كيفية التصدير إلى TF GraphDef من YOLO26 للنشر#
عندما تقوم نشر نماذج computer vision المتطورة، مثل YOLO26، في بيئات مختلفة، قد تواجه مشكلات في التوافق. يقدم تنسيق GraphDef من TensorFlow التابع لشركة جوجل، أو TF GraphDef، حلاً من خلال توفير تمثيل متسلسل ومستقل عن المنصة لنموذجك. باستخدام تنسيق نموذج TF GraphDef، يمكنك نشر نموذج YOLO26 الخاص بك في البيئات التي قد لا تتوفر فيها بيئة TensorFlow الكاملة، مثل الأجهزة المحمولة أو الأجهزة المتخصصة.
في هذا الدليل، سنرشدك خطوة بخطوة حول كيفية تصدير نماذج Ultralytics YOLO26 إلى تنسيق نموذج TF GraphDef. من خلال تحويل نموذجك، يمكنك تبسيط عملية النشر واستخدام إمكانيات الرؤية الحاسوبية لـ YOLO26 في نطاق أوسع من التطبيقات والمنصات.
لماذا يجب عليك التصدير إلى TF GraphDef؟#
يعد TF GraphDef مكوناً قوياً في نظام TensorFlow الذي طورته Google. يمكن استخدامه لتحسين ونشر نماذج مثل YOLO26. يتيح لك التصدير إلى TF GraphDef نقل النماذج من البحث إلى تطبيقات العالم الحقيقي. كما يسمح للنماذج بالعمل في بيئات لا تحتوي على إطار عمل TensorFlow الكامل.
يمثل تنسيق GraphDef النموذج كـ رسم بياني حسابي مسلسل. هذا يتيح تقنيات تحسين متنوعة مثل طي الثوابت، والتكميم، وتحويلات الرسم البياني. تضمن هذه التحسينات تنفيذاً فعالاً، وتقليل استخدام الذاكرة، وسرعات استنتاج أسرع.
يمكن لنماذج GraphDef استخدام مسرعات الأجهزة مثل GPUs وTPUs ورقائق الذكاء الاصطناعي، مما يفتح مكاسب كبيرة في الأداء لخط استنتاج YOLO26. ينشئ تنسيق TF GraphDef حزمة مكتفية ذاتياً تحتوي على النموذج وتبعياته، مما يبسط النشر والتكامل في أنظمة متنوعة.
الميزات الرئيسية لنماذج TF GraphDef#
يوفر TF GraphDef ميزات مميزة لتبسيط model deployment والتحسين.
إليك نظرة على خصائصه الرئيسية:
-
تسلسل النموذج: يوفر TF GraphDef طريقة لتسلسل وتخزين نماذج TensorFlow بتنسيق مستقل عن المنصة. يتيح لك هذا التمثيل المسلسل تحميل وتنفيذ نماذجك بدون قاعدة كود Python الأصلية، مما يجعل النشر أسهل.
-
تحسين الرسم البياني: يتيح TF GraphDef تحسين الرسوم البيانية الحسابية. يمكن لهذه التحسينات تعزيز الأداء من خلال تبسيط تدفق التنفيذ، وتقليل التكرار، وتكييف العمليات لتناسب أجهزة معينة.
-
مرونة النشر: يمكن استخدام النماذج المصدرة إلى تنسيق GraphDef في بيئات متنوعة، بما في ذلك الأجهزة ذات الموارد المحدودة، ومتصفحات الويب، والأنظمة ذات الأجهزة المتخصصة. هذا يفتح إمكانيات لنشر أوسع لنماذج TensorFlow الخاصة بك.
-
التركيز على الإنتاج: تم تصميم GraphDef لنشر الإنتاج. وهو يدعم التنفيذ الفعال، وميزات التسلسل، والتحسينات التي تتماشى مع حالات الاستخدام في العالم الحقيقي.
خيارات النشر مع TF GraphDef#
قبل أن نتعمق في عملية تصدير نماذج YOLO26 إلى TF GraphDef، دعنا نلقي نظرة على بعض مواقف النشر النموذجية التي يُستخدم فيها هذا التنسيق.
إليك كيفية النشر باستخدام TF GraphDef بكفاءة عبر منصات مختلفة.
-
TensorFlow Serving: تم تصميم إطار العمل هذا لنشر نماذج TensorFlow في بيئات الإنتاج. يوفر TensorFlow Serving إدارة النماذج، وإصداراتها، والبنية التحتية لخدمة النماذج بكفاءة على نطاق واسع. إنها طريقة سلسة لدمج نماذجك القائمة على GraphDef في خدمات الويب الإنتاجية أو APIs.
-
الأجهزة المحمولة والمدمجة: باستخدام أدوات مثل LiteRT، يمكنك تحويل نماذج TF GraphDef إلى تنسيقات محسنة للهواتف الذكية والأجهزة اللوحية والأجهزة المدمجة المختلفة. يمكن بعد ذلك استخدام نماذجك للاستدلال على الجهاز، حيث يتم التنفيذ محليًا، مما يوفر غالباً مكاسب في الأداء وإمكانيات دون اتصال بالإنترنت.
-
متصفحات الويب: يتيح TensorFlow.js نشر نماذج TF GraphDef مباشرة داخل متصفحات الويب. إنه يمهد الطريق لتطبيقات اكتشاف الكائنات في الوقت الفعلي التي تعمل على جانب العميل، باستخدام إمكانيات YOLO26 من خلال JavaScript.
-
الأجهزة المتخصصة: تسمح طبيعة TF GraphDef المستقلة عن المنصة باستهداف أجهزة مخصصة، مثل المسرعات وTPUs (وحدات معالجة الموتر). يمكن لهذه الأجهزة توفير مزايا أداء للنماذج المكثفة حسابياً.
المهام المدعومة#
يدعم تصدير TF GraphDef ست مهام من أصل سبع مهام في Ultralytics. تتوفر مهام التجزئة الدلالية وتقدير العمق فقط مع نموذج YOLO26، وهو العائلة الوحيدة التي توفر تلك الرؤوس. يمكن تصدير نماذج الوضعيات، ولكن استدلال GraphDef في Ultralytics غير مدعوم لها حالياً.
تصدير نماذج YOLO26 إلى TF GraphDef#
يمكنك تحويل نموذج YOLO26 الخاص بك إلى تنسيق TF GraphDef، المتوافق مع مختلف الأنظمة، لتحسين أدائه عبر المنصات المختلفة.
التثبيت#
لتثبيت الحزمة المطلوبة، قم بتشغيل:
# Install the required package for YOLO26
pip install ultralyticsللحصول على إرشادات 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#
تم تصميم جميع نماذج Ultralytics YOLO26 لدعم التصدير خارج الصندوق، مما يسهل دمجها في سيرงาน النشر المفضل لديك. يمكنك عرض القائمة الكاملة لتنسيقات التصدير المدعومة وخيارات التكوين لاختيار الإعداد الأفضل لتطبيقك.
يدعم تنسيق TF GraphDef أوضاع Export وPredict وValidate، باستثناء أن نماذج التقييم (وضع الهيئة) تدعم التصدير فقط حاليًا. قم بتصدير نموذجك، ثم قم بتحميل النموذج المُصَدَّر لتشغيل الاستدلال أو التحقق من داقته.
from ultralytics import YOLO
# Load a YOLO26 model
model = YOLO("yolo26n.pt")
# Export the model to TF GraphDef format
model.export(format="pb") # creates 'yolo26n.pb'from ultralytics import YOLO
# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")
# Run inference
results = model("https://ultralytics.com/images/bus.jpg")from ultralytics import YOLO
# Load the exported TF GraphDef model
model = YOLO("yolo26n.pb")
# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")وسائط التصدير#
| الوسيط | النوع | الافتراضي | الوصف |
|---|---|---|---|
format | str | 'pb' | التنسيق المستهدف للنموذج المصدر، والذي يحدد التوافق مع بيئات النشر المختلفة. |
imgsz | int أو tuple | 640 | حجم الصورة المطلوب لإدخال النموذج. يمكن أن يكون رقماً صحيحاً للصور المربعة أو صفاً (tuple) (height, width) لأبعاد محددة. |
quantize | int أو str | None | تم إصلاح تصدير FP32. لا يدعم GraphDef تحويل الدقة إلى FP16 أو INT8 أو W8A16 أثناء التصدير. |
opset | int | None | يحدد إصدار ONNX opset للرسم البياني الوسيط ONNX. في حال عدم تحديده، يتم استخدام أحدث إصدار مدعوم. |
batch | int | 1 | يحدد حجم الاستدلال المفعلي لنموذج التصدير أو الحد الأقصى لعدد الصور التي سيعالجها النموذج المُصدّر في نفس الوقت في وضع predict. |
device | str | None | يحدد الجهاز المراد التصدير إليه: وحدة المعالجة المركزية (CPU) (device=cpu)، و MPS لسليكون أبل (device=mps). |
لمزيد من التفاصيل حول عملية التصدير، تفضل بزيارة صفحة وثائق Ultralytics حول التصدير.
نشر نماذج YOLO26 TF GraphDef المصدرة#
بمجرد تصدير نموذج YOLO26 الخاص بك إلى تنسيق TF GraphDef، تكون الخطوة التالية هي النشر. الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج TF GraphDef هي استخدام طريقة YOLO("model.pb")، كما هو موضح سابقاً في مقتطف كود الاستخدام.
ومع ذلك، لمزيد من المعلومات حول نشر نماذج TF GraphDef الخاصة بك، ألق نظرة على الموارد التالية:
-
TensorFlow Serving: دليل حول TensorFlow Serving يوضح كيفية نشر وخدمة نماذج machine learning بكفاءة في بيئات الإنتاج.
-
TensorFlow Lite: تصف هذه الصفحة كيفية تحويل نماذج التعلم الآلي إلى تنسيق مُحسّن للاستدلال على الأجهزة باستخدام TensorFlow Lite.
-
TensorFlow.js: دليل حول تحويل النماذج يوضح كيفية تحويل نماذج TensorFlow أو Keras إلى تنسيق TensorFlow.js للاستخدام في تطبيقاتเว็บ (تطبيقات الويب).
ملخص#
في هذا الدليل، استكشفنا كيفية تصدير نماذج Ultralytics YOLO26 إلى تنسيق TF GraphDef. من خلال القيام بذلك، يمكنك نشر نماذج YOLO26 المحسنة بمرونة في بيئات مختلفة.
لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة TF GraphDef official documentation.
لمزيد من المعلومات حول دمج Ultralytics YOLO26 مع منصات وإطارات عمل أخرى، راجع integration guide page.
الأسئلة الشائعة#
يمكن تصدير نماذج Ultralytics YOLO26 إلى تنسيق TensorFlow GraphDef (TF GraphDef) بسلاسة. يوفر هذا التنسيق تمثيلاً مسلسلاً ومستقلاً عن المنصة للنموذج، وهو مثالي للنشر في بيئات متنوعة مثل الأجهزة المحمولة والويب. لتصدير نموذج YOLO26 إلى TF GraphDef، اتبع الخطوات التالية:
الاستخدامfrom ultralytics import YOLO # Load a YOLO26 model model = YOLO("yolo26n.pt") # Export the model to TF GraphDef format model.export(format="pb") # creates 'yolo26n.pb' # Load the exported TF GraphDef model tf_graphdef_model = YOLO("yolo26n.pb") # Run inference results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")لمزيد من المعلومات حول خيارات التصدير المختلفة، تفضل بزيارة Ultralytics documentation on model export.
يوفر تصدير نماذج YOLO26 إلى تنسيق TF GraphDef مزايا متعددة، بما في ذلك:
- الاستقلال عن المنصة: يوفر TF GraphDef تنسيقاً مستقلاً عن المنصة، مما يسمح بنشر النماذج عبر بيئات مختلفة بما في ذلك الأجهزة المحمولة ومتصفحات الويب.
- التحسينات: يتيح التنسيق العديد من التحسينات، مثل طي الثوابت، والتكميم، وتحويلات الرسم البياني، مما يعزز كفاءة التنفيذ ويقلل من استخدام الذاكرة.
- تسريع الأجهزة: يمكن للنماذج بتنسيق TF GraphDef الاستفادة من مسرعات الأجهزة مثل GPUs وTPUs ورقائق الذكاء الاصطناعي لتحقيق مكاسب في الأداء.
اقرأ المزيد حول الفوائد في قسم TF GraphDef section من توثيقنا.
يوفر Ultralytics YOLO26 مزايا عديدة مقارنة بالنماذج الأخرى مثل YOLOv5 وYOLOv7. تتضمن بعض الفوائد الرئيسية ما يلي:
- أداء على أحدث طراز: يوفر YOLO26 سرعة ودقة استثنائية لـاكتشاف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، والتصنيف في الوقت الفعلي.
- سهولة الاستخدام: يتميز بـ API سهل الاستخدام لتدريب النماذج، والتحقق منها، والتنبؤ، والتصدير، مما يجعله في متناول المبتدئين والخبراء على حد سواء.
- توافق واسع: يدعم تنسيقات تصدير متعددة بما في ذلك ONNX وTensorRT وCoreML وTensorFlow، للحصول على خيارات نشر متنوعة.
استكشف المزيد من التفاصيل في introduction to YOLO26.
بمجرد تصدير نموذج YOLO26 إلى تنسيق TF GraphDef، يمكنك نشره عبر منصات أجهزة متخصصة مختلفة. تشمل سيناريوهات النشر النموذجية ما يلي:
- TensorFlow Serving: استخدم TensorFlow Serving لنشر النماذج القابل للتوسع في بيئات الإنتاج. وهو يدعم إدارة النماذج والخدمة الفعالة.
- الأجهزة المحمولة: قم بتحويل نماذج TF GraphDef إلى TensorFlow Lite، المحسن للأجهزة المحمولة والمضمنة، مما يتيح الاستنتاج على الجهاز.
- متصفحات الويب: انشر النماذج باستخدام TensorFlow.js للاستنتاج على جانب العميل في تطبيقات الويب.
- مسرعات الذكاء الاصطناعي: استفد من TPUs ورقائق الذكاء الاصطناعي المخصصة لتسريع الاستنتاج.
تحقق من قسم deployment options للحصول على معلومات تفصيلية.
لاستكشاف الأخطاء وإصلاحها للمشكلات الشائعة في تصدير نماذج YOLO26، توفر Ultralytics أدلة وموارد شاملة. إذا واجهت مشكلات أثناء التثبيت أو تصدير النموذج، فارجع إلى:
- Common Issues Guide: يقدم حلولاً للمشكلات التي تواجه بشكل متكرر.
- Installation Guide: إرشادات خطوة بخطوة لإعداد الحزم المطلوبة.
يجب أن تساعدك هذه الموارد في حل معظم المشكلات المتعلقة بتصدير ونشر نموذج YOLO26.