كيفية التصدير من YOLO26 إلى TF GraphDef للنشر
عند نشر نماذج الرؤية الحاسوبية، مثل YOLO26، في بيئات مختلفة، قد تواجه مشكلات في التوافق. يوفر GraphDef من TensorFlow من Google، أو TF GraphDef، حلًا من خلال تقديم تمثيل متسلسل لنموذجك مستقل عن المنصة. وباستخدام تنسيق نموذج TF GraphDef، يمكنك نشر نموذج YOLO26 في بيئات قد لا تتوفر فيها منظومة TensorFlow الكاملة، مثل الأجهزة المحمولة أو الأجهزة المتخصصة.
يشرح هذا الدليل خطوة بخطوة كيفية تصدير نماذج Ultralytics YOLO26 إلى تنسيق نموذج TF GraphDef. وبمجرد تحويل النموذج، يمكنك تبسيط عملية النشر واستخدام إمكانات الرؤية الحاسوبية في YOLO26 ضمن نطاق أوسع من التطبيقات والمنصات.
لماذا ينبغي التصدير إلى TF GraphDef؟#
يُعد TF GraphDef مكونًا أساسيًا من منظومة TensorFlow التي طورتها Google. ويمكن استخدامه لتحسين نماذج مثل YOLO26 ونشرها. يتيح التصدير إلى TF GraphDef نقل النماذج من الأبحاث إلى التطبيقات الواقعية، كما يسمح بتشغيل النماذج في بيئات لا يتوفر فيها إطار عمل TensorFlow الكامل.
يمثل تنسيق GraphDef النموذج على هيئة رسم بياني حسابي مُسلسَل. ويتيح ذلك تطبيق تقنيات تحسين متنوعة، مثل طيّ الثوابت، والتكميم، وتحويلات الرسم البياني. ويمكن لهذه التحسينات تحسين كفاءة التنفيذ، وتقليل استهلاك الذاكرة، وتسريع الاستدلال.
يمكن لنماذج GraphDef استخدام مسرّعات الأجهزة، مثل وحدات GPU وTPU وشرائح الذكاء الاصطناعي، لتسريع مسار استدلال YOLO26. وينشئ تنسيق TF GraphDef حزمة مستقلة تضم النموذج وتبعياته، ما يبسّط النشر والتكامل مع أنظمة متنوعة.
الميزات الرئيسية لنماذج TF GraphDef#
يوفر TF GraphDef ميزات مميزة لتبسيط نشر النماذج وتحسينها.
إليك نظرة على خصائصه الرئيسية:
-
تسلسل النماذج: يتيح TF GraphDef تسلسل نماذج TensorFlow وتخزينها بتنسيق مستقل عن المنصة. ويسمح هذا التمثيل المتسلسل بتحميل النماذج وتنفيذها دون قاعدة الشيفرة الأصلية المكتوبة بلغة Python، ما يسهّل النشر.
-
تحسين الرسم البياني: يتيح TF GraphDef تحسين الرسوم البيانية الحاسوبية. ويمكن لهذه التحسينات رفع الأداء من خلال تبسيط تدفق التنفيذ، وتقليل التكرار، وتهيئة العمليات بما يلائم أجهزة محددة.
-
مرونة النشر: يمكن استخدام النماذج المصدّرة بتنسيق GraphDef في بيئات متنوعة، بما في ذلك الأجهزة محدودة الموارد ومتصفحات الويب والأنظمة المزودة بأجهزة متخصصة. وهذا يفتح المجال لنشر نماذج TensorFlow على نطاق أوسع.
-
التركيز على الإنتاج: صُمم GraphDef للنشر في بيئات الإنتاج. وهو يدعم التنفيذ الفعال وميزات التسلسل والتحسينات الملائمة لحالات الاستخدام الواقعية.
خيارات النشر باستخدام TF GraphDef#
قبل تصدير نماذج YOLO26 إلى TF GraphDef، إليك بعض حالات النشر المعتادة التي يُستخدم فيها هذا التنسيق.
-
TensorFlow Serving: صُمم هذا الإطار لنشر نماذج TensorFlow في بيئات الإنتاج. ويوفر TensorFlow Serving إدارة النماذج وإصداراتها والبنية التحتية اللازمة لتقديمها بكفاءة وعلى نطاق واسع. كما يتيح طريقة مباشرة لدمج نماذجك المستندة إلى GraphDef في خدمات الويب أو واجهات API الإنتاجية.
-
الأجهزة المحمولة والمضمنة: باستخدام أدوات مثل LiteRT، يمكنك تحويل نماذج TF GraphDef إلى تنسيقات محسّنة للهواتف الذكية والأجهزة اللوحية ومختلف الأجهزة المضمنة. ويمكن بعد ذلك استخدام نماذجك للاستدلال على الجهاز، حيث يجري التنفيذ محليًا، ما يوفر غالبًا مكاسب في الأداء وإمكانات للعمل دون اتصال. ويمكن أيضًا لـ Ultralytics تصدير YOLO26 مباشرةً إلى LiteRT.
-
متصفحات الويب: يتيح TensorFlow.js نشر نماذج TF GraphDef مباشرةً داخل متصفحات الويب. وهو يدعم تطبيقات كشف الكائنات في الوقت الفعلي التي تعمل على جانب العميل باستخدام YOLO26 عبر JavaScript.
-
الأجهزة المتخصصة: تتيح طبيعة TF GraphDef المستقلة عن المنصة استهداف أجهزة مخصصة، مثل المسرّعات ووحدات TPU (وحدات معالجة الموتر). ويمكن لهذه الأجهزة توفير مزايا في الأداء للنماذج كثيفة العمليات الحسابية.
المهام المدعومة#
يدعم تصدير TF GraphDef مهام Ultralytics السبع جميعها. يتوفر التقسيم الدلالي وتقدير العمق في YOLO26 فقط، فهو العائلة الوحيدة التي تتضمن هذين الرأسين.
تصدير نماذج YOLO26 إلى TF GraphDef#
يمكنك تحويل نموذج YOLO26 إلى تنسيق TF GraphDef المتوافق مع أنظمة متنوعة لتحسين أدائه عبر المنصات.
التثبيت#
لتثبيت الحزمة المطلوبة، شغّل:
# Install the required package for YOLO26
pip install ultralyticsللاطلاع على التعليمات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل تثبيت Ultralytics. إذا واجهت أي صعوبات أثناء تثبيت الحزم المطلوبة لـ YOLO26، فراجع دليل المشكلات الشائعة للاطلاع على الحلول والنصائح.
تصدير TF GraphDef غير مدعوم على macOS مع Python 3.13 أو الإصدارات الأحدث.
الاستخدام#
صُممت جميع نماذج Ultralytics YOLO26 لدعم التصدير مباشرةً، مما يسهل دمجها في سير عمل النشر الذي تفضله. يمكنك عرض القائمة الكاملة لتنسيقات التصدير المدعومة وخيارات الإعداد لاختيار الإعداد الأنسب لتطبيقك.
يدعم تنسيق TF GraphDef أوضاع التصدير والتنبؤ والتحقق. صدّر النموذج، ثم حمّل النموذج المُصدّر لإجراء الاستدلال أو التحقق من دقته.
from ultralytics import YOLO
# تحميل نموذج YOLO26
model = YOLO("yolo26n.pt")
# تصدير النموذج إلى تنسيق TF GraphDef
model.export(format="pb") # ينشئ 'yolo26n.pb'from ultralytics import YOLO
# تحميل نموذج TF GraphDef المصدّر
model = YOLO("yolo26n.pb")
# تنفيذ الاستدلال
results = model("https://ultralytics.com/images/bus.jpg")from ultralytics import YOLO
# تحميل نموذج TF GraphDef المصدّر
model = YOLO("yolo26n.pb")
# # التحقق من الدقة على مجموعة بيانات COCO8
metrics = model.val(data="coco8.yaml")وسيطات التصدير#
| المعامل | النوع | الافتراضي | الوصف |
|---|---|---|---|
format | str | 'pb' | التنسيق المستهدف للنموذج المُصدَّر، ويحدد مدى توافقه مع بيئات النشر المختلفة. |
imgsz | int أو tuple | 640 | حجم الصورة المطلوب كمدخل للنموذج. يمكن تحديده كعدد صحيح للصور المربعة أو كصف (height, width) للأبعاد المحددة. |
quantize | int أو str | None | يُصدّر بدقة FP32 ثابتة. لا يدعم GraphDef تحويل الدقة إلى FP16 أو INT8 أو W8A16 أثناء التصدير. |
opset | int | None | إصدار ONNX للرسم البياني الوسيط. إذا لم يُحدَّد، يُستخدم 18 (أقل في PyTorch < 2.4، وبحد أقصى الإصدار المثبّت onnx)؛ ويستخدم RT-DETR الإصدار 19. |
batch | int | 1 | يحدد حجم الدفعة للاستدلال بنموذج التصدير، أو الحد الأقصى لعدد الصور التي سيعالجها النموذج المُصدّر بالتزامن في وضع predict. |
device | str | None | يحدّد الجهاز المستخدَم للتصدير: CPU (device=cpu)، أو MPS لأجهزة Apple silicon (device=mps). |
لمزيد من التفاصيل حول عملية التصدير، تفضّل بزيارة صفحة وثائق Ultralytics حول التصدير.
نشر نماذج YOLO26 المصدّرة بتنسيق TF GraphDef#
بعد تصدير نموذج YOLO26 إلى تنسيق TF GraphDef، تأتي خطوة النشر. وتتمثل الخطوة الأولى الموصى بها لتشغيل نموذج TF GraphDef في استخدام طريقة YOLO("model.pb")، كما سبق عرضه في مقتطف شيفرة الاستخدام.
لمزيد من المعلومات حول نشر نماذج TF GraphDef، راجع الموارد التالية:
-
TensorFlow Serving: دليل حول TensorFlow Serving يشرح كيفية نشر نماذج التعلّم الآلي وتقديمها بكفاءة في بيئات الإنتاج.
-
TensorFlow Lite: توضح هذه الصفحة كيفية تحويل نماذج التعلّم الآلي إلى تنسيق محسّن للاستدلال على الجهاز باستخدام TensorFlow Lite.
-
TensorFlow.js: دليل لتحويل النماذج يشرح كيفية تحويل نماذج TensorFlow أو Keras إلى تنسيق TensorFlow.js لاستخدامها في تطبيقات الويب.
الملخص#
استعرضنا في هذا الدليل كيفية تصدير نماذج Ultralytics YOLO26 إلى تنسيق TF GraphDef. وبذلك، يمكنك نشر نماذج YOLO26 المحسّنة بمرونة في بيئات مختلفة.
لمزيد من التفاصيل حول الاستخدام، راجع الوثائق الرسمية لـ TF GraphDef.
الأسئلة الشائعة#
يمكن تصدير نماذج Ultralytics YOLO26 إلى تنسيق TensorFlow GraphDef (TF GraphDef). يوفر هذا التنسيق تمثيلًا متسلسلًا للنموذج مستقلًا عن المنصة، وهو مثالي للنشر في بيئات متنوعة مثل الأجهزة المحمولة والويب. لتصدير نموذج YOLO26 إلى TF GraphDef، اتبع الخطوات التالية:
الاستخدامfrom ultralytics import YOLO # تحميل نموذج YOLO26 model = YOLO("yolo26n.pt") # تصدير النموذج إلى تنسيق TF GraphDef model.export(format="pb") # ينشئ 'yolo26n.pb' # تحميل نموذج TF GraphDef المصدّر tf_graphdef_model = YOLO("yolo26n.pb") # تنفيذ الاستدلال results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")لمزيد من المعلومات حول خيارات التصدير المختلفة، راجع وثائق Ultralytics حول تصدير النماذج.
يوفر تصدير نماذج YOLO26 إلى تنسيق TF GraphDef مزايا متعددة، منها:
- الاستقلال عن المنصة: يوفر TF GraphDef تنسيقاً مستقلاً عن المنصة، ما يتيح نشر النماذج في بيئات متنوعة، بما في ذلك الأجهزة المحمولة ومتصفحات الويب.
- التحسينات: يتيح التنسيق إجراء تحسينات متعددة، مثل طيّ الثوابت والتكميم وتحويلات الرسم البياني، ما يعزز كفاءة التنفيذ ويقلل استهلاك الذاكرة.
- تسريع الأجهزة: يمكن للنماذج بتنسيق TF GraphDef الاستفادة من مسرّعات الأجهزة، مثل وحدات GPU ووحدات TPU وشرائح الذكاء الاصطناعي، لتحسين الأداء.
اقرأ المزيد عن الفوائد في قسم TF GraphDef من وثائقنا.
يوفر Ultralytics YOLO26 مزايا عديدة مقارنةً بنماذج أخرى مثل YOLOv5 وYOLOv7. ومن أبرز هذه المزايا:
- أداء متطور: يوفر YOLO26 سرعة عالية ودقة في كشف الكائنات وتجزئة المثيلات والتجزئة الدلالية والتصنيف في الوقت الفعلي.
- سهولة الاستخدام: يوفّر واجهة API سهلة الاستخدام لتدريب النماذج والتحقق منها والتنبؤ والتصدير، ما يجعله مناسباً للمبتدئين والخبراء على حد سواء.
- توافق واسع: يدعم تنسيقات تصدير متعددة، منها ONNX وTensorRT وCoreML وTensorFlow، ما يوفر خيارات متنوعة للنشر.
اطّلع على مزيد من التفاصيل في مقدمة YOLO26.
بعد تصدير نموذج YOLO26 إلى تنسيق TF GraphDef، يمكنك نشره على منصات متنوعة من الأجهزة المتخصصة. وتشمل سيناريوهات النشر المعتادة ما يلي:
- TensorFlow Serving: استخدم TensorFlow Serving لنشر النماذج على نطاق واسع في بيئات الإنتاج. فهو يدعم إدارة النماذج وتقديمها بكفاءة.
- الأجهزة المحمولة: حوّل نماذج TF GraphDef إلى TensorFlow Lite المحسّن للأجهزة المحمولة والمضمنة، ما يتيح الاستدلال على الجهاز.
- متصفحات الويب: انشر النماذج باستخدام TensorFlow.js للاستدلال من جانب العميل في تطبيقات الويب.
- مسرّعات الذكاء الاصطناعي: استخدم وحدات TPU وشرائح الذكاء الاصطناعي المخصصة لتسريع الاستدلال.
راجع قسم خيارات النشر للاطّلاع على معلومات تفصيلية.
توفر Ultralytics أدلة وموارد شاملة لاستكشاف المشكلات الشائعة في تصدير نماذج YOLO26 وإصلاحها. إذا واجهت مشكلات أثناء تثبيت النموذج أو تصديره، فراجع:
- دليل المشكلات الشائعة: يقدم حلولاً للمشكلات المتكررة.
- دليل التثبيت: تعليمات خطوة بخطوة لإعداد الحزم المطلوبة.
من المفترض أن تساعدك هذه الموارد على حل معظم المشكلات المرتبطة بتصدير نماذج YOLO26 ونشرها.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.