Link to this sectionكيفية التصدير إلى TF GraphDef من YOLO26 للنشر#

عندما تقوم بنشر نماذج الرؤية الحاسوبية المتطورة، مثل YOLO26، في بيئات مختلفة، قد تواجه مشكلات في التوافق. يوفر تنسيق TensorFlow GraphDef من Google، أو TF GraphDef، حلاً من خلال تقديم تمثيل متسلسل ومستقل عن النظام الأساسي لنموذجك. باستخدام تنسيق نموذج TF GraphDef، يمكنك نشر نموذج YOLO26 الخاص بك في بيئات 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 قدرات الرؤية الحاسوبية الخاصة بـ YOLO26 في مجموعة أوسع من التطبيقات والمنصات.

Link to this sectionلماذا يجب عليك التصدير إلى TF GraphDef؟#

يعد TF GraphDef مكوناً قوياً في بيئة TensorFlow تم تطويره بواسطة 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 كرسم بياني حسابي متسلسل. وهذا 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 وحدات معالجة الرسومات (GPUs)، ووحدات معالجة التنسور (TPUs)، ورقائق الذكاء الاصطناعي، مما يفتح مكاسب كبيرة في الأداء لخط استنتاج YOLO26. ينشئ تنسيق TF GraphDef حزمة قائمة بذاتها تحتوي على النموذج وتبعياته، مما يبسط النشر والتكامل في أنظمة متنوعة.

Link to this sectionالميزات الرئيسية لنماذج TF GraphDef#

يوفر TF GraphDef ميزات متميزة لتبسيط نشر النموذج والتحسين.

إليك نظرة على خصائصه الرئيسية:

• تسلسل النموذج (Model Serialization): يوفر TF GraphDef طريقة لتسلسل وتخزين نماذج TensorFlow بتنسيق مستقل عن النظام الأساسي. يسمح لك هذا التمثيل المتسلسل بتحميل وتنفيذ نماذجك دون الحاجة إلى قاعدة أكواد Python الأصلية، مما يجعل النشر أسهل.

• تحسين الرسم البياني (Graph Optimization): يُمكّن 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 (Deployment Flexibility): يمكن استخدام النماذج المصدرة بتنسيق GraphDef في بيئات مختلفة، بما في ذلك الأجهزة محدودة الموارد، ومتصفحات الويب، والأنظمة ذات الأجهزة المتخصصة. وهذا يفتح إمكانيات لنشر أوسع لنماذج TensorFlow الخاصة بك.

• التركيز على الإنتاج (Production Focus): تم تصميم GraphDef لنشر الإنتاج. وهو يدعم التنفيذ الفعال، وميزات التسلسل، والتحسينات التي تتوافق مع حالات الاستخدام في العالم الحقيقي.

Link to this sectionخيارات النشر باستخدام TF GraphDef#

قبل أن نتعمق في عملية تصدير نماذج YOLO26 إلى TF GraphDef، دعنا نلقي نظرة على بعض مواقف النشر النموذجية حيث يتم استخدام هذا التنسيق.

إليك كيفية النشر باستخدام TF GraphDef بكفاءة عبر منصات مختلفة.

• TensorFlow Serving: تم تصميم هذا الإطار لنشر نماذج TensorFlow في بيئات الإنتاج. يوفر TensorFlow Serving إدارة النماذج، والتحكم في الإصدارات، والبنية التحتية لخدمة النماذج بكفاءة على نطاق واسع. إنها طريقة سلسة لدمج نماذجك القائمة على GraphDef في خدمات الويب أو واجهات برمجة التطبيقات (APIs) الخاصة بالإنتاج.

• الأجهزة المحمولة والمدمجة: باستخدام أدوات مثل TensorFlow Lite، يمكنك تحويل نماذج TF GraphDef إلى تنسيقات محسنة للهواتف الذكية، والأجهزة اللوحية، والأجهزة المدمجة المختلفة. يمكن بعد ذلك استخدام نماذجك للاستنتاج على الجهاز، حيث يتم التنفيذ محلياً، مما يوفر غالباً مكاسب في الأداء وقدرات في وضع عدم الاتصال.

• متصفحات الويب: يُمكّن TensorFlow.js نشر نماذج TF GraphDef مباشرة داخل متصفحات الويب. إنه يمهد الطريق لتطبيقات اكتشاف الأشياء في الوقت الفعلي التي تعمل على جانب العميل، باستخدام قدرات YOLO26 عبر JavaScript.

• الأجهزة المتخصصة: تسمح طبيعة TF GraphDef المستقلة عن النظام الأساسي باستهداف أجهزة مخصصة، مثل المسرعات ووحدات معالجة التنسور (TPUs). يمكن لهذه الأجهزة توفير مزايا في الأداء للنماذج المكثفة حسابياً.

Link to this sectionتصدير نماذج YOLO26 إلى TF GraphDef#

يمكنك تحويل نموذج اكتشاف الأشياء YOLO26 الخاص بك إلى تنسيق TF GraphDef، وهو متوافق مع أنظمة مختلفة، لتحسين أدائه عبر المنصات.

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، تحقق من دليل تثبيت Ultralytics. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على حلول ونصائح.

Link to this sectionالاستخدام#

تم تصميم جميع نماذج Ultralytics YOLO26 لدعم التصدير بشكل جاهز، مما يجعل من السهل دمجها في سير عمل النشر المفضل لديك. يمكنك عرض القائمة الكاملة لصيغ التصدير المدعومة وخيارات التكوين لاختيار أفضل إعداد لتطبيقك.

يدعم تنسيق TF GraphDef 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 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")

Link to this sectionوسائط التصدير#

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

Link to this sectionنشر نماذج YOLO26 TF GraphDef المصدرة#

بمجرد تصدير نموذج YOLO26 الخاص بك إلى تنسيق TF GraphDef، فإن 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، ألقِ نظرة على الموارد التالية:

• TensorFlow Serving: دليل حول TensorFlow Serving يعلم كيفية نشر وخدمة نماذج التعلم الآلي بكفاءة في بيئات الإنتاج.

• TensorFlow Lite: تصف هذه الصفحة كيفية تحويل نماذج التعلم الآلي إلى تنسيق محسن للاستنتاج على الجهاز باستخدام TensorFlow Lite.

• TensorFlow.js: دليل حول تحويل النماذج يعلم كيفية تحويل نماذج TensorFlow أو Keras إلى تنسيق TensorFlow.js للاستخدام في تطبيقات الويب.

Link to this sectionملخص#

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، قم بزيارة الوثائق الرسمية لـ TF GraphDef.

لمزيد من المعلومات حول دمج Ultralytics YOLO26 مع منصات وأطر عمل أخرى، راجع صفحة دليل التكامل.

Link to this sectionالأسئلة الشائعة (FAQ)#

Link to this sectionكيف يمكنني تصدير نموذج YOLO26 إلى تنسيق TF GraphDef؟#

يمكن تصدير نماذج Ultralytics YOLO26 إلى تنسيق TensorFlow GraphDef (TF GraphDef) بسلاسة. يوفر هذا التنسيق تمثيلاً متسلسلاً ومستقلاً عن النظام الأساسي للنموذج، وهو مثالي للنشر في بيئات متنوعة مثل الجوال والويب. لتصدير نموذج YOLO26 إلى TF GraphDef، اتبع الخطوات التالية:

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'

# 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، قم بزيارة وثائق Ultralytics حول تصدير النموذج.

Link to this sectionما هي فوائد استخدام TF GraphDef لنشر نموذج YOLO26؟#

يوفر تصدير نماذج YOLO26 إلى تنسيق TF GraphDef مزايا متعددة، بما في ذلك:

1. استقلالية المنصة (Platform Independence): يوفر TF GraphDef تنسيقاً مستقلاً عن المنصة، مما يسمح بنشر النماذج عبر بيئات متنوعة بما في ذلك الجوال ومتصفحات الويب.
2. التحسينات (Optimizations): يُمكّن التنسيق العديد من التحسينات، مثل طي الثوابت، والتكميم، وتحويلات الرسم البياني، مما يعزز كفاءة التنفيذ ويقلل من استخدام الذاكرة.
3. تسريع الأجهزة (Hardware Acceleration): يمكن للنماذج بتنسيق TF GraphDef الاستفادة من مسرعات الأجهزة مثل وحدات معالجة الرسومات (GPUs)، ووحدات معالجة التنسور (TPUs)، ورقائق الذكاء الاصطناعي لتحقيق مكاسب في الأداء.

اقرأ المزيد عن الفوائد في قسم TF GraphDef من وثائقنا.

Link to this sectionلماذا يجب أن أستخدم Ultralytics YOLO26 بدلاً من نماذج اكتشاف الأشياء الأخرى؟#

يوفر Ultralytics YOLO26 مزايا عديدة مقارنة بالنماذج الأخرى مثل YOLOv5 وYOLOv7. تتضمن بعض الفوائد الرئيسية ما يلي:

1. أداء متطور: يوفر YOLO26 سرعة ودقة استثنائيتين لـ اكتشاف الأشياء، وتجزئة المثيلات، والتجزئة الدلالية، والتصنيف في الوقت الفعلي.
2. سهولة الاستخدام: يتميز بواجهة برمجة تطبيقات (API) سهلة الاستخدام لتدريب النموذج، والتحقق منه، والتنبؤ، والتصدير، مما يجعله في متناول المبتدئين والخبراء على حد سواء.
3. توافق واسع: يدعم تنسيقات تصدير متعددة بما في ذلك ONNX، وTensorRT، وCoreML، وTensorFlow، لخيارات نشر متنوعة.

استكشف المزيد من التفاصيل في مقدمتنا حول YOLO26.

Link to this sectionكيف يمكنني نشر نموذج YOLO26 على أجهزة متخصصة باستخدام TF GraphDef؟#

بمجرد تصدير نموذج YOLO26 إلى تنسيق TF GraphDef، يمكنك نشره عبر منصات أجهزة متخصصة متنوعة. 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، المحسنة للهواتف المحمولة والأجهزة المدمجة، مما يتيح الاستنتاج على الجهاز.
• متصفحات الويب: انشر النماذج باستخدام TensorFlow.js للاستنتاج على جانب العميل في تطبيقات الويب.
• مسرعات الذكاء الاصطناعي: استفد من وحدات معالجة التنسور (TPUs) ورقائق الذكاء الاصطناعي المخصصة للاستنتاج المتسارع.

راجع قسم خيارات النشر للحصول على معلومات مفصلة.

Link to this sectionأين يمكنني العثور على حلول للمشكلات الشائعة أثناء تصدير نماذج YOLO26؟#

لاستكشاف الأخطاء وإصلاحها في المشكلات الشائعة المتعلقة بتصدير نماذج YOLO26، توفر Ultralytics أدلة وموارد شاملة. إذا واجهت مشكلات أثناء التثبيت أو تصدير النموذج، فارجع إلى:

• دليل المشكلات الشائعة: يقدم حلولاً للمشكلات التي تواجهها بشكل متكرر.
• دليل التثبيت: تعليمات خطوة بخطوة لإعداد الحزم المطلوبة.

يجب أن تساعدك هذه الموارد في حل معظم المشكلات المتعلقة بتصدير ونشر نموذج YOLO26.