انتقل إلى المحتوى

فهم كيفية التصدير إلى TF SavedModel تنسيق من YOLOv8

قد يكون نشر نماذج التعلم الآلي أمرا صعبا. 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 مثل حقيبة سفر ل TensorFlow النماذج ، مما يجعلها سهلة الحمل والاستخدام على الأجهزة والأنظمة المختلفة.

تعلم كيفية التصدير إلى TF SavedModel من Ultralytics YOLOv8 يمكن أن تساعدك النماذج في نشر النماذج بسهولة عبر الأنظمة الأساسية والبيئات المختلفة. في هذا الدليل ، سنتعرف على كيفية تحويل نماذجك إلى ملف TF SavedModel ، مما يبسط عملية تشغيل الاستدلالات مع نماذجك على أجهزة مختلفة.

لماذا يجب عليك التصدير إلى TF SavedModel?

يعد تنسيق TensorFlow SavedModel جزءًا من النظام البيئي TensorFlow الذي طوره Google كما هو موضح أدناه. وهو مصمم لحفظ وتسلسل النماذج TensorFlow بسلاسة. وهو يغلف التفاصيل الكاملة للنماذج مثل البنية والأوزان وحتى معلومات التجميع. وهذا يجعل من السهل مشاركة النماذج ونشرها ومواصلة التدريب عبر بيئات مختلفة.

TF SavedModel

ال TF SavedModel له ميزة رئيسية: توافقه. يعمل بشكل جيد مع TensorFlow خدمه TensorFlow لايت، و TensorFlow.شبيبه. يسهل هذا التوافق مشاركة النماذج ونشرها عبر الأنظمة الأساسية المختلفة ، بما في ذلك تطبيقات الويب والجوال. ال TF SavedModel الشكل مفيد لكل من البحث والإنتاج. يوفر طريقة موحدة لإدارة نماذجك ، مما يضمن أنها جاهزة لأي تطبيق.

الميزات الرئيسية ل TF النماذج المحفوظة

فيما يلي الميزات الرئيسية التي تجعل TF SavedModel خيار رائع لمطوري الذكاء الاصطناعي:

  • قابلية النقل: TF SavedModel يوفر تنسيق تسلسل محكم محايد لغوي وقابل للاسترداد. إنها تمكن الأنظمة والأدوات عالية المستوى من الإنتاج والاستهلاك والتحويل TensorFlow نماذج. يمكن مشاركة النماذج المحفوظة ونشرها بسهولة عبر منصات وبيئات مختلفة.

  • سهولة النشر: TF SavedModel يجمع الرسم البياني الحسابي والمعلمات المدربة والبيانات الوصفية الضرورية في حزمة واحدة. يمكن تحميلها بسهولة واستخدامها للاستدلال دون الحاجة إلى الكود الأصلي الذي أنشأ النموذج. هذا يجعل نشر TensorFlow نماذج مباشرة وفعالة في بيئات الإنتاج المختلفة.

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

خيارات النشر مع TF SavedModel

قبل أن نتعمق في عملية التصدير YOLOv8 نماذج إلى TF SavedModel ، دعنا نستكشف بعض سيناريوهات النشر النموذجية حيث يتم استخدام هذا التنسيق.

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

  • TensorFlow خدمه: TensorFlow التقديم هو نظام خدمة مرن وعالي الأداء مصمم لبيئات الإنتاج. يدعم أصلا TF SavedModels، مما يجعل من السهل نشر النماذج الخاصة بك وتقديمها على الأنظمة الأساسية السحابية أو الخوادم المحلية أو أجهزة الحافة.

  • Cloud Platforms: Major cloud providers like Google Cloud Platform (GCP), Amazon Web Services (AWS), and Microsoft Azure offer services for deploying and running TensorFlow models, including TF SavedModels. These services provide scalable and managed infrastructure, allowing you to deploy and scale your models easily.

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

  • TensorFlow وقت التشغيل: TensorFlow وقت التشغيل (tfrt) هو وقت تشغيل عالي الأداء للتنفيذ TensorFlow الرسوم البيانيه. يوفر واجهات برمجة تطبيقات منخفضة المستوى للتحميل والتشغيل TF النماذج المحفوظة في بيئات C++. TensorFlow يوفر وقت التشغيل أداء أفضل مقارنة بالمعيار TensorFlow وقت التشغيل. إنه مناسب لسيناريوهات النشر التي تتطلب استدلالا بزمن انتقال منخفض وتكاملا محكما مع قواعد التعليمات البرمجية C ++ الحالية.

تصدير YOLOv8 نماذج ل TF SavedModel

عن طريق التصدير YOLOv8 نماذج إلى TF SavedModel ، يمكنك تعزيز قدرتها على التكيف وسهولة النشر عبر الأنظمة الأساسية المختلفة.

تركيب

لتثبيت الحزمة المطلوبة ، قم بتشغيل:

تركيب

# 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.

استخدام

from ultralytics import YOLO

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

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolov8n_saved_model'

# Load the exported TF SavedModel model
tf_savedmodel_model = YOLO("./yolov8n_saved_model")

# Run inference
results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLOv8n PyTorch model to TF SavedModel format
yolo export model=yolov8n.pt format=saved_model  # creates '/yolov8n_saved_model'

# Run inference with the exported model
yolo predict model='./yolov8n_saved_model' 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 SavedModel نماذج

الآن بعد أن قمت بتصدير ملف YOLOv8 نموذج ل TF SavedModel ، والخطوة التالية هي نشره. الخطوة الأولى الأساسية والموصى بها لتشغيل TF GraphDef النموذج هو استخدام YOLO("./yolov8nطريقة _saved_model") ، كما هو موضح سابقا في مقتطف شفرة الاستخدام.

ومع ذلك ، للحصول على إرشادات متعمقة حول نشر TF SavedModel النماذج ، ألق نظرة على الموارد التالية:

  • TensorFlow الخدمة: إليك وثائق المطورين الخاصة بكيفية نشر نماذج TF SavedModel الخاصة بك باستخدام خدمة TensorFlow .

  • تشغيل TensorFlow SavedModel في Node.js: أ TensorFlow بلوق وظيفة على تشغيل TensorFlow SavedModel في Node.js مباشرة دون تحويل.

  • النشر على السحابة: أ TensorFlow منشور مدونة حول نشر ملف TensorFlow SavedModel نموذج على منصة الذكاء الاصطناعي السحابية.

ملخص

في هذا الدليل ، استكشفنا كيفية التصدير Ultralytics YOLOv8 نماذج إلى TF SavedModel تنسيق. عن طريق التصدير إلى TF SavedModel، يمكنك اكتساب المرونة اللازمة لتحسين ونشر وتوسيع نطاق YOLOv8 نماذج على مجموعة واسعة من المنصات.

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

لمزيد من المعلومات حول الدمج Ultralytics YOLOv8 مع الأنظمة الأساسية والأطر الأخرى ، لا تنس مراجعة صفحة دليل التكامل الخاصة بنا. إنه مليء بالموارد الرائعة لمساعدتك على تحقيق أقصى استفادة من YOLOv8 في مشاريعك.

الأسئلة المتداولة

كيف يمكنني تصدير نموذج Ultralytics YOLO إلى تنسيق TensorFlow SavedModel ؟

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

تصدير YOLOv8 إلى TF SavedModel

from ultralytics import YOLO

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

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolov8n_saved_model'

# Load the exported TF SavedModel for inference
tf_savedmodel_model = YOLO("./yolov8n_saved_model")
results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")
# Export the YOLOv8 model to TF SavedModel format
yolo export model=yolov8n.pt format=saved_model  # creates '/yolov8n_saved_model'

# Run inference with the exported model
yolo predict model='./yolov8n_saved_model' source='https://ultralytics.com/images/bus.jpg'

ارجع إلى وثائق التصديرUltralytics لمزيد من التفاصيل.

لماذا يجب استخدام تنسيق TensorFlow SavedModel ؟

يوفر تنسيق TensorFlow SavedModel العديد من المزايا لنشر النموذج:

  • قابلية النقل: يوفر تنسيقًا محايدًا من حيث اللغة، مما يسهل مشاركة النماذج ونشرها عبر بيئات مختلفة.
  • التوافق: يتكامل بسلاسة مع أدوات مثل TensorFlow Serving و TensorFlow Lite و TensorFlow.js، وهي أدوات ضرورية لنشر النماذج على منصات مختلفة، بما في ذلك تطبيقات الويب والجوال.
  • تغليف كامل: يرمز بنية النموذج، والأوزان، ومعلومات التجميع، مما يسمح بالمشاركة المباشرة واستمرار التدريب.

لمزيد من المزايا وخيارات النشر، اطلع على خيارات نشر النموذجUltralytics YOLO .

ما هي سيناريوهات النشر النموذجية لـ TF SavedModel ؟

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

  • TensorFlow الخدمة: مثالية لبيئات الإنتاج التي تتطلب خدمة نموذجية قابلة للتطوير وعالية الأداء.
  • Cloud Platforms: Supports major cloud services like Google Cloud Platform (GCP), Amazon Web Services (AWS), and Microsoft Azure for scalable model deployment.
  • الأجهزة المحمولة والأجهزة المدمجة: يتيح استخدام TensorFlow Lite لتحويل TF المحفوظة للنماذج المحفوظة إمكانية النشر على الأجهزة المحمولة وأجهزة إنترنت الأشياء والمتحكمات الدقيقة.
  • TensorFlow وقت التشغيل: For C++ environments needing low-latency inference with better performance.

للاطلاع على خيارات النشر التفصيلية، قم بزيارة الأدلة الرسمية الخاصة بنشر نماذج TensorFlow .

كيف يمكنني تثبيت الحزم اللازمة لتصدير النماذج YOLOv8 ؟

لتصدير النماذج YOLOv8 ، تحتاج إلى تثبيت ultralytics الحزمة. قم بتشغيل الأمر التالي في جهازك الطرفي:

pip install ultralytics

لمزيد من تعليمات التثبيت المفصلة وأفضل الممارسات، راجع دليل التثبيتUltralytics الخاص بنا. إذا واجهت أي مشاكل، راجع دليل المشكلات الشائعة الخاص بنا.

ما هي الميزات الرئيسية لتنسيق TensorFlow SavedModel ؟

TF SavedModel التنسيق مفيد لمطوري الذكاء الاصطناعي بسبب الميزات التالية:

  • قابلية النقل: تتيح المشاركة والنشر عبر بيئات مختلفة دون عناء.
  • سهولة النشر: يغلف الرسم البياني الحسابي والمعلمات المدربة والبيانات الوصفية في حزمة واحدة، مما يسهل التحميل والاستدلال.
  • إدارة الأصول: تدعم الأصول الخارجية مثل المفردات، مما يضمن توفرها عند تحميل النموذج.

لمزيد من التفاصيل، اطلع على الوثائق الرسمية TensorFlow .



تم الإنشاء 2024-03-23، تم التحديث 2024-07-05
المؤلفون: جلين-جوتشر (5)، برهان-ك (1)، أبيرامي-فينا (1)

التعليقات