تخطي إلى المحتوى

فهم كيفية التصدير إلى تنسيق TF SavedModel من YOLO11

قد يكون نشر نماذج التعلم الآلي أمرًا صعبًا. ومع ذلك، فإن استخدام تنسيق فعال ومرن للنماذج يمكن أن يجعل مهمتك أسهل. TF SavedModel هو إطار عمل مفتوح المصدر للتعلم الآلي يستخدمه TensorFlow لتحميل نماذج التعلم الآلي بطريقة متسقة. وهو يشبه حقيبة سفر لنماذج TensorFlow ، مما يسهل حملها واستخدامها على أجهزة وأنظمة مختلفة.

تعلُّم كيفية التصدير إلى TF SavedModel من Ultralytics YOLO11 يمكن أن يساعدك في نشر النماذج بسهولة عبر منصات وبيئات مختلفة. في هذا الدليل، سنتعرف على كيفية تحويل نماذجك إلى تنسيق TF SavedModel ، مما يسهل عملية تشغيل الاستدلالات بنماذجك 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

TF SavedModel لديه ميزة رئيسية: توافقه. فهو يعمل بشكل جيد مع TensorFlow Serving و TensorFlow Lite و TensorFlow.js. هذا التوافق يجعل من الأسهل مشاركة النماذج ونشرها عبر منصات مختلفة، بما في ذلك تطبيقات الويب والجوال. يعد تنسيق TF SavedModel مفيدًا لكل من البحث والإنتاج. فهو يوفر طريقة موحدة لإدارة النماذج الخاصة بك، مما يضمن جاهزيتها لأي تطبيق.

الميزات الرئيسية لـ TF المحفوظة

إليك الميزات الرئيسية التي تجعل من TF SavedModel خياراً رائعاً لمطوري الذكاء الاصطناعي:

  • قابلية النقل: TF SavedModel توفر صيغة تسلسل محكم محايدة لغويًا وقابلة للاسترداد ومحكمة التسلسل. وهي تمكّن الأنظمة والأدوات ذات المستوى الأعلى من إنتاج واستهلاك وتحويل النماذج TensorFlow . 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 بنى النموذج. وهذا يجعل نشر نماذج TensorFlow 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 جنبًا إلى جنب مع تعريف الرسم البياني والمتغيرات، مما يضمن توافرها عند تحميل النموذج. تعمل هذه الميزة على تبسيط إدارة وتوزيع النماذج التي تعتمد على موارد خارجية.

خيارات النشر مع TF SavedModel

قبل أن نتعمق في عملية تصدير النماذج YOLO11 إلى تنسيق TF SavedModel ، دعنا نستكشف بعض سيناريوهات النشر النموذجية التي يُستخدم فيها هذا التنسيق.

TF SavedModel مجموعة من الخيارات لنشر نماذج التعلُّم الآلي الخاصة بك:

  • TensorFlow الإرسال: TensorFlow الخدمة هي نظام عرض مرن وعالي الأداء مصمم لبيئات الإنتاج. وهو يدعم في الأصل TF النماذج المحفوظة ، مما يجعل من السهل نشر نماذجك وخدمتها على المنصات السحابية أو الخوادم المحلية أو الأجهزة الطرفية.

  • المنصات السحابية: يقدم موفرو الخدمات السحابية 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 للتطوير والإدارة، مما يتيح لك نشر نماذجك وتوسيع نطاقها بسهولة.

  • الأجهزة المحمولة والمضمنة: TensorFlow يدعم Lite، وهو حل خفيف الوزن لتشغيل نماذج التعلّم الآلي على الأجهزة المحمولة والمضمنة وأجهزة إنترنت الأشياء، تحويل TF المحفوظة إلى تنسيق TensorFlow Lite. يتيح لك ذلك نشر نماذجك على مجموعة كبيرة من الأجهزة، بدءًا من الهواتف الذكية والأجهزة اللوحية وحتى المتحكمات الدقيقة والأجهزة المتطورة.

  • TensorFlow وقت التشغيل: TensorFlow وقت التشغيل (tfrt) عبارة عن وقت تشغيل عالي الأداء لتنفيذ TensorFlow الرسوم البيانية. It provides lower-level APIs for loading and running TF SavedModels in C++ environments. TensorFlow يوفر وقت التشغيل أداءً أفضل مقارنةً بوقت التشغيل القياسي TensorFlow . It is suitable for deployment scenarios that require low-latency inference and tight integration with existing C++ codebases.

تصدير النماذج YOLO11 إلى TF SavedModel

من خلال تصدير النماذج YOLO11 إلى تنسيق TF SavedModel ، يمكنك تعزيز قابليتها للتكيف وسهولة نشرها عبر مختلف المنصات.

التركيب

لتثبيت الحزمة المطلوبة، قم بتشغيل:

التركيب

# Install the required package for YOLO11
pip install ultralytics

للاطلاع على الإرشادات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل التثبيتUltralytics . أثناء تثبيت الحزم المطلوبة YOLO11 ، إذا واجهت أي صعوبات، راجع دليل المشكلات الشائعة للحصول على الحلول والنصائح.

الاستخدام

قبل الغوص في إرشادات الاستخدام، من المهم ملاحظة أنه على الرغم من أن جميع الطرازاتUltralytics YOLO11 متاحة للتصدير، يمكنك التأكد من أن الطراز الذي تختاره يدعم وظيفة التصدير هنا.

الاستخدام

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolo11n_saved_model'

# Load the exported TF SavedModel model
tf_savedmodel_model = YOLO("./yolo11n_saved_model")

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

# Export a YOLO11n PyTorch model to TF SavedModel format
yolo export model=yolo11n.pt format=saved_model  # creates '/yolo11n_saved_model'

# Run inference with the exported model
yolo predict model='./yolo11n_saved_model' source='https://ultralytics.com/images/bus.jpg'

للحصول على مزيد من التفاصيل حول خيارات التصدير المدعومة، يرجى زيارة صفحة التوثيقUltralytics الخاصة بخيارات النشر.

نشر النماذج المصدرة YOLO11 TF SavedModel النماذج

الآن بعد أن قمت بتصدير نموذجك YOLO11 إلى تنسيق TF SavedModel ، فإن الخطوة التالية هي نشره. تتمثل الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج TF GraphDef في استخدام طريقة YOLO("./yolo11n_saved_model")، كما هو موضح سابقًا في مقتطف رمز الاستخدام.

ومع ذلك، للحصول على إرشادات متعمقة حول نشر نماذج TF SavedModel الخاصة بك، 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: منشور على مدونة TensorFlow حول تشغيل TensorFlow SavedModel في Node.js مباشرةً دون تحويل.

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

الملخص

استكشفنا في هذا الدليل كيفية تصدير النماذج Ultralytics YOLO11 إلى تنسيق TF SavedModel . من خلال التصدير إلى TF SavedModel ، تكتسب المرونة اللازمة لتحسين نماذجك YOLO11 ونشرها وتوسيع نطاقها على مجموعة واسعة من المنصات.

للحصول على مزيد من التفاصيل حول الاستخدام، يرجى زيارة الوثائق الرسميةTF SavedModel .

لمزيد من المعلومات حول التكامل Ultralytics YOLO11 مع المنصات والأطر الأخرى، لا تنسَ الاطلاع على صفحة دليل التكامل الخاصة بنا. إنها مليئة بالموارد الرائعة لمساعدتك على تحقيق أقصى استفادة من YOLO11 في مشاريعك.

الأسئلة الشائعة

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 YOLO11 إلى TF SavedModel

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TF SavedModel format
model.export(format="saved_model")  # creates '/yolo11n_saved_model'

# Load the exported TF SavedModel for inference
tf_savedmodel_model = YOLO("./yolo11n_saved_model")
results = tf_savedmodel_model("https://ultralytics.com/images/bus.jpg")

# Export the YOLO11 model to TF SavedModel format
yolo export model=yolo11n.pt format=saved_model  # creates '/yolo11n_saved_model'

# Run inference with the exported model
yolo predict model='./yolo11n_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.
  • المنصات السحابية: يدعم الخدمات السحابية الرئيسية مثل Google المنصة السحابية (GCP) وخدمات أمازون ويب سيرفيسز (AWS) و Microsoft أزور لنشر النماذج القابلة للتطوير.
  • 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 YOLO11 ؟

لتصدير النماذج YOLO11 ، 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 إنشاؤها قبل 8 أشهر ✏️ تم التحديث منذ 2 أشهر
ألترالتيكسيستانتست غلين-جوتشر ماثيو نويس رضوان منور برهان-ق أبيرامي-فينا

التعليقات