كيفية التصدير إلى TF GraphDef من YOLOv8 للنشر

عندما تقوم بنشر نماذج رؤية الكمبيوتر المتطورة ، مثل YOLOv8، في بيئات مختلفة، قد تواجه مشكلات في التوافق. جوجل TensorFlow GraphDefأو TF GraphDef، حلا من خلال توفير تمثيل متسلسل ومستقل عن النظام الأساسي لنموذجك. باستخدام الزر TF GraphDef تنسيق النموذج ، يمكنك نشر ملف YOLOv8 نموذج في البيئات التي يكون فيها كامل TensorFlow قد لا يكون النظام البيئي متاحا ، مثل الأجهزة المحمولة أو الأجهزة المتخصصة.

في هذا الدليل ، سنرشدك خطوة بخطوة إلى كيفية تصدير ملف Ultralytics YOLOv8 نماذج إلى TF GraphDef تنسيق النموذج. من خلال تحويل النموذج الخاص بك ، يمكنك تبسيط النشر والاستخدام YOLOv8قدرات رؤية الكمبيوتر في مجموعة واسعة من التطبيقات والمنصات.

لماذا يجب عليك التصدير إلى TF GraphDef?

TF GraphDef هو عنصر قوي في TensorFlow النظام البيئي الذي تم تطويره بواسطة Google. يمكن استخدامه لتحسين ونشر نماذج مثل YOLOv8. التصدير إلى TF GraphDef يتيح لنا نقل النماذج من البحث إلى تطبيقات العالم الحقيقي. يسمح بتشغيل النماذج في بيئات بدون كامل TensorFlow اطار.

ال GraphDef يمثل التنسيق النموذج كرسم بياني حسابي متسلسل. يتيح ذلك تقنيات التحسين المختلفة مثل الطي المستمر والتكميم وتحويلات الرسم البياني. تضمن هذه التحسينات التنفيذ الفعال وتقليل استخدام الذاكرة وسرعات الاستدلال الأسرع.

GraphDef يمكن للنماذج استخدام مسرعات الأجهزة مثل وحدات معالجة الرسومات ووحدات TPU وشرائح الذكاء الاصطناعي ، مما يؤدي إلى تحقيق مكاسب كبيرة في الأداء ل YOLOv8 خط أنابيب الاستدلال. ال TF GraphDef ينشئ التنسيق حزمة قائمة بذاتها مع النموذج وتبعياته ، مما يبسط النشر والتكامل في أنظمة متنوعة.

الميزات الرئيسية ل TF GraphDef نماذج

TF GraphDef يوفر ميزات مميزة لتبسيط نشر النموذج وتحسينه.

فيما يلي نظرة على خصائصه الرئيسية:

• نموذج التسلسل: TF GraphDef يوفر طريقة للتسلسل والتخزين TensorFlow نماذج بتنسيق مستقل عن النظام الأساسي. يسمح لك هذا التمثيل المتسلسل بتحميل النماذج الخاصة بك وتنفيذها بدون الأصل Python قاعدة التعليمات البرمجية ، مما يجعل النشر أسهل.

• تحسين الرسم البياني: TF GraphDef يتيح تحسين الرسوم البيانية الحسابية. يمكن لهذه التحسينات تعزيز الأداء من خلال تبسيط تدفق التنفيذ وتقليل التكرار وتخصيص العمليات لتناسب أجهزة معينة.

• مرونة النشر: النماذج المصدرة إلى GraphDef يمكن استخدام التنسيق في بيئات مختلفة ، بما في ذلك الأجهزة محدودة الموارد ومتصفحات الويب والأنظمة ذات الأجهزة المتخصصة. هذا يفتح إمكانيات لنشر أوسع ل TensorFlow نماذج.

• التركيز على الإنتاج: GraphDef تم تصميمه لنشر الإنتاج. وهو يدعم التنفيذ الفعال وميزات التسلسل والتحسينات التي تتوافق مع حالات الاستخدام في العالم الحقيقي.

خيارات النشر مع TF GraphDef

قبل أن نتعمق في عملية التصدير YOLOv8 نماذج ل TF GraphDef، دعنا نلقي نظرة على بعض حالات النشر النموذجية حيث يتم استخدام هذا التنسيق.

إليك كيفية النشر باستخدام TF GraphDef بكفاءة عبر منصات مختلفة.

• TensorFlow التقديم: تم تصميم هذا الإطار للنشر TensorFlow النماذج في بيئات الإنتاج. TensorFlow يوفر العرض إدارة النماذج وتعيين الإصدار والبنية التحتية لخدمة النموذج بكفاءة على نطاق واسع. إنها طريقة سلسة لدمج GraphDef-النماذج المستندة إلى خدمات ويب الإنتاج أو واجهات برمجة التطبيقات.

• الأجهزة المحمولة والمدمجة: باستخدام أدوات مثل TensorFlow لايت, يمكنك تحويل TF GraphDef النماذج إلى تنسيقات محسنة للهواتف الذكية والأجهزة اللوحية والأجهزة المدمجة المختلفة. يمكن بعد ذلك استخدام نماذجك للاستدلال على الجهاز ، حيث يتم التنفيذ محليا ، وغالبا ما يوفر مكاسب في الأداء وإمكانات غير متصلة بالإنترنت.

• متصفحات الويب: TensorFlow.js تمكن من نشر TF GraphDef نماذج مباشرة داخل متصفحات الويب. إنه يمهد الطريق لتطبيقات الكشف عن الكائنات في الوقت الفعلي التي تعمل على جانب العميل ، باستخدام إمكانات YOLOv8 من خلال جافا سكريبت.

• الأجهزة المتخصصة: TF GraphDef، تسمح الطبيعة المحايدة للنظام الأساسي باستهداف الأجهزة المخصصة ، مثل المسرعات ووحدات TPU (Tensor وحدات المعالجة). يمكن أن توفر هذه الأجهزة مزايا أداء للنماذج كثيفة الحساب.

تصدير YOLOv8 نماذج ل TF GraphDef

يمكنك تحويل الخاص بك YOLOv8 نموذج الكشف عن الكائنات إلى TF GraphDef ، وهو متوافق مع الأنظمة المختلفة ، لتحسين أدائه عبر الأنظمة الأساسية.

تركيب

لتثبيت الحزمة المطلوبة ، قم بتشغيل:

# Install the required package for YOLOv8
pip install ultralytics

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت ، تحقق من Ultralytics دليل التثبيت. أثناء تثبيت الحزم المطلوبة ل YOLOv8، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على حلول ونصائح.

استخدام

قبل الغوص في تعليمات الاستخدام ، من المهم ملاحظة أنه في حين أن جميع Ultralytics YOLOv8 النماذج متاحة للتصدير ، يمكنك التأكد من أن النموذج الذي تحدده يدعم وظائف التصدير هنا.

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO('yolov8n.pt')

# Export the model to TF GraphDef format
model.export(format='pb')  # creates 'yolov8n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO('yolov8n.pb')

# Run inference
results = tf_graphdef_model('https://ultralytics.com/images/bus.jpg')

# Export a YOLOv8n PyTorch model to TF GraphDef format
yolo export model=yolov8n.pt format=pb  # creates 'yolov8n.pb'

# Run inference with the exported model
yolo predict model='yolov8n.pb' source='https://ultralytics.com/images/bus.jpg'

لمزيد من التفاصيل حول خيارات التصدير المدعومة، تفضل بزيارة Ultralytics صفحة الوثائق حول خيارات النشر.

نشر التصدير YOLOv8 TF GraphDef نماذج

بمجرد تصدير ملف YOLOv8 نموذج ل TF GraphDef التنسيق ، والخطوة التالية هي النشر. الخطوة الأولى الأساسية والموصى بها لتشغيل TF GraphDef النموذج هو استخدام YOLOطريقة ("model.pb")، كما هو موضح سابقا في مقتطف شفرة الاستخدام.

ومع ذلك، لمزيد من المعلومات حول نشر TF GraphDef النماذج ، ألق نظرة على الموارد التالية:

• TensorFlow التقديم: دليل على TensorFlow الخدمة التي تعلم كيفية نشر وخدمة نماذج التعلم الآلي بكفاءة في بيئات الإنتاج.

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

• TensorFlow.js: دليل حول تحويل النموذج يعلم كيفية التحويل TensorFlow أو نماذج كيراس في TensorFlowتنسيق .js للاستخدام في تطبيقات الويب.

ملخص

في هذا الدليل ، استكشفنا كيفية التصدير Ultralytics YOLOv8 نماذج إلى TF GraphDef تنسيق. من خلال القيام بذلك ، يمكنك نشر المحسن بمرونة YOLOv8 نماذج في بيئات مختلفة.

لمزيد من التفاصيل حول الاستخدام ، قم بزيارة TF GraphDef الوثائق الرسمية.

لمزيد من المعلومات حول الدمج Ultralytics YOLOv8 مع الأنظمة الأساسية والأطر الأخرى ، لا تنس مراجعة صفحة دليل التكامل الخاصة بنا. لديها موارد ورؤى رائعة لمساعدتك على تحقيق أقصى استفادة من YOLOv8 في مشاريعك.

التعليقات