO26 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 إمكانية التصدير إلى تنسيق نماذج PaddlePaddle تحسين نماذج Ultralytics YOLO26 لاستخدامها ضمن إطار عمل PaddlePaddle. وتشتهر PaddlePaddle بتسهيل عمليات النشر الصناعية، وهي خيار جيد لنشر تطبيقات الرؤية الحاسوبية في بيئات واقعية ضمن مجالات متنوعة.

لماذا ينبغي التصدير إلى PaddlePaddle؟#

PaddlePaddle deep learning framework logo

طورت Baidu منصة PaddlePaddle (PA للموازاة، D للتوزيع، D للتعلّم العميق، LE)، وهي أول منصة مفتوحة المصدر في الصين لـالتعلّم العميق. وعلى خلاف بعض أُطر العمل المصممة أساسًا للبحث، تعطي PaddlePaddle الأولوية لسهولة الاستخدام وسلاسة التكامل بين القطاعات.

تقدم المنصة أدوات وموارد شبيهة بتلك الموجودة في أُطر العمل الشائعة مثل TensorFlow وPyTorch، مما يجعلها في متناول المطورين بمختلف مستويات الخبرة. ومن الزراعة والمصانع إلى شركات الخدمات، يساعد مجتمع مطوري PaddlePaddle الكبير، الذي يضم أكثر من 4.77 مليون مطور، في إنشاء تطبيقات الذكاء الاصطناعي ونشرها.

من خلال تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle، يمكنك الاستفادة من نقاط قوة PaddlePaddle في تحسين الأداء. وتعطي PaddlePaddle الأولوية لتنفيذ النماذج بكفاءة وتقليل استخدام الذاكرة. ونتيجة لذلك، يمكن أن تحقق نماذج YOLO26 أداءً أفضل، وتقدم نتائج ممتازة في السيناريوهات العملية.

الميزات الأساسية لنماذج PaddlePaddle#

تقدم نماذج PaddlePaddle مجموعة من الميزات الأساسية التي تسهم في مرونتها وأدائها وقابليتها للتوسع عبر سيناريوهات النشر المتنوعة:

  • تحويل الرسم البياني من ديناميكي إلى ثابت: تدعم PaddlePaddle الترجمة من الرسم البياني الديناميكي إلى الثابت، حيث يمكن تحويل النماذج إلى رسم بياني حسابي ثابت. ويتيح ذلك إجراء تحسينات تقلل الحمل أثناء التشغيل وتعزز أداء الاستدلال.

  • دمج العمليات: تستخدم PaddlePaddle، مثل TensorRT، دمج العمليات لتبسيط العمليات الحسابية وتقليل الحمل. ويقلل إطار العمل عمليات نقل الذاكرة والخطوات الحسابية عبر دمج العمليات المتوافقة، مما يؤدي إلى استدلال أسرع.

  • التكميم: تدعم PaddlePaddle تقنيات التكميم، بما في ذلك التكميم بعد التدريب والتدريب الواعي بالتكميم. وتتيح هذه التقنيات استخدام تمثيلات بيانات بدقة أقل، مما يعزز الأداء بفاعلية ويقلل حجم النموذج.

خيارات النشر في PaddlePaddle#

قبل التعمق في شيفرة تصدير نماذج YOLO26 إلى PaddlePaddle، لنلقِ نظرة على سيناريوهات النشر المختلفة التي تتفوق فيها نماذج PaddlePaddle.

توفر PaddlePaddle مجموعة من الخيارات، يحقق كل منها توازنًا مختلفًا بين سهولة الاستخدام والمرونة والأداء:

  • Paddle Serving: يبسّط هذا الإطار نشر نماذج PaddlePaddle على هيئة واجهات RESTful API عالية الأداء. ويُعد Paddle Serving مثاليًا لبيئات الإنتاج، إذ يوفر ميزات مثل إصدار النماذج واختبارات A/B عبر الإنترنت وقابلية التوسع للتعامل مع كميات كبيرة من الطلبات.

  • Paddle Inference API: تمنحك Paddle Inference API تحكمًا منخفض المستوى في تنفيذ النموذج. ويناسب هذا الخيار السيناريوهات التي تحتاج فيها إلى دمج النموذج بإحكام ضمن تطبيق مخصص أو تحسين الأداء لأجهزة معينة.

  • Paddle Lite: صُممت Paddle Lite للنشر على الأجهزة المحمولة والمضمنة ذات الموارد المحدودة. وهي تحسّن النماذج لتقليل حجمها وتسريع الاستدلال على وحدات CPU وGPU من ARM وغيرها من الأجهزة المتخصصة.

  • Paddle.js: تتيح لك Paddle.js نشر نماذج PaddlePaddle مباشرةً داخل متصفحات الويب. ويمكن لـ Paddle.js تحميل نموذج مدرّب مسبقًا أو تحويل نموذج من paddle-hub باستخدام أدوات تحويل النماذج التي توفرها Paddle.js. ويمكن تشغيلها في المتصفحات التي تدعم WebGL/WebGPU/WebAssembly.

المهام المدعومة#

يدعم التصدير إلى PaddlePaddle مهام Ultralytics السبع كلها. ولا يتوفر التقسيم الدلالي وتقدير العمق إلا في YOLO26، وهي العائلة الوحيدة التي تتضمن هذين الرأسين.

المهمةYOLOv8YOLO11YOLO26
كشف✅✅✅
تجزئة✅✅✅
دلالي❌❌✅
العمق❌❌✅
تصنيف✅✅✅
الوضعية✅✅✅
OBB✅✅✅

التصدير إلى PaddlePaddle: تحويل نموذج YOLO26#

يمكن أن يؤدي تحويل نماذج YOLO26 إلى تنسيق PaddlePaddle إلى تحسين مرونة التنفيذ والأداء لمختلف سيناريوهات النشر.

التثبيت#

لتثبيت الحزمة المطلوبة، شغّل:

التثبيت
# Install the required package for YOLO26
pip install ultralytics

للاطلاع على التعليمات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل تثبيت Ultralytics. إذا واجهت أي صعوبات أثناء تثبيت الحزم المطلوبة لـ YOLO26، فراجع دليل المشكلات الشائعة للاطلاع على الحلول والنصائح.

الاستخدام#

تدعم جميع نماذج Ultralytics YOLO26 التصدير، ويمكنك استعراض القائمة الكاملة لتنسيقات التصدير وخياراتها للعثور على الأنسب لاحتياجات النشر لديك.

يدعم تنسيق PaddlePaddle أوضاع التصدير والتنبؤ والتحقق. صدّر نموذجك، ثم حمّل النموذج المُصدَّر لتشغيل الاستدلال أو التحقق من دقته.

التصدير
from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26⁩
model = YOLO("yolo26n.pt")

# ⁨تصدير النموذج إلى تنسيق PaddlePaddle⁩
model.export(format="paddle")  # creates 'yolo26n_paddle_model'
التنبؤ
from ultralytics import YOLO

# ⁨تحميل نموذج PaddlePaddle المُصدَّر⁩
model = YOLO("./yolo26n_paddle_model")

# ⁨تنفيذ الاستدلال⁩
results = model("https://ultralytics.com/images/bus.jpg")
تحقّق
from ultralytics import YOLO

# ⁨تحميل نموذج PaddlePaddle المُصدَّر⁩
model = YOLO("./yolo26n_paddle_model")

# ⁨# التحقق من الدقة على مجموعة بيانات COCO8⁩
metrics = model.val(data="coco8.yaml")

وسيطات التصدير#

المعاملالنوعالافتراضيالوصف
formatstr'paddle'التنسيق المستهدف للنموذج المُصدَّر، ويحدد مدى توافقه مع بيئات النشر المختلفة.
imgszint أو tuple640حجم الصورة المطلوب كمدخل للنموذج. يمكن تحديده كعدد صحيح للصور المربعة أو كصف (height, width) للأبعاد المحددة.
quantizeint أو strNoneالتصدير بدقة FP32 فقط. لا يدعم التصدير إلى PaddlePaddle تحويل الدقة إلى FP16 أو INT8 أو W8A16 أثناء التصدير.
batchint1يحدد حجم الدفعة للاستدلال بنموذج التصدير، أو الحد الأقصى لعدد الصور التي سيعالجها النموذج المُصدّر بالتزامن في وضع predict.
devicestrNoneيحدّد الجهاز المستخدَم للتصدير: CPU (device=cpu)، أو MPS لأجهزة Apple silicon (device=mps).

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

نشر نماذج YOLO26 المُصدَّرة إلى PaddlePaddle#

بعد تصدير نماذج Ultralytics YOLO26 بنجاح إلى تنسيق PaddlePaddle، يمكنك الآن نشرها. تتمثل الخطوة الأولى الموصى بها لتشغيل نموذج PaddlePaddle في استخدام الطريقة YOLO("yolo26n_paddle_model/")، كما هو موضح في مقتطف الشيفرة السابق للاستخدام.

لكن للاطلاع على تعليمات مفصلة حول نشر نماذج PaddlePaddle في إعدادات أخرى متنوعة، راجع الموارد التالية:

  • Paddle Serving: تعلّم كيفية نشر نماذج PaddlePaddle كخدمات عالية الأداء باستخدام Paddle Serving.

  • Paddle Lite: تعرّف على كيفية تحسين النماذج ونشرها على الأجهزة المحمولة والمضمنة باستخدام Paddle Lite.

  • Paddle.js: تعرّف على كيفية تشغيل نماذج PaddlePaddle في متصفحات الويب لتوفير ذكاء اصطناعي على جانب العميل باستخدام Paddle.js.

الملخص#

استعرضنا في هذا الدليل عملية تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle. باتباع هذه الخطوات، يمكنك الاستفادة من نقاط قوة PaddlePaddle في سيناريوهات النشر المتنوعة، وتحسين نماذجك لمختلف بيئات الأجهزة والبرامج.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة الوثائق الرسمية لـ PaddlePaddle.

هل ترغب في استكشاف مزيد من الطرق لدمج نماذج Ultralytics YOLO26؟ تستعرض صفحة دليل التكامل خيارات متعددة، وتوفر لك موارد ورؤى قيّمة.

الأسئلة الشائعة#

  • يُعد تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle أمرًا مباشرًا. يمكنك استخدام الطريقة export في الفئة YOLO لإجراء التحويل. إليك مثالًا باستخدام Python:

    الاستخدام
    from ultralytics import YOLO
    
    # ⁨تحميل نموذج YOLO26⁩
    model = YOLO("yolo26n.pt")
    
    # ⁨تصدير النموذج إلى تنسيق PaddlePaddle⁩
    model.export(format="paddle")  # creates 'yolo26n_paddle_model'
    
    # ⁨تحميل نموذج PaddlePaddle المُصدَّر⁩
    paddle_model = YOLO("./yolo26n_paddle_model")
    
    # ⁨تنفيذ الاستدلال⁩
    results = paddle_model("https://ultralytics.com/images/bus.jpg")

    لمزيد من التفاصيل حول الإعداد واستكشاف الأخطاء وإصلاحها، راجع دليل تثبيت Ultralytics ودليل المشكلات الشائعة.

  • تقدم PaddlePaddle عدة مزايا أساسية لنشر النماذج:

    • تحسين الأداء: تتميز PaddlePaddle بكفاءة تنفيذ النماذج وتقليل استخدام الذاكرة.
    • ترجمة الرسم البياني من ديناميكي إلى ثابت: تدعم الترجمة من الرسم البياني الديناميكي إلى الثابت، مما يتيح تحسينات أثناء التشغيل.
    • دمج العمليات: يقلل دمج العمليات المتوافقة الحمل الحسابي.
    • تقنيات التكميم: تدعم كلاً من التكميم بعد التدريب والتدريب الواعي بالتكميم، مما يتيح استخدام تمثيلات بيانات ذات دقة أقل لتحسين الأداء.

    يمكنك تحقيق نتائج محسّنة بتصدير نماذج Ultralytics YOLO26 إلى PaddlePaddle، بما يضمن المرونة والأداء العالي عبر تطبيقات ومنصات أجهزة متنوعة. استكشف الميزات والإمكانات الأساسية لـ PaddlePaddle في الوثائق الرسمية لـ PaddlePaddle.

  • طورت Baidu منصة PaddlePaddle، وهي محسّنة لعمليات نشر الذكاء الاصطناعي الصناعية والتجارية. ويوفر مجتمع مطوريها الكبير وإطار عملها المتين أدوات واسعة، شبيهة بتلك التي يوفرها TensorFlow وPyTorch. ومن خلال تصدير نماذج YOLO26 إلى PaddlePaddle، تستفيد من:

    • أداء محسّن: سرعة تنفيذ مثالية واستهلاك أقل للذاكرة.
    • المرونة: توافق واسع مع أجهزة متنوعة، من الهواتف الذكية إلى الخوادم السحابية.
    • قابلية التوسع: إمكانات فعالة للمعالجة المتوازية في البيئات الموزعة.

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

  • تستخدم PaddlePaddle عدة تقنيات متقدمة لتحسين أداء النماذج:

    • تحويل الرسم البياني من ديناميكي إلى ثابت: تحويل النماذج إلى رسم بياني حسابي ثابت لإجراء تحسينات أثناء التشغيل.
    • دمج العمليات: جمع العمليات المتوافقة لتقليل نقل الذاكرة وزيادة سرعة الاستدلال.
    • التكميم: تقليل حجم النموذج وزيادة الكفاءة باستخدام بيانات ذات دقة أقل مع الحفاظ على الدقة.

    تعطي هذه التقنيات الأولوية لتنفيذ النماذج بكفاءة، مما يجعل PaddlePaddle خيارًا ممتازًا لنشر نماذج YOLO26 عالية الأداء. لمزيد من المعلومات حول التحسين، راجع الوثائق الرسمية لـ PaddlePaddle.

  • توفر PaddlePaddle خيارات نشر مرنة:

    • Paddle Serving: ينشر النماذج على هيئة واجهات RESTful API، وهو مثالي للإنتاج بفضل ميزات مثل إصدار النماذج واختبارات A/B عبر الإنترنت.
    • Paddle Inference API: يمنح تحكمًا منخفض المستوى في تنفيذ النماذج للتطبيقات المخصصة.
    • Paddle Lite: يحسّن النماذج لتناسب الموارد المحدودة للأجهزة المحمولة والمضمنة.
    • Paddle.js: يتيح نشر النماذج مباشرةً داخل متصفحات الويب.

    تغطي هذه الخيارات نطاقًا واسعًا من سيناريوهات النشر، من الاستدلال على الجهاز إلى الخدمات السحابية القابلة للتوسع. استكشف مزيدًا من استراتيجيات النشر في صفحة خيارات نشر النماذج من Ultralytics.

التعليقات