انتقل إلى المحتوى

تصدير إلى TFتنسيق نموذج .js من ملف YOLOv8 تنسيق النموذج

قد يكون نشر نماذج التعلم الآلي مباشرة في المتصفح أو على Node.js أمرا صعبا. ستحتاج إلى التأكد من تحسين تنسيق النموذج الخاص بك للحصول على أداء أسرع بحيث يمكن استخدام النموذج لتشغيل التطبيقات التفاعلية محليا على جهاز المستخدم. ال TensorFlow.js أو TF.js ، تم تصميم تنسيق الطراز لاستخدام الحد الأدنى من الطاقة مع تقديم أداء سريع.

'تصدير إلى TFتتيح لك ميزة تنسيق النموذج .js تحسين Ultralytics YOLOv8 نماذج لاستدلال اكتشاف الكائنات عالي السرعة والمشغل محليا. في هذا الدليل ، سنرشدك خلال تحويل نماذجك إلى ملف TF.js التنسيق ، مما يسهل على نماذجك الأداء الجيد على مختلف المتصفحات المحلية وتطبيقات Node.js.

لماذا يجب عليك التصدير إلى TF.شبيبه؟

تصدير نماذج التعلم الآلي إلى TensorFlow.js ، التي وضعتها TensorFlow فريق كجزء من الأوسع TensorFlow النظام البيئي ، يوفر العديد من المزايا لنشر تطبيقات التعلم الآلي. يساعد على تعزيز خصوصية المستخدم وأمانه من خلال الاحتفاظ بالبيانات الحساسة على الجهاز. توضح الصورة أدناه TensorFlow.js البنية ، وكيفية تحويل نماذج التعلم الآلي ونشرها على كل من متصفحات الويب Node.js.

TFالعمارة .js

يؤدي تشغيل النماذج محليا أيضا إلى تقليل زمن الوصول وتوفير تجربة مستخدم أكثر استجابة. TensorFlowيأتي .js أيضا مزودا بإمكانيات عدم الاتصال بالإنترنت ، مما يسمح للمستخدمين باستخدام تطبيقك حتى بدون اتصال بالإنترنت. TFتم تصميم .js للتنفيذ الفعال للنماذج المعقدة على الأجهزة ذات الموارد المحدودة حيث تم تصميمه لقابلية التوسع ، مع دعم تسريع وحدة معالجة الرسومات.

الميزات الرئيسية ل TF.شبيبه

فيما يلي الميزات الرئيسية التي تجعل TF.js أداة قوية للمطورين:

  • دعم عبر منصة: TensorFlowيمكن استخدام .js في كل من بيئات المستعرض والبيئات Node.js ، مما يوفر المرونة في النشر عبر الأنظمة الأساسية المختلفة. يتيح للمطورين إنشاء التطبيقات ونشرها بسهولة أكبر.

  • دعم الخلفيات المتعددة: TensorFlowيدعم .js العديد من الخلفيات للحساب بما في ذلك وحدة المعالجة المركزية ، و WebGL لتسريع GPU ، و WebAssembly (WASM) لسرعة التنفيذ شبه الأصلية ، و WebGPU لقدرات التعلم الآلي المتقدمة المستندة إلى المتصفح.

  • قدرات غير متصل بالإنترنت: مع TensorFlow.js ، يمكن تشغيل النماذج في المتصفح دون الحاجة إلى اتصال بالإنترنت ، مما يجعل من الممكن تطوير التطبيقات التي تعمل في وضع عدم الاتصال.

خيارات النشر مع TensorFlow.شبيبه

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

TFيوفر .js مجموعة من الخيارات لنشر نماذج التعلم الآلي الخاصة بك:

  • تطبيقات التعلم الآلي في المتصفح: يمكنك إنشاء تطبيقات الويب التي تقوم بتشغيل نماذج التعلم الآلي مباشرة في المستعرض. يتم التخلص من الحاجة إلى الحساب من جانب الخادم ويتم تقليل حمل الخادم.

  • تطبيقات Node.js:: TensorFlowيدعم .js أيضا النشر في بيئات Node.js ، مما يتيح تطوير تطبيقات التعلم الآلي من جانب الخادم. إنه مفيد بشكل خاص للتطبيقات التي تتطلب قوة معالجة الخادم أو الوصول إلى البيانات من جانب الخادم

  • ملحقات كروم: سيناريو النشر المثير للاهتمام هو إنشاء ملحقات Chrome باستخدام TensorFlow.شبيبه. على سبيل المثال ، يمكنك تطوير امتداد يسمح للمستخدمين بالنقر بزر الماوس الأيمن على صورة داخل أي صفحة ويب لتصنيفها باستخدام نموذج ML مدرب مسبقا. TensorFlowيمكن دمج .js في تجارب تصفح الويب اليومية لتوفير رؤى فورية أو تعزيزات بناء على التعلم الآلي.

تصدير YOLOv8 نماذج ل TensorFlow.شبيبه

يمكنك توسيع توافق النموذج ومرونة النشر عن طريق التحويل YOLOv8 نماذج ل TF.شبيبه.

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.js format
model.export(format='tfjs')  # creates '/yolov8n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO('./yolov8n_web_model')

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

# Export a YOLOv8n PyTorch model to TF.js format
yolo export model=yolov8n.pt format=tfjs  # creates '/yolov8n_web_model'

# Run inference with the exported model
yolo predict model='./yolov8n_web_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 TensorFlowنماذج .js

الآن بعد أن قمت بتصدير ملف YOLOv8 نموذج ل TF.js التنسيق ، فإن الخطوة التالية هي نشره. الخطوة الأولى الأساسية والموصى بها لتشغيل TF.js هو استخدام YOLO("./yolov8n_web_model") ، كما هو موضح سابقا في مقتطف شفرة الاستخدام.

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

ملخص

في هذا الدليل ، تعلمنا كيفية التصدير Ultralytics YOLOv8 نماذج إلى TensorFlowتنسيق .js. عن طريق التصدير إلى TF.js ، تكتسب المرونة لتحسين ونشر وتوسيع نطاق YOLOv8 نماذج على مجموعة واسعة من المنصات.

لمزيد من التفاصيل حول الاستخدام ، قم بزيارة TensorFlow.js 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.



تم النشر في 2024-04-03, اخر تحديث 2024-04-18
المؤلفون: جلين جوشر (1) ، أبيرامي فينا (1)

التعليقات