Link to this sectionالتصدير إلى تنسيق نموذج TF.js من تنسيق نموذج YOLO26#
قد يكون نشر نماذج التعلم الآلي مباشرة في المتصفح أو على Node.js أمراً معقداً. ستحتاج إلى التأكد من تحسين تنسيق نموذجك للحصول على أداء أسرع حتى يمكن استخدام النموذج لتشغيل تطبيقات تفاعلية محلياً على جهاز المستخدم. تم تصميم تنسيق نموذج TensorFlow.js، أو TF.js، لاستخدام الحد الأدنى من الطاقة مع تقديم أداء سريع.
تتيح لك ميزة 'التصدير إلى تنسيق نموذج TF.js' تحسين نماذج Ultralytics YOLO26 الخاصة بك من أجل استنتاج كشف الكائنات عالي السرعة والذي يعمل محلياً. في هذا الدليل، سنرشدك خلال تحويل نماذجك إلى تنسيق TF.js، مما يسهل على نماذجك العمل بشكل جيد على مختلف المتصفحات المحلية وتطبيقات Node.js.
Link to this sectionلماذا يجب عليك التصدير إلى TF.js؟#
يوفر تصدير نماذج التعلم الآلي الخاصة بك إلى TensorFlow.js، الذي طوره فريق TensorFlow كجزء من نظام TensorFlow البيئي الأوسع، العديد من المزايا لنشر تطبيقات التعلم الآلي. فهو يساعد في تعزيز خصوصية المستخدم وأمنه من خلال إبقاء البيانات الحساسة على الجهاز. توضح الصورة أدناه بنية TensorFlow.js، وكيفية تحويل نماذج التعلم الآلي ونشرها على كل من متصفحات الويب و Node.js.
يؤدي تشغيل النماذج محلياً أيضاً إلى تقليل زمن الوصول وتوفير تجربة مستخدم أكثر استجابة. تأتي TensorFlow.js أيضاً مع إمكانات العمل دون اتصال بالإنترنت، مما يسمح للمستخدمين باستخدام تطبيقك حتى بدون اتصال بالإنترنت. تم تصميم TF.js للتنفيذ الفعال للنماذج المعقدة على الأجهزة ذات الموارد المحدودة حيث تم تصميمها للقدرة على التوسع، مع دعم تسريع GPU.
Link to this sectionالميزات الرئيسية لـ TF.js#
إليك الميزات الرئيسية التي تجعل من TF.js أداة قوية للمطورين:
-
دعم عبر المنصات: يمكن استخدام TensorFlow.js في كل من بيئات المتصفح و Node.js، مما يوفر المرونة في النشر عبر منصات مختلفة. وهو يتيح للمطورين بناء ونشر التطبيقات بسهولة أكبر.
-
دعم لعدة بيئات تشغيل (Backends): يدعم TensorFlow.js بيئات تشغيل متنوعة للحوسبة بما في ذلك CPU، وWebGL لتسريع GPU، وWebAssembly (WASM) لسرعة تنفيذ قريبة من السرعة الأصلية، وWebGPU لإمكانات التعلم الآلي المتقدمة القائمة على المتصفح.
-
إمكانات العمل دون اتصال: مع TensorFlow.js، يمكن تشغيل النماذج في المتصفح دون الحاجة إلى اتصال بالإنترنت، مما يجعل من الممكن تطوير تطبيقات تعمل دون اتصال بالإنترنت.
Link to this sectionخيارات النشر باستخدام TensorFlow.js#
قبل أن نتعمق في عملية تصدير نماذج YOLO26 إلى تنسيق TF.js، دعنا نستكشف بعض سيناريوهات النشر النموذجية التي يُستخدم فيها هذا التنسيق.
يوفر TF.js مجموعة من الخيارات لنشر نماذج التعلم الآلي الخاصة بك:
-
تطبيقات التعلم الآلي داخل المتصفح: يمكنك بناء تطبيقات ويب تشغل نماذج التعلم الآلي مباشرة في المتصفح. يتم القضاء على الحاجة إلى الحوسبة من جانب الخادم ويتم تقليل حمل الخادم.
-
تطبيقات Node.js: يدعم TensorFlow.js أيضاً النشر في بيئات Node.js، مما يتيح تطوير تطبيقات التعلم الآلي من جانب الخادم. وهو مفيد بشكل خاص للتطبيقات التي تتطلب قوة معالجة الخادم أو الوصول إلى البيانات الموجودة على جانب الخادم.
-
إضافات Chrome: أحد سيناريوهات النشر المثيرة للاهتمام هو إنشاء إضافات Chrome باستخدام TensorFlow.js. على سبيل المثال، يمكنك تطوير إضافة تسمح للمستخدمين بالنقر بزر الماوس الأيمن على صورة داخل أي صفحة ويب لتصنيفها باستخدام نموذج تعلم آلي مدرب مسبقاً. يمكن دمج TensorFlow.js في تجارب تصفح الويب اليومية لتقديم رؤى فورية أو إضافات بناءً على التعلم الآلي.
Link to this sectionتصدير نماذج YOLO26 إلى TensorFlow.js#
يمكنك توسيع توافق النموذج ومرونة النشر عن طريق تحويل نماذج YOLO26 إلى TF.js.
Link to this sectionالتثبيت#
لتثبيت الحزمة المطلوبة، قم بتشغيل:
# Install the required package for YOLO26
pip install ultralyticsللحصول على تعليمات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل تثبيت Ultralytics. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على الحلول والنصائح.
Link to this sectionالاستخدام#
تم تصميم جميع نماذج Ultralytics YOLO26 لدعم التصدير مباشرة، مما يجعل من السهل دمجها في سير عمل النشر المفضل لديك. يمكنك عرض القائمة الكاملة لتنسيقات التصدير المدعومة وخيارات التهيئة لاختيار أفضل إعداد لتطبيقك.
تنسيق TF.js مخصص للتصدير فقط في Ultralytics — ميزتا التنبؤ و التحقق غير متاحتين محلياً. قم بنشر النموذج المصدر في المتصفح أو تطبيق Node.js باستخدام وقت تشغيل TensorFlow.js.
from ultralytics import YOLO
# Load a YOLO26 model
model = YOLO("yolo26n.pt")
# Export the model to TF.js format
model.export(format="tfjs") # creates '/yolo26n_web_model'لا توفر Ultralytics بيئة تشغيل استنتاج محلية لـ TF.js، لذا لا يمكن لـ yolo predict و yolo val تحميل _web_model. بدلاً من ذلك، قم بتشغيل النموذج المصدر باستخدام وقت تشغيل TensorFlow.js في تطبيق الويب أو Node.js الخاص بك.
Link to this sectionوسائط التصدير#
| الوسيط | النوع | الافتراضي | الوصف |
|---|---|---|---|
format | str | 'tfjs' | التنسيق المستهدف للنموذج المصدر، والذي يحدد التوافق مع بيئات النشر المختلفة. |
imgsz | int أو tuple | 640 | حجم الصورة المطلوب لمدخلات النموذج. يمكن أن يكون عدداً صحيحاً للصور المربعة أو صفاً (height, width) لأبعاد محددة. |
half | bool | False | يُفعل كمية FP16 (نصف الدقة)، مما يقلل من حجم النموذج وربما يسرع الاستنتاج على الأجهزة المدعومة. |
int8 | bool | False | يُفعل كمية INT8، مما يضغط النموذج بشكل أكبر ويسرع الاستنتاج مع الحد الأدنى من فقدان الدقة، بشكل أساسي للأجهزة الطرفية. |
nms | bool | False | يضيف كبح غير الأعظمي (NMS)، وهو أمر ضروري لمعالجة الكشف اللاحقة بدقة وكفاءة. |
batch | int | 1 | يحدد حجم استدلال دفعة النموذج المصدر أو الحد الأقصى لعدد الصور التي سيعالجها النموذج المصدر بالتوازي في وضع predict. |
data | str | 'coco8.yaml' | مسار ملف تهيئة مجموعة البيانات (الافتراضي: coco8.yaml)، وهو ضروري لعملية الكمية. |
fraction | float | 1.0 | يحدد جزء مجموعة البيانات لاستخدامه في معايرة كمية INT8. يسمح بالمعايرة على مجموعة فرعية من كامل البيانات، وهو مفيد للتجارب أو عندما تكون الموارد محدودة. إذا لم يتم تحديده مع تفعيل INT8، فسيتم استخدام كامل مجموعة البيانات. |
device | str | None | يحدد الجهاز للتصدير: CPU (device=cpu)، أو MPS لأجهزة Apple silicon (device=mps). |
لمزيد من التفاصيل حول عملية التصدير، تفضل بزيارة صفحة وثائق Ultralytics حول التصدير.
Link to this sectionنشر نماذج YOLO26 المصدرة بتنسيق TensorFlow.js#
الآن بعد أن قمت بتصدير نموذج YOLO26 الخاص بك إلى تنسيق TF.js، فإن الخطوة التالية هي نشره. لا توفر Ultralytics بيئة تشغيل استنتاج محلية لـ TF.js، لذا فإن _web_model المصدر مخصص للتشغيل مباشرة باستخدام وقت تشغيل TensorFlow.js في متصفح أو تطبيق Node.js.
للحصول على تعليمات مفصلة حول نشر نماذج TF.js الخاصة بك، ألقِ نظرة على الموارد التالية:
-
إضافة Chrome: إليك وثائق المطور حول كيفية نشر نماذج TF.js الخاصة بك في إضافة Chrome.
-
تشغيل TensorFlow.js في Node.js: تدوينة من TensorFlow حول تشغيل TensorFlow.js في Node.js مباشرة.
-
نشر TensorFlow.js - مشروع Node على منصة سحابية: تدوينة من TensorFlow حول نشر نموذج TensorFlow.js على منصة سحابية.
Link to this sectionملخص#
في هذا الدليل، تعلمنا كيفية تصدير نماذج Ultralytics YOLO26 إلى تنسيق TensorFlow.js. من خلال التصدير إلى TF.js، تكتسب المرونة لتحسين نماذج YOLO26 الخاصة بك ونشرها وتوسيع نطاقها عبر مجموعة واسعة من المنصات.
لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة وثائق TensorFlow.js الرسمية.
لمزيد من المعلومات حول دمج Ultralytics YOLO26 مع منصات وأطر عمل أخرى، لا تنسَ الاطلاع على صفحة دليل التكامل. إنها مليئة بالموارد الرائعة لمساعدتك على تحقيق أقصى استفادة من YOLO26 في مشاريعك.
Link to this sectionأسئلة مكررة (FAQ)#
Link to this sectionكيف أقوم بتصدير نماذج Ultralytics YOLO26 إلى تنسيق TensorFlow.js؟#
تصدير نماذج Ultralytics YOLO26 إلى تنسيق TensorFlow.js (TF.js) أمر مباشر. يمكنك اتباع الخطوات التالية:
from ultralytics import YOLO
# Load a YOLO26 model
model = YOLO("yolo26n.pt")
# Export the model to TF.js format
model.export(format="tfjs") # creates '/yolo26n_web_model'
# Deploy the exported '_web_model' with the TensorFlow.js runtime in a browser or Node.js app.
# Ultralytics does not provide a local TF.js inference backend.لمزيد من التفاصيل حول خيارات التصدير المدعومة، تفضل بزيارة صفحة وثائق Ultralytics حول خيارات النشر.
Link to this sectionلماذا يجب علي تصدير نماذج YOLO26 الخاصة بي إلى TensorFlow.js؟#
يوفر تصدير نماذج YOLO26 إلى TensorFlow.js العديد من المزايا، بما في ذلك:
- التنفيذ المحلي: يمكن تشغيل النماذج مباشرة في المتصفح أو Node.js، مما يقلل من زمن الوصول ويعزز تجربة المستخدم.
- دعم عبر المنصات: يدعم TF.js بيئات متعددة، مما يتيح المرونة في النشر.
- إمكانات العمل دون اتصال: تمكّن التطبيقات من العمل بدون اتصال بالإنترنت، مما يضمن الموثوقية والخصوصية.
- تسريع GPU: يستفيد من WebGL لتسريع GPU، مما يحسن الأداء على الأجهزة ذات الموارد المحدودة.
Link to this sectionكيف يفيد TensorFlow.js تطبيقات التعلم الآلي المعتمدة على المتصفح؟#
تم تصميم TensorFlow.js خصيصاً للتنفيذ الفعال لنماذج التعلم الآلي في المتصفحات وبيئات Node.js. وإليك كيف يفيد التطبيقات المعتمدة على المتصفح:
- يقلل زمن الوصول: يشغل نماذج التعلم الآلي محلياً، مما يوفر نتائج فورية دون الاعتماد على الحوسبة من جانب الخادم.
- يحسن الخصوصية: يبقي البيانات الحساسة على جهاز المستخدم، مما يقلل من المخاطر الأمنية.
- يمكن الاستخدام دون اتصال: يمكن أن تعمل النماذج بدون اتصال بالإنترنت، مما يضمن وظائف متسقة.
- يدعم عدة بيئات تشغيل: يوفر المرونة مع بيئات تشغيل مثل CPU، وWebGL، وWebAssembly (WASM)، وWebGPU للاحتياجات الحسابية المختلفة.
هل أنت مهتم بمعرفة المزيد عن TF.js؟ تحقق من دليل TensorFlow.js الرسمي.
Link to this sectionما هي الميزات الرئيسية لـ TensorFlow.js لنشر نماذج YOLO26؟#
تشمل الميزات الرئيسية لـ TensorFlow.js ما يلي:
- دعم عبر المنصات: يمكن استخدام TF.js في كل من متصفحات الويب و Node.js، مما يوفر مرونة نشر واسعة النطاق.
- بيئات تشغيل متعددة: يدعم CPU، وWebGL لتسريع GPU، وWebAssembly (WASM)، وWebGPU للعمليات المتقدمة.
- إمكانات العمل دون اتصال: يمكن تشغيل النماذج مباشرة في المتصفح دون اتصال بالإنترنت، مما يجعلها مثالية لتطوير تطبيقات ويب سريعة الاستجابة.
لسيناريوهات النشر والمزيد من المعلومات المتعمقة، راجع قسمنا حول خيارات النشر باستخدام TensorFlow.js.
Link to this sectionهل يمكنني نشر نموذج YOLO26 على تطبيقات Node.js من جانب الخادم باستخدام TensorFlow.js؟#
نعم، يسمح TensorFlow.js بنشر نماذج YOLO26 في بيئات Node.js. وهذا يتيح تطبيقات التعلم الآلي من جانب الخادم التي تستفيد من قوة معالجة الخادم والوصول إلى البيانات الموجودة على جانب الخادم. تشمل حالات الاستخدام النموذجية معالجة البيانات في الوقت الفعلي وخطوط أنابيب التعلم الآلي على خوادم الواجهة الخلفية.
للبدء في نشر Node.js، راجع دليل تشغيل TensorFlow.js في Node.js من TensorFlow.