كيفية التصدير إلى تنسيق PaddlePaddle من نماذج YOLO26#
قد يكون سد الفجوة بين تطوير نماذج الرؤية الحاسوبية ونشرها في سيناريوهات واقعية ذات ظروف متنوعة أمرًا صعبًا. يسهّل PaddlePaddle هذه العملية بفضل تركيزه على المرونة والأداء وقدرته على المعالجة المتوازية في البيئات الموزعة. وهذا يعني أنه يمكنك استخدام نماذج الرؤية الحاسوبية YOLO26 على مجموعة واسعة من الأجهزة والمنصات، بدءًا من الهواتف الذكية ووصولًا إلى الخوادم المستندة إلى السحابة.
Watch: How to Export Ultralytics YOLO26 Models to PaddlePaddle Format | Key Features of PaddlePaddle Format
تتيح إمكانية التصدير إلى تنسيق نموذج PaddlePaddle تحسين نماذج Ultralytics YOLO26 لاستخدامها ضمن إطار عمل PaddlePaddle. ويُعرف PaddlePaddle بتسهيل عمليات النشر الصناعية، وهو خيار جيد لنشر تطبيقات الرؤية الحاسوبية في البيئات الواقعية عبر مجالات متنوعة.
لماذا ينبغي لك التصدير إلى PaddlePaddle؟#
طوّرت شركة Baidu منصة PaddlePaddle (PAلتعلّم Dالموزّع Dالعميق LEالمتوازي) المفتوحة المصدر الأولى في الصين للتعلّم العميق. وعلى خلاف بعض أُطر العمل المصمّمة أساسًا للبحث، تعطي PaddlePaddle الأولوية لسهولة الاستخدام والتكامل السلس عبر مختلف القطاعات.
يوفّر أدوات وموارد مشابهة لتلك الموجودة في أطر العمل الشائعة مثل TensorFlow وPyTorch، ما يجعله في متناول المطورين من جميع مستويات الخبرة. ومن الزراعة والمصانع إلى شركات الخدمات، يساعد مجتمع مطوري PaddlePaddle الكبير، الذي يزيد عدد أعضائه على 4.77 مليون، في إنشاء تطبيقات الذكاء الاصطناعي ونشرها.
بتصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle، يمكنك الاستفادة من نقاط قوة PaddlePaddle في تحسين الأداء. يعطي PaddlePaddle الأولوية للتنفيذ الفعّال للنماذج وتقليل استخدام الذاكرة. ونتيجة لذلك، يمكن لنماذج YOLO26 تحقيق أداء أفضل، ما يوفّر نتائج ممتازة في السيناريوهات العملية.
الميزات الرئيسية لنماذج PaddlePaddle#
توفّر نماذج PaddlePaddle مجموعة من الميزات الرئيسية التي تسهم في مرونتها وأدائها وقابليتها للتوسع عبر سيناريوهات النشر المتنوعة:
-
الرسم البياني الديناميكي إلى الساكن: يدعم PaddlePaddle الترجمة البرمجية من الرسم البياني الديناميكي إلى الساكن، حيث يمكن تحويل النماذج إلى رسم بياني حسابي ساكن. ويتيح ذلك إجراء تحسينات تقلل الحمل الزمني أثناء التشغيل وتعزز أداء الاستدلال.
-
دمج العمليات: يستخدم PaddlePaddle، مثل TensorRT، دمج العمليات لتبسيط الحساب وتقليل الحمل. ويقلل إطار العمل عمليات نقل الذاكرة والخطوات الحسابية من خلال دمج العمليات المتوافقة، ما يؤدي إلى استدلال أسرع.
-
التكميم: يدعم PaddlePaddle تقنيات التكميم، بما في ذلك التكميم بعد التدريب والتدريب مع مراعاة التكميم. وتتيح هذه التقنيات استخدام تمثيلات بيانات منخفضة الدقة، ما يعزز الأداء ويقلل حجم النموذج بفاعلية.
خيارات النشر في PaddlePaddle#
قبل التعمق في التعليمات البرمجية لتصدير نماذج YOLO26 إلى PaddlePaddle، لنلقِ نظرة على سيناريوهات النشر المختلفة التي تتفوق فيها نماذج PaddlePaddle.
يوفّر PaddlePaddle مجموعة من الخيارات، يقدّم كل منها توازنًا مميزًا بين سهولة الاستخدام والمرونة والأداء:
-
Paddle Serving: يبسّط إطار العمل هذا نشر نماذج PaddlePaddle بوصفها واجهات RESTful API عالية الأداء. ويُعد Paddle Serving مثاليًا لبيئات الإنتاج، إذ يوفّر ميزات مثل إصدار النماذج، واختبار A/B عبر الإنترنت، وقابلية التوسع للتعامل مع أحجام 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 داخل تطبيق مخصص أو تحسين الأداء لأجهزة معينة.
-
Paddle Lite: صُمم Paddle Lite للنشر على الأجهزة المحمولة والمدمجة ذات الموارد المحدودة. ويحسّن النماذج لتصبح أصغر حجمًا وأسرع استدلالًا على وحدات المعالجة المركزية ARM ووحدات GPU وغيرها من الأجهزة المتخصصة.
-
Paddle.js: يتيح لك Paddle.js نشر نماذج PaddlePaddle مباشرةً داخل متصفحات الويب. ويمكن لـ Paddle.js تحميل نموذج مُدرّب مسبقًا أو تحويل نموذج من paddle-hub باستخدام أدوات تحويل النماذج التي يوفّرها Paddle.js. ويمكنه العمل في المتصفحات التي تدعم WebGL/WebGPU/WebAssembly.
المهام المدعومة#
يدعم التصدير إلى PaddlePaddle جميع مهام Ultralytics السبع. ولا يتوفر تجزئة الصور الدلالية وتقدير العمق إلا مع YOLO26، وهي العائلة الوحيدة التي تأتي مع رأسي المهام هذين.
التصدير إلى PaddlePaddle: تحويل نموذج YOLO26#
يمكن أن يؤدي تحويل نماذج YOLO26 إلى تنسيق PaddlePaddle إلى تحسين مرونة التنفيذ وتحسين الأداء لمختلف سيناريوهات النشر.
التثبيت#
لتثبيت الحزمة المطلوبة، نفّذ:
# Install the required package for YOLO26
pip install ultralyticsللحصول على تعليمات 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 استعراض القائمة الكاملة لتنسيقات وخيارات التصدير للعثور على الأنسب لاحتياجات النشر لديك.
يدعم تنسيق PaddlePaddle أوضاع التصدير والتنبؤ والتحقق. صدّر نموذجك، ثم حمّل النموذج المُصدّر لإجراء 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#
| الوسيطة | النوع | الافتراضي | الوصف |
|---|---|---|---|
format | str | 'paddle' | التنسيق المستهدف للنموذج المُصدَّر، والذي يحدد التوافق مع بيئات النشر المختلفة. |
imgsz | int أو tuple | 640 | حجم الصورة المطلوب لإدخال النموذج. يمكن أن يكون عددًا صحيحًا للصور المربعة أو صفًا (height, width) لأبعاد محددة. |
quantize | int أو str | None | تصدير ثابت بدقة FP32. لا يدعم تصدير PaddlePaddle تحويل الدقة إلى FP16 أو INT8 أو W8A16 وقت التصدير. |
batch | int | 1 | يحدد حجم الدفعة للاستدلال في نموذج التصدير أو الحد الأقصى لعدد الصور التي سيعالجها النموذج المُصدَّر بالتزامن في وضع predict. |
device | str | None | يحدد الجهاز المستخدم للتصدير: CPU (device=cpu)، وMPS لشرائح Apple (device=mps). |
لمزيد من التفاصيل حول عملية التصدير، تفضل بزيارة صفحة توثيق Ultralytics حول التصدير.
نشر نماذج YOLO26 المُصدّرة بتنسيق PaddlePaddle#
بعد تصدير نماذج Ultralytics YOLO26 بنجاح إلى تنسيق PaddlePaddle، يمكنك الآن نشرها. وتتمثل الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج PaddlePaddle في استخدام طريقة YOLO("yolo26n_paddle_model/")، كما هو موضح في مقتطف التعليمات البرمجية للاستخدام السابق.
ومع ذلك، للحصول على تعليمات متعمقة حول نشر نماذج PaddlePaddle في إعدادات أخرى متنوعة، اطلع على الموارد التالية:
-
Paddle Serving: تعرّف على كيفية نشر نماذج PaddlePaddle بوصفها خدمات عالية الأداء باستخدام Paddle Serving.
-
Paddle Lite: استكشف كيفية تحسين النماذج ونشرها على الأجهزة المحمولة والمدمجة باستخدام Paddle Lite.
-
Paddle.js: تعرّف على كيفية تشغيل نماذج PaddlePaddle في متصفحات الويب لتوفير الذكاء الاصطناعي من جانب العميل باستخدام Paddle.js.
الملخص#
استكشفنا في هذا الدليل عملية تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle. وباتباع هذه الخطوات، يمكنك الاستفادة من نقاط قوة PaddlePaddle في سيناريوهات النشر المتنوعة، وتحسين نماذجك لتناسب بيئات الأجهزة والبرامج المختلفة.
لمزيد من التفاصيل حول الاستخدام، زُر الوثائق الرسمية لـ PaddlePaddle.
هل ترغب في استكشاف مزيد من الطرق لدمج نماذج Ultralytics YOLO26؟ تستعرض صفحة دليل التكامل لدينا خيارات متنوعة، وتزوّدك بموارد ورؤى قيّمة.
الأسئلة الشائعة#
يُعد تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle أمرًا مباشرًا. يمكنك استخدام طريقة
exportمن فئة YOLO لإجراء التحويل. إليك مثالًا 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 التفاصيل حول الإعداد واستكشاف الأخطاء وإصلاحها، راجع دليل تثبيت Ultralytics ودليل المشكلات الشائعة.
يوفّر PaddlePaddle عدة مزايا رئيسية لنشر النماذج:
- تحسين الأداء: يتفوق PaddlePaddle في التنفيذ الفعّال للنماذج وتقليل استخدام الذاكرة.
- ترجمة الرسم البياني الديناميكي إلى الساكن: يدعم الترجمة من الرسم البياني الديناميكي إلى الساكن، ما يتيح إجراء تحسينات وقت التشغيل.
- دمج العمليات: من خلال دمج العمليات المتوافقة، يقلل الحمل الحسابي.
- تقنيات التكميم: يدعم كلًا من التكميم بعد التدريب والتدريب مع مراعاة التكميم، ما يتيح استخدام تمثيلات بيانات منخفضة-الدقة لتحسين الأداء.
يمكنك تحقيق نتائج محسّنة بتصدير نماذج Ultralytics YOLO26 إلى PaddlePaddle، بما يضمن المرونة والأداء العالي عبر مختلف التطبيقات ومنصات الأجهزة. واستكشف الميزات والإمكانات الرئيسية لـ PaddlePaddle في الوثائق الرسمية لـ PaddlePaddle.
طوّر Baidu منصة PaddlePaddle، وهي محسّنة لعمليات نشر الذكاء الاصطناعي الصناعية والتجارية. ويوفّر مجتمع المطورين الكبير وإطار العمل المتين أدوات واسعة مشابهة لتلك الموجودة في TensorFlow وPyTorch. وبتصدير نماذج YOLO26 إلى PaddlePaddle، تستفيد من:
- أداء محسّن: سرعة تنفيذ مثلى وبصمة ذاكرة منخفضة.
- المرونة: توافق واسع مع أجهزة متنوعة، بدءًا من الهواتف الذكية ووصولًا إلى الخوادم السحابية.
- قابلية التوسع: إمكانات فعّالة للمعالجة المتوازية في البيئات الموزعة.
تجعل هذه الميزات PaddlePaddle خيارًا مقنعًا لنشر نماذج YOLO26 في بيئات الإنتاج.
يستخدم PaddlePaddle عدة تقنيات متقدمة لتحسين أداء النماذج:
- الرسم البياني الديناميكي إلى الساكن: يحوّل النماذج إلى رسم بياني حسابي ساكن لإجراء تحسينات وقت التشغيل.
- دمج العمليات: يدمج العمليات المتوافقة لتقليل نقل الذاكرة وزيادة سرعة الاستدلال.
- التكميم: يقلل حجم النموذج ويزيد الكفاءة باستخدام بيانات منخفضة الدقة مع الحفاظ على الدقة.
تعطي هذه التقنيات الأولوية للتنفيذ الفعّال للنماذج، ما يجعل PaddlePaddle خيارًا ممتازًا لنشر نماذج YOLO26 عالية الأداء. لمزيد من المعلومات حول التحسين، راجع الوثائق الرسمية لـ PaddlePaddle.
يوفّر PaddlePaddle خيارات نشر مرنة:
- Paddle Serving: ينشر النماذج بوصفها واجهات RESTful API، وهو مثالي للإنتاج مع ميزات مثل إصدار النماذج واختبار A/B عبر الإنترنت.
- Paddle Inference API: يوفّر تحكمًا منخفض المستوى في تنفيذ النموذج للتطبيقات المخصصة.
- Paddle Lite: يحسّن النماذج لتناسب الموارد المحدودة للأجهزة المحمولة والمدمجة.
- Paddle.js: يتيح نشر النماذج مباشرةً داخل متصفحات الويب.
تغطي هذه الخيارات نطاقًا واسعًا من سيناريوهات النشر، بدءًا من الاستدلال على الجهاز ووصولًا إلى الخدمات السحابية القابلة للتوسع. استكشف مزيدًا من استراتيجيات النشر في صفحة خيارات نشر نماذج Ultralytics.