التصدير إلى تنسيق نموذج TF.js من تنسيق نموذج YOLO11

قد يكون نشر نماذج التعلّم الآلي مباشرةً في المتصفح أو على Node.js أمرًا صعبًا. ستحتاج إلى التأكد من تحسين تنسيق النموذج الخاص بك للحصول على أداء أسرع بحيث يمكن استخدام النموذج لتشغيل التطبيقات التفاعلية محليًا على جهاز المستخدم. تم تصميم تنسيق النموذج TensorFlow.js، أو TF.js، لاستخدام الحد الأدنى من الطاقة مع توفير أداء سريع.

تسمح لك ميزة "التصدير إلى تنسيق نموذج TF.js" بتحسين Ultralytics YOLO11 الخاصة بك للاستدلال على اكتشاف الكائنات بسرعة عالية وتشغيلها محليًا. سنرشدك في هذا الدليل إلى كيفية تحويل نماذجك إلى صيغة TF.js، مما يسهل أداء نماذجك بشكل جيد على مختلف المتصفحات المحلية وتطبيقات Node.js.

لماذا يجب عليك التصدير إلى TF.js؟

يوفر تصدير نماذج التعلّم الآلي الخاصة بك إلى TensorFlow.js، الذي طوره فريق TensorFlow كجزء من النظام البيئي الأوسع TensorFlow ، العديد من المزايا لنشر تطبيقات التعلّم الآلي. فهو يساعد على تعزيز خصوصية المستخدم وأمانه من خلال الاحتفاظ بالبيانات الحساسة على الجهاز. توضح الصورة أدناه بنية TensorFlow.js، وكيف يتم تحويل نماذج التعلم الآلي ونشرها على كل من متصفحات الويب و Node.js.

يقلل تشغيل النماذج محليًا أيضًا من زمن الاستجابة ويوفر تجربة مستخدم أكثر استجابة. TensorFlowيأتي .js أيضًا مزودًا بإمكانيات عدم الاتصال بالإنترنت، مما يسمح للمستخدمين باستخدام تطبيقك حتى بدون اتصال بالإنترنت. TF تم تصميم .js لتنفيذ النماذج المعقدة بكفاءة على الأجهزة ذات الموارد المحدودة حيث تم تصميمه لقابلية التوسع، مع دعم تسريع GPU .

الميزات الرئيسية لـ TF.js

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

• دعم متعدد المنصات: يمكن استخدام TensorFlow.js في كل من بيئات المتصفح و Node.js، مما يوفر مرونة في النشر عبر منصات مختلفة. يتيح للمطورين بناء التطبيقات ونشرها بسهولة أكبر.

• دعم خلفيات متعددة: يدعم TensorFlow.js خلفيات متنوعة للحوسبة بما في ذلك CPU و WebGL لتسريع GPU و WebAssembly (WASM) لسرعة تنفيذ شبه أصلية و WebGPU لقدرات التعلم الآلي المتقدمة القائمة على المتصفح.

• قدرات غير متصلة بالإنترنت: باستخدام TensorFlow.js، يمكن تشغيل النماذج في المتصفح دون الحاجة إلى اتصال بالإنترنت، مما يجعل من الممكن تطوير تطبيقات تعمل دون اتصال بالإنترنت.

خيارات النشر مع TensorFlow.js

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

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

• تطبيقات التعلم الآلي داخل المتصفح: يمكنك إنشاء تطبيقات ويب تقوم بتشغيل نماذج التعلم الآلي مباشرةً في المتصفح. يتم التخلص من الحاجة إلى الحوسبة من جانب الخادم وتقليل الحمل على الخادم.

• تطبيقات Node.js:: TensorFlow يدعم .js أيضًا 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 من جانب الخادم.

• ملحقات كروم: أحد سيناريوهات النشر المثيرة للاهتمام هو إنشاء ملحقات كروم باستخدام TensorFlow.js. على سبيل المثال، يمكنك تطوير ملحق يسمح للمستخدمين بالنقر بزر الماوس الأيمن على صورة داخل أي صفحة ويب لتصنيفها باستخدام نموذج تعلّم الآلة المدرب مسبقًا. TensorFlow.js يمكن دمجها في تجارب تصفح الويب اليومية لتوفير رؤى فورية أو تعزيزات فورية استنادًا إلى التعلم الآلي.

تصدير النماذج YOLO11 إلى TensorFlow.js

يمكنك توسيع نطاق توافق النماذج ومرونة النشر من خلال تحويل نماذج YOLO11 إلى TF.js.

التركيب

لتثبيت الحزمة المطلوبة، قم بتشغيل:

# 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.

from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo11n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo11n_web_model")

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

# Export a YOLO11n PyTorch model to TF.js format
yolo export model=yolo11n.pt format=tfjs  # creates '/yolo11n_web_model'

# Run inference with the exported model
yolo predict model='./yolo11n_web_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 المصدّرة YOLO11 TensorFlow .js .js

الآن بعد أن قمت بتصدير نموذج YOLO11 الخاص بك إلى تنسيق TF.js، فإن الخطوة التالية هي نشره. الخطوة الأولى الأساسية والموصى بها لتشغيل TF.js هي استخدام YOLO("./yolo11n_web_model") كما هو موضح سابقًا في مقتطف شيفرة الاستخدام.

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

• ملحق كروم: إليك وثائق المطورين لكيفية نشر نماذج TF.js الخاصة بك على امتداد كروم.

• تشغيل TensorFlow.js في Node.js: منشور على مدونة TensorFlow حول تشغيل TensorFlow.js في Node.js مباشرة.

• نشر TensorFlow.js - مشروع العقدة على المنصة السحابية: منشور مدونة TensorFlow حول نشر نموذج TensorFlow.js على منصة سحابية.

الملخص

في هذا الدليل، تعلمنا كيفية تصدير النماذج Ultralytics YOLO11 إلى تنسيق TensorFlow.js. من خلال التصدير إلى TF.js، يمكنك الحصول على المرونة اللازمة لتحسين نماذجك YOLO11 ونشرها وتوسيع نطاقها على مجموعة واسعة من المنصات.

لمزيد من التفاصيل حول الاستخدام، يرجى زيارة الوثائق الرسميةTensorFlow.js.

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 النماذج Ultralytics YOLO11 إلى تنسيق TensorFlow.js؟

يعد تصدير نماذج Ultralytics YOLO11 إلى تنسيق TensorFlow.js (TF.js) أمرًا بسيطًا ومباشرًا. يمكنك اتباع الخطوات التالية:

from ultralytics import YOLO

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

# Export the model to TF.js format
model.export(format="tfjs")  # creates '/yolo11n_web_model'

# Load the exported TF.js model
tfjs_model = YOLO("./yolo11n_web_model")

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

# Export a YOLO11n PyTorch model to TF.js format
yolo export model=yolo11n.pt format=tfjs  # creates '/yolo11n_web_model'

# Run inference with the exported model
yolo predict model='./yolo11n_web_model' source='https://ultralytics.com/images/bus.jpg'

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

لماذا يجب تصدير نماذج YOLO11 الخاصة بي إلى TensorFlow.js؟

يوفر تصدير نماذج YOLO11 إلى TensorFlow.js العديد من المزايا، بما في ذلك:

1. التنفيذ المحلي: يمكن تشغيل النماذج مباشرةً في المتصفح أو Node.js، مما يقلل من زمن الاستجابة ويعزز تجربة المستخدم.
2. الدعم عبر المنصات: TF.js يدعم بيئات متعددة، مما يتيح المرونة في النشر.
3. قدرات عدم الاتصال بالإنترنت: تمكين التطبيقات من العمل بدون اتصال بالإنترنت، مما يضمن الموثوقية والخصوصية.
4. GPU التسريع: يستفيد من WebGL لتسريع GPU ، وتحسين الأداء على الأجهزة ذات الموارد المحدودة.

للحصول على نظرة عامة شاملة، راجع عمليات التكامل مع TensorFlow.js.

كيف يفيد TensorFlow.js تطبيقات التعلم الآلي المستندة إلى المتصفح؟

TensorFlow.js مصمم خصيصًا لتنفيذ نماذج التعلم الآلي بكفاءة في المتصفحات وبيئات Node.js. إليك كيفية الاستفادة من التطبيقات المستندة إلى المتصفح:

• يقلل من زمن الاستجابة: تشغيل نماذج التعلم الآلي محلياً، مما يوفر نتائج فورية دون الاعتماد على العمليات الحسابية من جانب الخادم.
• يحسّن الخصوصية: يحتفظ بالبيانات الحساسة على جهاز المستخدم، مما يقلل من المخاطر الأمنية.
• تمكين الاستخدام دون اتصال بالإنترنت: يمكن للنماذج أن تعمل بدون اتصال بالإنترنت، مما يضمن اتساق الأداء الوظيفي.
• يدعم خلفيات متعددة: يوفر مرونة مع خلفيات خلفية مثل CPU و WebGL و WebAssembly (WASM) و WebGPU لتلبية الاحتياجات الحسابية المختلفة.

هل أنت مهتم بمعرفة المزيد عن TF.js؟ اطلع على دليل TensorFlow.js الرسمي.

ما هي الميزات الرئيسية في TensorFlow.js لنشر نماذج YOLO11 ؟

تتضمن الميزات الرئيسية لـ TensorFlow.js ما يلي:

• الدعم متعدد المنصات: يمكن استخدام TF.js في كل من متصفحات الويب و Node.js، مما يوفر مرونة واسعة في النشر.
• خلفيات متعددة: يدعم CPU و WebGL لتسريع GPU و WebAssembly (WASM) و WebGPU للعمليات المتقدمة.
• قدرات غير متصلة بالإنترنت: يمكن تشغيل النماذج مباشرة في المتصفح دون اتصال بالإنترنت، مما يجعلها مثالية لتطوير تطبيقات الويب سريعة الاستجابة.

للاطلاع على سيناريوهات النشر والمزيد من المعلومات المتعمقة، راجع القسم الخاص بخيارات النشر باستخدام TensorFlow.js.

هل يمكنني نشر نموذج YOLO11 على تطبيقات Node.js من جانب الخادم باستخدام TensorFlow.js؟

نعم، يسمح TensorFlow.js بنشر نماذج YOLO11 على بيئات Node.js. يتيح ذلك تطبيقات التعلم الآلي من جانب الخادم التي تستفيد من قوة معالجة الخادم والوصول إلى البيانات من جانب الخادم. تتضمن 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.

📅 تم إنشاؤها قبل 8 أشهر ✏️ تم التحديث منذ 2 أشهر

التعليقات