Link to this sectionكيفية التصدير إلى تنسيق PaddlePaddle من نماذج YOLO26#

يمكن أن يكون سد الفجوة بين تطوير ونشر نماذج الرؤية الحاسوبية في سيناريوهات العالم الحقيقي ذات الظروف المتغيرة أمراً صعباً. تجعل PaddlePaddle هذه العملية أسهل بفضل تركيزها على المرونة والأداء وقدرتها على المعالجة المتوازية في البيئات الموزعة. وهذا يعني أنه يمكنك استخدام نماذج YOLO26 للرؤية الحاسوبية الخاصة بك على مجموعة واسعة من الأجهزة والمنصات، بدءاً من الهواتف الذكية وصولاً إلى الخوادم السحابية.

تتيح لك القدرة على التصدير إلى تنسيق نموذج PaddlePaddle تحسين نماذج Ultralytics YOLO26 الخاصة بك للاستخدام داخل إطار عمل PaddlePaddle. تشتهر PaddlePaddle بتسهيل عمليات النشر الصناعي، وهي خيار جيد لنشر تطبيقات الرؤية الحاسوبية في إعدادات العالم الحقيقي عبر مختلف المجالات.

Link to this sectionلماذا يجب عليك التصدير إلى PaddlePaddle؟#

طورت شركة Baidu منصة PaddlePaddle (PArallel Distributed Deep LEarning)، وهي أول منصة مفتوحة المصدر للتعلم العميق في الصين. على عكس بعض الأطر المبنية بشكل أساسي للبحث، تعطي PaddlePaddle الأولوية لسهولة الاستخدام والتكامل السلس عبر الصناعات.

تقدم المنصة أدوات وموارد مشابهة لأطر العمل الشهيرة مثل TensorFlow و PyTorch، مما يجعلها 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 النماذج بكفاءة وتقليل استخدام الذاكرة. ونتيجة لذلك، يمكن لنماذج YOLO26 الخاصة بك تحقيق أداء أفضل، وتقديم نتائج فائقة الجودة في السيناريوهات العملية.

Link to this sectionالميزات الرئيسية لنماذج PaddlePaddle#

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

• الرسم البياني من ديناميكي إلى ثابت: تدعم PaddlePaddle التجميع من ديناميكي إلى ثابت، حيث يمكن ترجمة النماذج إلى رسم بياني حسابي ثابت. هذا يتيح إجراء تحسينات تقلل من حمل وقت التشغيل وتعزز أداء الاستنتاج.

• دمج العمليات (Operator Fusion): تستخدم PaddlePaddle، مثل TensorRT، دمج العمليات لتبسيط الحسابات وتقليل الحمل الزائد. يقلل إطار العمل من عمليات نقل الذاكرة والخطوات الحسابية عن طريق دمج العمليات المتوافقة، مما يؤدي إلى استنتاج أسرع.

• التكميم (Quantization): تدعم PaddlePaddle تقنيات التكميم، بما في ذلك التكميم بعد التدريب والتدريب الواعي بالتكميم. تسمح هذه التقنيات باستخدام تمثيلات بيانات أقل دقة، مما يعزز الأداء بشكل فعال ويقلل من حجم النموذج.

Link to this sectionخيارات النشر في PaddlePaddle#

قبل الغوص في كود تصدير نماذج YOLO26 إلى PaddlePaddle، دعنا نلقي نظرة على سيناريوهات النشر المختلفة التي تتفوق فيها نماذج PaddlePaddle.

توفر PaddlePaddle مجموعة من الخيارات، يوفر 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 إصدارات النماذج، واختبار A/B عبر الإنترنت، وقابلية التوسع للتعامل مع أحجام كبيرة من الطلبات.

• واجهة برمجة تطبيقات Paddle Inference: تمنحك واجهة برمجة تطبيقات Paddle Inference تحكماً منخفض المستوى في تنفيذ النموذج. هذا الخيار مناسب تماماً للسيناريوهات 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 حيث تكون الموارد محدودة. فهو يعمل على تحسين النماذج لتكون بأحجام أصغر واستنتاج أسرع على معالجات ARM CPUs، ووحدات GPU، وغيرها من الأجهزة المتخصصة.

• Paddle.js: تمكنك Paddle.js من 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. يمكنه العمل في المتصفحات التي تدعم WebGL/WebGPU/WebAssembly.

Link to this sectionالتصدير 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.

Link to this sectionالتثبيت#

لتثبيت الحزمة المطلوبة، قم بتشغيل:

# Install the required package for YOLO26
pip install ultralytics

للحصول 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.

Link to this sectionالاستخدام#

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

يدعم تنسيق PaddlePaddle أوضاع التصدير، والتنبؤ، والتحقق. قم بتصدير نموذجك، ثم قم بتحميل النموذج المصدر لتشغيل الاستنتاج 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")

Link to this sectionوسائط التصدير#

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

Link to this sectionنشر 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 الطريقة YOLO("yolo26n_paddle_model/")، كما هو موضح في مقتطف كود الاستخدام السابق.

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

• Paddle Serving: تعرف على كيفية نشر نماذج PaddlePaddle الخاصة بك كخدمات ذات أداء عالٍ 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.

Link to this sectionملخص#

في هذا الدليل، استكشفنا عملية تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle. باتباع هذه الخطوات، يمكنك الاستفادة من نقاط قوة PaddlePaddle في سيناريوهات نشر متنوعة، وتحسين نماذجك لبيئات الأجهزة والبرامج المختلفة.

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

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.

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف يمكنني تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle؟#

تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle أمر مباشر. يمكنك استخدام الطريقة export لفئة YOLO لإجراء التحويل. إليك مثال باستخدام Python:

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'

# 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، تحقق من دليل تثبيت Ultralytics ودليل المشكلات الشائعة.

Link to this sectionما هي مزايا استخدام PaddlePaddle لـ نشر النموذج؟#

تقدم PaddlePaddle العديد من المزايا الرئيسية لنشر النماذج:

• تحسين الأداء: تتفوق PaddlePaddle في تنفيذ النموذج بكفاءة وتقليل استخدام الذاكرة.
• تجميع الرسم البياني من ديناميكي إلى ثابت: تدعم التجميع من ديناميكي إلى ثابت، مما يسمح بتحسينات وقت التشغيل.
• دمج العمليات (Operator Fusion): من خلال دمج العمليات المتوافقة، تقلل من العبء الحسابي.
• تقنيات التكميم: تدعم كلاً من التكميم بعد التدريب والتدريب الواعي بالتكميم، مما يتيح تمثيلات بيانات أقل دقة لتحسين الأداء.

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

Link to this sectionلماذا يجب علي اختيار PaddlePaddle لنشر نماذج YOLO26 الخاصة بي؟#

تم تحسين PaddlePaddle، التي طورتها Baidu، لعمليات نشر الذكاء الاصطناعي الصناعية والتجارية. يوفر مجتمع مطوريها الكبير وإطار عملها القوي أدوات واسعة النطاق مشابهة لـ TensorFlow و PyTorch. من خلال تصدير نماذج YOLO26 الخاصة بك إلى PaddlePaddle، فإنك تستفيد من:

• أداء معزز: سرعة تنفيذ مثالية وبصمة ذاكرة مخفضة.
• المرونة: توافق واسع مع مختلف الأجهزة من الهواتف الذكية إلى الخوادم السحابية.
• قابلية التوسع: قدرات معالجة متوازية فعالة للبيئات الموزعة.

هذه الميزات تجعل من PaddlePaddle خياراً مقنعاً لنشر نماذج YOLO26 في إعدادات الإنتاج.

Link to this sectionكيف تعمل PaddlePaddle على تحسين أداء النموذج مقارنة بأطر العمل الأخرى؟#

تستخدم PaddlePaddle العديد من التقنيات المتقدمة لتحسين أداء النموذج:

• الرسم البياني من ديناميكي إلى ثابت: تحول النماذج إلى رسم بياني حسابي ثابت لتحسينات وقت التشغيل.
• دمج العمليات (Operator Fusion): تجمع العمليات المتوافقة لتقليل نقل الذاكرة وزيادة سرعة الاستنتاج.
• التكميم: تقلل من حجم النموذج وتزيد من الكفاءة باستخدام بيانات أقل دقة مع الحفاظ على الدقة.

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

Link to this sectionما هي خيارات النشر التي توفرها PaddlePaddle لنماذج YOLO26؟#

توفر PaddlePaddle خيارات نشر مرنة:

• Paddle Serving: ينشر النماذج كواجهات RESTful APIs، وهي مثالية للإنتاج مع ميزات مثل إصدارات النماذج واختبار A/B عبر الإنترنت.
• واجهة برمجة تطبيقات Paddle Inference: تمنح تحكماً منخفض المستوى في تنفيذ النموذج للتطبيقات المخصصة.
• Paddle Lite: يحسن النماذج للموارد المحدودة للأجهزة المحمولة والمدمجة.
• Paddle.js: يتيح نشر النماذج مباشرة داخل متصفحات الويب.

تغطي هذه الخيارات مجموعة واسعة من سيناريوهات النشر، من الاستنتاج على الجهاز إلى الخدمات السحابية القابلة للتوسع. استكشف المزيد من استراتيجيات النشر على صفحة خيارات نشر نماذج Ultralytics.