كيفية التصدير إلى تنسيق PaddlePaddle من نماذج YOLO26

قد يكون سد الفجوة بين تطوير ونشر نماذج الرؤية الحاسوبية في سيناريوهات العالم الحقيقي ذات الظروف المتغيرة أمراً صعباً. تعمل PaddlePaddle على تسهيل هذه العملية بتركيزها على المرونة والأداء وقدرتها على المعالجة المتوازية في البيئات الموزعة. وهذا يعني أنه يمكنك استخدام نماذج YOLO26 للرؤية الحاسوبية 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 للاستخدام ضمن إطار عمل PaddlePaddle. تشتهر PaddlePaddle بتسهيل عمليات النشر الصناعي، وهي خيار جيد لنشر تطبيقات الرؤية الحاسوبية في إعدادات العالم الحقيقي عبر مجالات متنوعة.

لماذا يجب عليك التصدير إلى PaddlePaddle؟

تعد PaddlePaddle (اختصار لـ PArallel Distributed Deep LEarning)، التي طورتها شركة Baidu، أول منصة مفتوحة المصدر لـ التعلم العميق في الصين. وعلى عكس بعض الأطر التي تم بناؤها بشكل أساسي للبحث، تعطي PaddlePaddle الأولوية لسهولة الاستخدام والتكامل السلس عبر الصناعات.

وهي توفر أدوات وموارد مشابهة لأطر العمل الشهيرة مثل TensorFlow وPyTorch، 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.

عن طريق 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 عالية الجودة 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 الساكن (Dynamic-to-Static Graph): تدعم PaddlePaddle الترجمة من الديناميكي إلى الساكن، حيث يمكن ترجمة النماذج إلى رسم بياني حسابي ساكن. وهذا يتيح عمليات تحسين تقلل من حمل وقت التشغيل وتزيد من أداء الاستدلال.

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

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

خيارات النشر في PaddlePaddle

قبل الغوص في الكود الخاص بتصدير نماذج YOLO26 إلى PaddlePaddle، دعونا نلقي نظرة على سيناريوهات النشر المختلفة التي تتفوق فيها نماذج PaddlePaddle.

توفر PaddlePaddle مجموعة من الخيارات، يقدم كل منها توازناً متميزاً بين سهولة الاستخدام والمرونة والأداء:

• Paddle Serving: يبسط إطار العمل هذا نشر نماذج PaddlePaddle كواجهات RESTful عالية الأداء. يعد Paddle Serving مثالياً لبيئات الإنتاج، حيث يوفر ميزات مثل إصدار النماذج، واختبار A/B عبر الإنترنت، وقابلية التوسع للتعامل مع كميات كبيرة من الطلبات.

• واجهة Paddle Inference API: تمنحك واجهة Paddle Inference API تحكماً منخفض المستوى في تنفيذ النموذج. هذا الخيار مناسب تماماً للسيناريوهات التي تحتاج فيها إلى دمج النموذج بإحكام ضمن تطبيق مخصص أو تحسين الأداء لأجهزة معينة.

• Paddle Lite: تم تصميم Paddle Lite للنشر على الأجهزة المحمولة والمدمجة حيث تكون الموارد محدودة. فهو يعمل على تحسين النماذج لأحجام أصغر واستدلال أسرع على معالجات ARM CPUs وGPUs 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. يمكن أن تعمل 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، 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 تصفح القائمة الكاملة لتنسيقات وخيارات التصدير للعثور على الخيار 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")

وسائط التصدير

لمزيد من التفاصيل حول عملية التصدير، تفضل بزيارة صفحة توثيق 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 الطريقة YOLO("yolo26n_paddle_model/")، كما هو موضح في مقتطف كود الاستخدام السابق.

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

• Paddle Serving: تعرف على كيفية نشر نماذج PaddlePaddle 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، 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، مما يزودك بموارد ورؤى قيمة.

الأسئلة الشائعة

كيف يمكنني تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle؟

تصدير نماذج Ultralytics YOLO26 إلى تنسيق PaddlePaddle أمر مباشر. يمكنك استخدام الطريقة export الخاصة 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")

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

ما هي مزايا استخدام PaddlePaddle لـ نشر النموذج؟

تقدم PaddlePaddle العديد من المزايا الرئيسية لنشر النماذج:

• تحسين الأداء: تتفوق PaddlePaddle في تنفيذ النماذج بكفاءة وتقليل استخدام الذاكرة.
• ترجمة الرسم البياني من الديناميكي إلى الساكن: تدعم الترجمة من الديناميكي إلى الساكن، مما يسمح بتحسينات وقت التشغيل.
• دمج العمليات: من خلال دمج العمليات المتوافقة، فإنها تقلل من الحمل الحسابي.
• تقنيات التكميم: تدعم كلاً من التكميم بعد التدريب والتدريب الواعي بالتكميم، مما يتيح تمثيلات بيانات ذات دقة أقل لتحسين الأداء.

يمكنك تحقيق نتائج معززة 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 الوثائق الرسمية لـ PaddlePaddle.

لماذا يجب أن أختار PaddlePaddle لنشر نماذج YOLO26 الخاصة بي؟

تم تحسين PaddlePaddle، التي طورتها شركة Baidu، لعمليات نشر الذكاء الاصطناعي الصناعية والتجارية. يوفر مجتمع المطورين الكبير الخاص بها وإطار العمل القوي أدوات واسعة النطاق تشبه TensorFlow وPyTorch. من خلال تصدير نماذج YOLO26 الخاصة بك إلى PaddlePaddle، فإنك تستفيد من:

• أداء معزز: سرعة تنفيذ مثالية وتقليل استهلاك الذاكرة.
• 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 بيئات الإنتاج.

كيف تحسن PaddlePaddle أداء النموذج مقارنة بالأطر الأخرى؟

تستخدم PaddlePaddle العديد من التقنيات المتقدمة لتحسين أداء النموذج:

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

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

ما هي خيارات النشر التي تقدمها PaddlePaddle لنماذج YOLO26؟

توفر PaddlePaddle خيارات نشر مرنة:

• Paddle Serving: ينشر النماذج كواجهات RESTful، وهي مثالية للإنتاج مع ميزات مثل إصدار النماذج واختبار A/B عبر الإنترنت.
• واجهة Paddle Inference API: تمنح تحكماً منخفض المستوى في تنفيذ النموذج للتطبيقات المخصصة.
• Paddle Lite: يعمل على تحسين النماذج للموارد المحدودة للأجهزة المحمولة والمدمجة.
• Paddle.js: تمكن من نشر النماذج مباشرة داخل متصفحات الويب.

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