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

قد يكون نشر نماذج التعلم الآلي أمراً صعباً. ومع ذلك، فإن استخدام تنسيق نموذج فعال ومرن يمكن أن يجعل عملك أسهل. TF SavedModel هو إطار عمل مفتوح المصدر للتعلم الآلي يستخدمه TensorFlow لتحميل نماذج التعلم الآلي بطريقة متسقة. إنه يشبه حقيبة سفر لنماذج TensorFlow، مما يجعلها سهلة الحمل والاستخدام على أجهزة وأنظمة مختلفة.

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 إجراء الاستدلال باستخدام نماذجك على أجهزة مختلفة.

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

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

يتمتع TF SavedModel بميزة رئيسية وهي التوافق. فهو يعمل بشكل جيد مع TensorFlow Serving و TensorFlow Lite و TensorFlow.js. هذا التوافق يجعل من الأسهل مشاركة النماذج ونشرها عبر منصات متنوعة، بما في ذلك تطبيقات الويب وتطبيقات الهاتف المحمول. 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 خياراً رائعاً لمطوري الذكاء الاصطناعي:

• إمكانية النقل: يوفر TF SavedModel تنسيق تسلسل محكم ومستقل عن اللغة وقابل للاسترداد. وهي تمكن الأنظمة والأدوات ذات المستوى الأعلى من إنتاج نماذج TensorFlow واستهلاكها وتحويلها. يمكن مشاركة SavedModels بسهولة ونشرها 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 مباشراً وفعالاً في بيئات الإنتاج المختلفة.

• إدارة الأصول: يدعم TF SavedModel تضمين أصول خارجية مثل القواميس، أو التضمينات، أو جداول البحث. يتم تخزين هذه الأصول جنباً إلى جنب مع تعريف الرسم البياني والمتغيرات، مما يضمن توفرها عند تحميل النموذج. تبسط هذه الميزة 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: يعتبر TensorFlow Serving نظام تقديم مرن وعالي الأداء مصمم لبيئات الإنتاج. وهو يدعم ملفات TF SavedModels بشكل أصلي، مما يسهل نشر نماذجك وتقديمها على منصات السحابة، أو الخوادم المحلية، أو أجهزة الحافة.

• منصات السحابة: يقدم مزودو السحابة الرئيسيون مثل Google Cloud Platform (GCP) و Amazon Web Services (AWS) و Microsoft Azure خدمات لنشر وتشغيل نماذج TensorFlow، بما في ذلك TF SavedModels. توفر هذه الخدمات بنية تحتية قابلة للتوسع ومدارة، مما يسمح لك بنشر نماذجك وتوسيع نطاقها بسهولة.

• الأجهزة المحمولة والمدمجة: يدعم TensorFlow Lite، وهو حل خفيف الوزن لتشغيل نماذج تعلم الآلة على الأجهزة المحمولة والمدمجة وأجهزة إنترنت الأشياء، تحويل نماذج TF SavedModels إلى تنسيق TensorFlow Lite. يتيح لك هذا نشر نماذجك على مجموعة واسعة من الأجهزة، بدءاً من الهواتف الذكية والأجهزة اللوحية وصولاً إلى المتحكمات الدقيقة وأجهزة الحافة.

• TensorFlow Runtime: يعتبر TensorFlow Runtime (tfrt) وقت تشغيل عالي الأداء لتنفيذ رسوم بيانية لـ TensorFlow. وهو يوفر واجهات برمجة تطبيقات منخفضة المستوى لتحميل وتشغيل TF SavedModels في بيئات C++. يوفر TensorFlow Runtime أداءً أفضل مقارنة بوقت تشغيل TensorFlow القياسي. وهو مناسب لسيناريوهات النشر التي تتطلب استدلالاً منخفض التأخير وتكاملاً وثيقاً 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 نشرها عبر منصات مختلفة.

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 الخاص بنا. 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 فورًا، مما يسهل دمجها في سير عمل النشر المفضل لديك. يمكنك عرض القائمة الكاملة لتنسيقات التصدير المدعومة وخيارات التكوين لاختيار أفضل إعداد لتطبيقك.

يدعم تنسيق TF SavedModel أوضاع التصدير و التنبؤ و التحقق. قم بتصدير نموذجك، ثم قم بتحميل النموذج المصدر لإجراء الاستدلال أو التحقق من دقته.

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'

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")

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#

لمزيد من التفاصيل حول عملية التصدير، تفضل بزيارة صفحة وثائق 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، الخطوة التالية هي نشره. الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج TF SavedModel هي استخدام طريقة YOLO("yolo26n_saved_model/")، كما هو موضح مسبقاً في مقتطف كود الاستخدام.

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

• TensorFlow Serving: إليك وثائق المطورين حول كيفية نشر نماذج TF SavedModel الخاصة بك باستخدام TensorFlow Serving.

• تشغيل TensorFlow SavedModel في Node.js: تدوينة من TensorFlow حول تشغيل TensorFlow SavedModel في Node.js مباشرة دون تحويل.

• النشر على السحابة: تدوينة من TensorFlow حول نشر نموذج TensorFlow SavedModel على منصة Cloud AI.

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 الخاصة بك ونشرها وتوسيع نطاقها عبر مجموعة واسعة من المنصات.

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

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

Link to this sectionالأسئلة الشائعة#

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

يعد تصدير نموذج Ultralytics YOLO إلى تنسيق TensorFlow SavedModel أمراً مباشراً. يمكنك استخدام Python أو CLI لتحقيق ذلك:

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 علي استخدام تنسيق TensorFlow SavedModel؟#

يوفر تنسيق TensorFlow SavedModel العديد من المزايا لـ نشر النماذج:

• إمكانية النقل: يوفر تنسيقاً محايداً للغة، مما يسهل مشاركة النماذج ونشرها عبر بيئات مختلفة.
• التوافق: يتكامل بسلاسة مع أدوات مثل TensorFlow Serving و TensorFlow Lite و TensorFlow.js، وهي ضرورية لنشر النماذج على منصات مختلفة، بما في ذلك تطبيقات الويب وتطبيقات الهاتف المحمول.
• تغليف كامل: يقوم بتشفير بنية النموذج والأوزان ومعلومات التحويل البرمجي، مما يسمح بالمشاركة المباشرة 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 تقديم نماذج قابلة للتوسع وعالية الأداء.
• منصات السحابة: يدعم خدمات السحابة الرئيسية مثل Google Cloud Platform (GCP) و Amazon Web Services (AWS) و Microsoft Azure لنشر النماذج القابلة للتوسع.
• الأجهزة المحمولة والمدمجة: يتيح استخدام TensorFlow Lite لتحويل نماذج TF SavedModels إمكانية النشر على الأجهزة المحمولة وأجهزة إنترنت الأشياء والمتحكمات الدقيقة.
• TensorFlow Runtime: لبيئات C++ التي تحتاج إلى استدلال منخفض التأخير مع أداء أفضل.

للحصول على خيارات نشر مفصلة، قم 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:

pip install ultralytics

لمزيد من تعليمات التثبيت المفصلة وأفضل الممارسات، راجع دليل تثبيت Ultralytics. إذا واجهت أي مشكلات، فراجع دليل المشكلات الشائعة.

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

يعد تنسيق TF SavedModel مفيداً لمطوري الذكاء الاصطناعي بفضل الميزات التالية:

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

لمزيد من التفاصيل، استكشف وثائق TensorFlow الرسمية.