Meet YOLO26: next-gen vision AI.

Link to this sectionفهم كيفية التصدير إلى تنسيق TF SavedModel من YOLO26#

قد يكون نشر نماذج التعلم الآلي أمرًا صعبًا. ومع ذلك، فإن استخدام تنسيق نموذج فعال ومرن يمكن أن يسهل عملك. TF SavedModel هو إطار عمل مفتوح المصدر للتعلم الآلي يستخدمه TensorFlow لتحميل نماذج التعلم الآلي بطريقة متسقة. وهو يشبه حقيبة السفر لنماذج TensorFlow، مما يجعلها سهلة الحمل والاستخدام على مختلف الأجهزة والأنظمة.

تعلم كيفية التصدير إلى TF SavedModel من نماذج Ultralytics YOLO26 يمكن أن يساعدك في نشر النماذج بسهولة عبر منصات وبيئات مختلفة. في هذا الدليل، سنشرح كيفية تحويل نماذجك إلى تنسيق TF SavedModel، مما يبسط عملية تشغيل الاستدلال باستخدام نماذجك على أجهزة مختلفة.

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

يعد تنسيق TensorFlow SavedModel جزءًا من نظام TensorFlow البيئي الذي طورته Google كما هو موضح أدناه. وهو مصمم لحفظ وتسلسل نماذج TensorFlow بسلاسة. ويقوم بتغليف التفاصيل الكاملة للنماذج مثل البنية، والأوزان، وحتى معلومات التجميع. وهذا يجعل من السهل مشاركة النماذج ونشرها ومواصلة تدريبها عبر بيئات مختلفة.

TensorFlow SavedModel export format structure

يتمتع TF SavedModel بميزة رئيسية: التوافق. فهو يعمل بشكل جيد مع TensorFlow Serving وTensorFlow Lite وTensorFlow.js. هذا التوافق يجعل من السهل مشاركة ونشر النماذج عبر منصات متنوعة، بما في ذلك تطبيقات الويب والهواتف المحمولة. تنسيق TF SavedModel مفيد لكل من البحث والإنتاج. فهو يوفر طريقة موحدة لإدارة نماذجك، مما يضمن جاهزيتها لأي تطبيق.

Link to this sectionالميزات الرئيسية لـ TF SavedModels#

إليك الميزات الرئيسية التي تجعل TF SavedModel خيارًا رائعًا لمطوري الذكاء الاصطناعي:

  • : قابلية النقل: يوفر TF SavedModel تنسيق تسلسل محكمًا ومستقلاً عن اللغة وقابلاً للاسترداد. وهي تمكن الأنظمة والأدوات عالية المستوى من إنتاج نماذج TensorFlow واستهلاكها وتحويلها. يمكن مشاركة SavedModels ونشرها بسهولة عبر منصات وبيئات مختلفة.

  • : سهولة النشر: يقوم TF SavedModel بحزم الرسم البياني الحسابي، والمعلمات المدربة، والبيانات الوصفية الضرورية في حزمة واحدة. يمكن تحميلها واستخدامها بسهولة للاستدلال دون الحاجة إلى الكود الأصلي الذي بنى النموذج. وهذا يجعل نشر نماذج TensorFlow مباشرًا وفعالًا في بيئات الإنتاج المختلفة.

  • : إدارة الأصول: يدعم TF SavedModel تضمين أصول خارجية مثل القواميس، أو التضمينات، أو جداول البحث. يتم تخزين هذه الأصول جنبًا إلى جنب مع تعريف الرسم البياني والمتغيرات، مما يضمن توفرها عند تحميل النموذج. تعمل هذه الميزة على تبسيط إدارة وتوزيع النماذج التي تعتمد على موارد خارجية.

Link to this sectionخيارات النشر باستخدام TF SavedModel#

قبل أن نتعمق في عملية تصدير نماذج YOLO26 إلى تنسيق TF SavedModel، دعنا نستكشف بعض سيناريوهات النشر النموذجية حيث يتم استخدام هذا التنسيق.

يوفر TF SavedModel مجموعة من الخيارات لنشر نماذج التعلم الآلي الخاصة بك:

  • : TensorFlow Serving: نظام TensorFlow Serving هو نظام خدمة مرن وعالي الأداء مصمم لبيئات الإنتاج. وهو يدعم TF SavedModels بشكل أصلي، مما يسهل نشر وخدمة نماذجك على منصات السحابة، أو الخوادم المحلية، أو أجهزة الحافة.

  • : منصات السحابة: يقدم كبار مزودي الخدمات السحابية مثل Google Cloud Platform (GCP) وAmazon Web Services (AWS) وMicrosoft Azure خدمات لنشر وتشغيل نماذج TensorFlow، بما في ذلك TF SavedModels. توفر هذه الخدمات بنية تحتية قابلة للتطوير ومدارة، مما يسمح لك بنشر نماذجك وتوسيع نطاقها بسهولة.

  • : الأجهزة المحمولة والمضمنة: يدعم TensorFlow Lite، وهو حل خفيف الوزن لتشغيل نماذج التعلم الآلي على الأجهزة المحمولة والمضمنة وأجهزة إنترنت الأشياء، تحويل TF SavedModels إلى تنسيق TensorFlow Lite. يتيح لك هذا نشر نماذجك على مجموعة واسعة من الأجهزة، من الهواتف الذكية والأجهزة اللوحية إلى وحدات التحكم الدقيقة وأجهزة الحافة.

  • : TensorFlow Runtime: نظام TensorFlow Runtime (tfrt) هو نظام تشغيل عالي الأداء لتنفيذ رسوم TensorFlow البيانية. وهو يوفر واجهات برمجة تطبيقات منخفضة المستوى لتحميل وتشغيل TF SavedModels في بيئات C++. يوفر TensorFlow Runtime أداءً أفضل مقارنة بـ TensorFlow runtime القياسي. وهو مناسب لسيناريوهات النشر التي تتطلب استدلالًا منخفض زمن الوصول وتكاملاً وثيقًا مع قواعد كود C++ الحالية.

Link to this sectionتصدير نماذج YOLO26 إلى TF SavedModel#

من خلال تصدير نماذج YOLO26 إلى تنسيق TF SavedModel، فإنك تعزز قدرتها على التكيف وسهولة النشر عبر منصات مختلفة.

Link to this sectionالتثبيت#

لتثبيت الحزمة المطلوبة، قم بتشغيل:

التثبيت
# 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 SavedModel أوضاع Export وPredict وValidate. قم بتصدير نموذجك، ثم قم بتحميل النموذج المصدر لتشغيل الاستدلال أو التحقق من دقته.

التصدير
from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolo26n_saved_model'
التنبؤ
from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
تحقق
from ultralytics import YOLO

# Load the exported TF SavedModel model
model = YOLO("./yolo26n_saved_model")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionوسائط التصدير#

الوسيط (Argument)النوع (Type)الافتراضي (Default)الوصف (Description)
formatstr'saved_model'التنسيق المستهدف للنموذج المُصدّر، والذي يحدد التوافق مع بيئات النشر المختلفة.
imgszint أو tuple640Desired image size for the model input. Can be an integer for square images or a tuple (height, width) for specific dimensions.
kerasboolFalseيُمكّن التصدير إلى تنسيق Keras، مما يوفر التوافق مع TensorFlow serving وواجهات برمجة التطبيقات.
int8boolFalseيُفعّل تكميم INT8، مما يزيد من ضغط النموذج وتسريع الاستنتاج مع فقدان أدنى في الدقة، بشكل أساسي للأجهزة الطرفية.
nmsboolFalseيضيف خاصية كبت غير الحد الأقصى (NMS)، وهو أمر ضروري لمعالجة ما بعد الكشف بدقة وكفاءة.
batchint1يحدد حجم استنتاج الدفعة للنموذج المصدر أو الحد الأقصى لعدد الصور التي سيعالجها النموذج المصدر في وقت واحد في وضع predict.
datastr'coco8.yaml'المسار إلى ملف تهيئة dataset (الافتراضي: coco8.yaml)، وهو ضروري للتحجيم.
fractionfloat1.0يحدد جزءاً من مجموعة البيانات لاستخدامه في معايرة تكميم INT8. يسمح بالمعايرة على مجموعة فرعية من مجموعة البيانات الكاملة، وهو مفيد للتجارب أو عندما تكون الموارد محدودة. إذا لم يتم تحديده مع تفعيل INT8، فسيتم استخدام مجموعة البيانات الكاملة.
devicestrNoneيحدد الجهاز للتصدير: CPU (device=cpu)، أو MPS لمعالجات Apple silicon (device=mps).

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

Link to this sectionنشر نماذج YOLO26 TF SavedModel المصدرة#

الآن بعد أن قمت بتصدير نموذج YOLO26 الخاص بك إلى تنسيق TF SavedModel، فإن الخطوة التالية هي نشره. الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج TF SavedModel هي استخدام طريقة YOLO("yolo26n_saved_model/")، كما هو موضح سابقًا في مقتطف كود الاستخدام.

ومع ذلك، للحصول على تعليمات مفصلة حول نشر نماذج TF SavedModel الخاصة بك، ألق نظرة على الموارد التالية:

Link to this sectionملخص#

في هذا الدليل، استكشفنا كيفية تصدير نماذج Ultralytics YOLO26 إلى تنسيق TF SavedModel. من خلال التصدير إلى TF SavedModel، تكتسب المرونة لتحسين نماذج YOLO26 ونشرها وتوسيع نطاقها عبر مجموعة واسعة من المنصات.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة الوثائق الرسمية لـ TF SavedModel.

لمزيد من المعلومات حول دمج Ultralytics YOLO26 مع منصات وأطر عمل أخرى، لا تنس الاطلاع على صفحة دليل التكامل الخاصة بنا. إنها مليئة بالموارد الرائعة لمساعدتك في تحقيق أقصى استفادة من YOLO26 في مشاريعك.

Link to this sectionالأسئلة الشائعة (FAQ)#

Link to this sectionكيف يمكنني تصدير نموذج Ultralytics YOLO إلى تنسيق TensorFlow SavedModel؟#

تصدير نموذج Ultralytics YOLO إلى تنسيق TensorFlow SavedModel أمر مباشر. يمكنك استخدام Python أو CLI لتحقيق ذلك:

تصدير YOLO26 إلى TF SavedModel
from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolo26n_saved_model'

# Load the exported TF SavedModel for inference
tf_savedmodel_model = YOLO("./yolo26n_saved_model")
results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")

راجع وثائق تصدير Ultralytics لمزيد من التفاصيل.

Link to this sectionلماذا يجب أن أستخدم تنسيق TensorFlow SavedModel؟#

يوفر تنسيق TensorFlow SavedModel العديد من المزايا لـ نشر النماذج:

  • : قابلية النقل: يوفر تنسيقًا محايدًا للغة، مما يسهل مشاركة النماذج ونشرها عبر بيئات مختلفة.
  • : التوافق: يتكامل بسلاسة مع أدوات مثل TensorFlow Serving وTensorFlow Lite وTensorFlow.js، وهي أدوات أساسية لنشر النماذج على منصات متنوعة، بما في ذلك تطبيقات الويب والهواتف المحمولة.
  • : التغليف الكامل: يقوم بتشفير بنية النموذج، والأوزان، ومعلومات التجميع، مما يسمح بالمشاركة السهلة ومواصلة التدريب.

لمزيد من الفوائد وخيارات النشر، تحقق من خيارات نشر نموذج Ultralytics YOLO.

Link to this sectionما هي سيناريوهات النشر النموذجية لـ TF SavedModel؟#

يمكن نشر TF SavedModel في بيئات مختلفة، بما في ذلك:

  • : TensorFlow Serving: مثالي لبيئات الإنتاج التي تتطلب خدمة نماذج قابلة للتطوير وعالية الأداء.
  • : منصات السحابة: يدعم خدمات السحابة الرئيسية مثل Google Cloud Platform (GCP) وAmazon Web Services (AWS) وMicrosoft Azure لنشر النماذج القابلة للتطوير.
  • : الأجهزة المحمولة والمضمنة: استخدام TensorFlow Lite لتحويل TF SavedModels يسمح بالنشر على الأجهزة المحمولة وأجهزة إنترنت الأشياء ووحدات التحكم الدقيقة.
  • : TensorFlow Runtime: لبيئات C++ التي تحتاج إلى استدلال منخفض زمن الوصول مع أداء أفضل.

للحصول على خيارات نشر مفصلة، تفضل بزيارة الأدلة الرسمية حول نشر نماذج TensorFlow.

Link to this sectionكيف يمكنني تثبيت الحزم اللازمة لتصدير نماذج YOLO26؟#

لتصدير نماذج YOLO26، تحتاج إلى تثبيت حزمة ultralytics. قم بتشغيل الأمر التالي في جهازك الطرفي:

pip install ultralytics

للحصول على تعليمات تثبيت أكثر تفصيلاً وأفضل الممارسات، راجع دليل تثبيت Ultralytics. إذا واجهت أي مشاكل، فاستشر دليل المشكلات الشائعة الخاص بنا.

Link to this sectionما هي الميزات الرئيسية لتنسيق TensorFlow SavedModel؟#

يعد تنسيق TF SavedModel مفيدًا لمطوري الذكاء الاصطناعي بسبب الميزات التالية:

  • : قابلية النقل: يسمح بالمشاركة والنشر عبر بيئات مختلفة دون عناء.
  • : سهولة النشر: يقوم بتغليف الرسم البياني الحسابي، والمعلمات المدربة، والبيانات الوصفية في حزمة واحدة، مما يبسط التحميل والاستدلال.
  • : إدارة الأصول: يدعم الأصول الخارجية مثل القواميس، مما يضمن توفرها عند تحميل النموذج.

لمزيد من التفاصيل، استكشف وثائق TensorFlow الرسمية.

المساهمون
GLglenn-jocher15LAlakshanthad4RIRizwanMunawar2LEleonnil1MAMatthewNoyce1BUBurhan-Q1ABabirami-vina1

التعليقات