CoreML के लिए निर्यात करें YOLOv8 मॉडल

iPhones और Mac जैसे Apple उपकरणों पर कंप्यूटर विज़न मॉडल को परिनियोजित करने के लिए एक ऐसे प्रारूप की आवश्यकता होती है जो सहज प्रदर्शन सुनिश्चित करता हो।

वही CoreML निर्यात प्रारूप आपको अपना अनुकूलन करने की अनुमति देता है Ultralytics YOLOv8 में कुशल वस्तु का पता लगाने के लिए मॉडल iOS और macOS एप्लिकेशन। इस गाइड में, हम आपको अपने मॉडल को CoreML प्रारूप, आपके मॉडल के लिए Apple उपकरणों पर अच्छा प्रदर्शन करना आसान बनाता है।

CoreML

CoreML Apple का मूलभूत मशीन लर्निंग फ्रेमवर्क है जो एक्सीलरेट, BNNS और मेटल परफॉर्मेंस शेडर्स पर बनाता है। यह एक मशीन-लर्निंग मॉडल प्रारूप प्रदान करता है जो मूल रूप से एकीकृत होता है iOS छवि विश्लेषण, प्राकृतिक भाषा प्रसंस्करण, ऑडियो-टू-टेक्स्ट रूपांतरण और ध्वनि विश्लेषण जैसे कार्यों का अनुप्रयोग और समर्थन करता है।

एप्लिकेशन नेटवर्क कनेक्शन या एपीआई कॉल की आवश्यकता के बिना कोर एमएल का लाभ उठा सकते हैं क्योंकि कोर एमएल फ्रेमवर्क ऑन-डिवाइस कंप्यूटिंग का उपयोग करके काम करता है। इसका मतलब है कि उपयोगकर्ता के डिवाइस पर स्थानीय रूप से मॉडल अनुमान लगाया जा सकता है।

की मुख्य विशेषताएं CoreML मॉडल

सेब का CoreML फ्रेमवर्क ऑन-डिवाइस मशीन लर्निंग के लिए मजबूत सुविधाएँ प्रदान करता है। यहाँ प्रमुख विशेषताएं हैं जो बनाती हैं CoreML डेवलपर्स के लिए एक शक्तिशाली उपकरण:

• व्यापक मॉडल समर्थन: लोकप्रिय ढांचे से मॉडल को परिवर्तित और चलाता है जैसे TensorFlow, PyTorch, स्किकिट-लर्न, XGBoost, और LibSVM।

• ऑन-डिवाइस मशीन लर्निंग: नेटवर्क कनेक्टिविटी की आवश्यकता को समाप्त करते हुए, उपयोगकर्ता के डिवाइस पर सीधे मॉडल निष्पादित करके डेटा गोपनीयता और तेज प्रसंस्करण सुनिश्चित करता है।

• प्रदर्शन और अनुकूलन: डिवाइस के CPU, GPU, और न्यूनतम शक्ति और स्मृति उपयोग के साथ इष्टतम प्रदर्शन के लिए तंत्रिका इंजन। सटीकता बनाए रखते हुए मॉडल संपीड़न और अनुकूलन के लिए उपकरण प्रदान करता है।

• एकीकरण में आसानी: विभिन्न मॉडल प्रकारों के लिए एक एकीकृत प्रारूप और ऐप्स में सहज एकीकरण के लिए एक उपयोगकर्ता के अनुकूल एपीआई प्रदान करता है। विजन और प्राकृतिक भाषा जैसे ढांचे के माध्यम से डोमेन-विशिष्ट कार्यों का समर्थन करता है।

• उन्नत सुविधाएँ: व्यक्तिगत अनुभवों के लिए ऑन-डिवाइस प्रशिक्षण क्षमताएं, इंटरैक्टिव एमएल अनुभवों के लिए अतुल्यकालिक भविष्यवाणियां और मॉडल निरीक्षण और सत्यापन उपकरण शामिल हैं।

CoreML परिनियोजन विकल्प

इससे पहले कि हम निर्यात के लिए कोड देखें YOLOv8 करने के लिए मॉडल CoreML प्रारूप, आइए समझते हैं कि कहां CoreML मॉडल आमतौर पर उपयोग किए जाते हैं।

CoreML मशीन लर्निंग मॉडल के लिए विभिन्न परिनियोजन विकल्प प्रदान करता है, जिनमें शामिल हैं:

• ऑन-डिवाइस परिनियोजन: यह विधि सीधे एकीकृत होती है CoreML मॉडल में अपने iOS अनुप्रयोग। यह कम विलंबता, बढ़ी हुई गोपनीयता (चूंकि डेटा डिवाइस पर रहता है), और ऑफ़लाइन कार्यक्षमता सुनिश्चित करने के लिए विशेष रूप से फायदेमंद है। हालाँकि, यह दृष्टिकोण डिवाइस की हार्डवेयर क्षमताओं द्वारा सीमित हो सकता है, विशेष रूप से बड़े और अधिक जटिल मॉडल के लिए। ऑन-डिवाइस परिनियोजन को निम्नलिखित दो तरीकों से निष्पादित किया जा सकता है।

  • एम्बेड किए गए मॉडल: ये मॉडल ऐप बंडल में शामिल हैं और तुरंत एक्सेस किए जा सकते हैं। वे छोटे मॉडल के लिए आदर्श हैं जिन्हें लगातार अपडेट की आवश्यकता नहीं होती है।

  • डाउनलोड किए गए मॉडल: इन मॉडलों को आवश्यकतानुसार सर्वर से प्राप्त किया जाता है। यह दृष्टिकोण बड़े मॉडल या नियमित अपडेट की आवश्यकता वाले लोगों के लिए उपयुक्त है। यह ऐप बंडल आकार को छोटा रखने में मदद करता है।

• क्लाउड-आधारित परिनियोजन: CoreML मॉडल सर्वर पर होस्ट किए जाते हैं और द्वारा एक्सेस किए जाते हैं iOS एपीआई अनुरोधों के माध्यम से ऐप। यह स्केलेबल और लचीला विकल्प ऐप संशोधन के बिना आसान मॉडल अपडेट को सक्षम बनाता है। यह जटिल मॉडल या बड़े पैमाने पर ऐप्स के लिए आदर्श है जिन्हें नियमित अपडेट की आवश्यकता होती है। हालाँकि, इसके लिए इंटरनेट कनेक्शन की आवश्यकता होती है और यह विलंबता और सुरक्षा समस्याएँ पैदा कर सकता है।

निर्यात YOLOv8 करने के लिए मॉडल CoreML

निर्यात YOLOv8 तक CoreML Apple के पारिस्थितिकी तंत्र के भीतर अनुकूलित, ऑन-डिवाइस मशीन लर्निंग प्रदर्शन को सक्षम बनाता है, दक्षता, सुरक्षा और सहज एकीकरण के मामले में लाभ प्रदान करता है iOS, macOS, watchOS, और tvOS प्लेटफ़ॉर्म।

संस्थापन

आवश्यक पैकेज स्थापित करने के लिए, चलाएं:

# Install the required package for YOLOv8
pip install ultralytics

स्थापना प्रक्रिया से संबंधित विस्तृत निर्देशों और सर्वोत्तम प्रथाओं के लिए, हमारी जाँच करें YOLOv8 इंस्टालेशन गाइड। के लिए आवश्यक पैकेज स्थापित करते समय YOLOv8, अगर आपको कोई कठिनाई आती है, तो समाधान और सुझावों के लिए हमारी सामान्य समस्याएं मार्गदर्शिका देखें.

उपयोग

उपयोग निर्देशों में गोता लगाने से पहले, की सीमा की जांच करना सुनिश्चित करें YOLOv8 द्वारा पेश किए गए मॉडल Ultralytics. इससे आपको अपनी परियोजना आवश्यकताओं के लिए सबसे उपयुक्त मॉडल चुनने में मदद मिलेगी।

from ultralytics import YOLO

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

# Export the model to CoreML format
model.export(format="coreml")  # creates 'yolov8n.mlpackage'

# Load the exported CoreML model
coreml_model = YOLO("yolov8n.mlpackage")

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

# Export a YOLOv8n PyTorch model to CoreML format
yolo export model=yolov8n.pt format=coreml  # creates 'yolov8n.mlpackage''

# Run inference with the exported model
yolo predict model=yolov8n.mlpackage source='https://ultralytics.com/images/bus.jpg'

निर्यात प्रक्रिया के बारे में अधिक जानकारी के लिए, पर जाएँ Ultralytics निर्यात पर प्रलेखन पृष्ठ।

निर्यात की गई तैनाती YOLOv8 CoreML मॉडल

सफलतापूर्वक अपने निर्यात करने के बाद Ultralytics YOLOv8 करने के लिए मॉडल CoreML, अगला महत्वपूर्ण चरण इन मॉडलों को प्रभावी ढंग से तैनात कर रहा है। तैनाती पर विस्तृत मार्गदर्शन के लिए CoreML विभिन्न वातावरणों में मॉडल, इन संसाधनों की जाँच करें:

• CoreML उपकरण: इस गाइड में मॉडल को बदलने के निर्देश और उदाहरण शामिल हैं TensorFlow, PyTorch, और कोर एमएल के लिए अन्य पुस्तकालय।

• एमएल और विजन: व्यापक वीडियो का एक संग्रह जो उपयोग और कार्यान्वयन के विभिन्न पहलुओं को कवर करता है CoreML मॉडल।

• अपने ऐप में एक कोर एमएल मॉडल को एकीकृत करना: एक को एकीकृत करने पर एक व्यापक मार्गदर्शिका CoreML एक में मॉडल iOS आवेदन, मॉडल तैयार करने से लेकर विभिन्न कार्यात्मकताओं के लिए ऐप में इसे लागू करने तक के चरणों का विवरण देना।

सारांश

इस गाइड में, हमने निर्यात करने के तरीके के बारे में बताया Ultralytics YOLOv8 करने के लिए मॉडल CoreML प्रारूप। इस गाइड में उल्लिखित चरणों का पालन करके, आप निर्यात करते समय अधिकतम संगतता और प्रदर्शन सुनिश्चित कर सकते हैं YOLOv8 करने के लिए मॉडल CoreML.

उपयोग के बारे में अधिक जानकारी के लिए, पर जाएँ CoreML आधिकारिक दस्तावेज।

इसके अलावा, यदि आप अन्य के बारे में अधिक जानना चाहते हैं Ultralytics YOLOv8 एकीकरण, हमारे एकीकरण गाइड पृष्ठ पर जाएं। आपको वहां बहुत सारे मूल्यवान संसाधन और अंतर्दृष्टि मिलेगी।

अक्सर पूछे जाने वाले प्रश्न

मैं निर्यात कैसे करूं YOLOv8 करने के लिए मॉडल CoreML प्रारूप?

अपना निर्यात करने के लिए Ultralytics YOLOv8 करने के लिए मॉडल CoreML format, आपको पहले यह सुनिश्चित करना होगा कि आपके पास ultralytics पैकेज स्थापित। आप इसका उपयोग करके इसे स्थापित कर सकते हैं:

pip install ultralytics

इसके बाद, आप निम्नलिखित का उपयोग करके मॉडल निर्यात कर सकते हैं Python नहीं तो CLI आदेश:

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(format="coreml")

yolo export model=yolov8n.pt format=coreml

अधिक जानकारी के लिए, देखें निर्यात YOLOv8 करने के लिए मॉडल CoreML हमारे प्रलेखन का अनुभाग।

उपयोग करने के क्या लाभ हैं CoreML तैनात करने के लिए YOLOv8 मॉडल?

CoreML परिनियोजन के लिए कई लाभ प्रदान करता है Ultralytics YOLOv8 Apple उपकरणों पर मॉडल:

• ऑन-डिवाइस प्रोसेसिंग: उपकरणों पर स्थानीय मॉडल अनुमान को सक्षम करता है, डेटा गोपनीयता सुनिश्चित करता है और विलंबता को कम करता है।
• प्रदर्शन अनुकूलन: डिवाइस की पूरी क्षमता का लाभ उठाता है CPU, GPU, और तंत्रिका इंजन, गति और दक्षता दोनों का अनुकूलन।
• एकीकरण में आसानी: Apple के पारिस्थितिक तंत्र के साथ एक सहज एकीकरण अनुभव प्रदान करता है, जिसमें शामिल हैं iOS, macOS, watchOS, और tvOS।
• बहुमुखी प्रतिभा: मशीन सीखने के कार्यों की एक विस्तृत श्रृंखला का समर्थन करता है जैसे कि छवि विश्लेषण, ऑडियो प्रोसेसिंग, और प्राकृतिक भाषा प्रसंस्करण का उपयोग करना CoreML ढांचा।

अपने को एकीकृत करने के बारे में अधिक जानकारी के लिए CoreML एक में मॉडल iOS ऐप, अपने ऐप में कोर एमएल मॉडल को एकीकृत करने के बारे में गाइड देखें।

के लिए परिनियोजन विकल्प क्या हैं YOLOv8 मॉडल निर्यात किए गए CoreML?

एक बार जब आप अपना निर्यात कर लेते हैं YOLOv8 करने के लिए मॉडल CoreML स्वरूप, आपके पास एकाधिक परिनियोजन विकल्प हैं:

1. ऑन-डिवाइस परिनियोजन: सीधे एकीकृत करें CoreML बढ़ी हुई गोपनीयता और ऑफ़लाइन कार्यक्षमता के लिए आपके ऐप में मॉडल। यह इस प्रकार किया जा सकता है:

   • एम्बेडेड मॉडल: ऐप बंडल में शामिल, तुरंत पहुँचा जा सकता है।
   • डाउनलोड किए गए मॉडल: ऐप बंडल आकार को छोटा रखते हुए, आवश्यकतानुसार सर्वर से प्राप्त किया जाता है।

2. क्लाउड-आधारित परिनियोजन: होस्ट CoreML सर्वर पर मॉडल और एपीआई अनुरोधों के माध्यम से उन तक पहुंचें। यह दृष्टिकोण आसान अपडेट का समर्थन करता है और अधिक जटिल मॉडल को संभाल सकता है।

तैनाती पर विस्तृत मार्गदर्शन के लिए CoreML मॉडल, देखें CoreML परिनियोजन विकल्प।

कैसे करता है CoreML के लिए अनुकूलित प्रदर्शन सुनिश्चित करें YOLOv8 मॉडल?

CoreML के लिए अनुकूलित प्रदर्शन सुनिश्चित करता है Ultralytics YOLOv8 विभिन्न अनुकूलन तकनीकों का उपयोग करके मॉडल:

• हार्डवेयर त्वरण: डिवाइस के CPU, GPU, और कुशल गणना के लिए तंत्रिका इंजन।
• मॉडल संपीड़न: सटीकता से समझौता किए बिना अपने पदचिह्न को कम करने के लिए मॉडल को संपीड़ित करने के लिए उपकरण प्रदान करता है।
• अनुकूली अनुमान: गति और प्रदर्शन के बीच संतुलन बनाए रखने के लिए डिवाइस की क्षमताओं के आधार पर अनुमान समायोजित करता है।

प्रदर्शन ऑप्टिमाइज़ेशन के बारे में अधिक जानकारी के लिए, पर जाएँ CoreML आधिकारिक दस्तावेज।

क्या मैं निर्यात के साथ सीधे अनुमान चला सकता हूं CoreML को गढ़ना?

हां, आप निर्यात का उपयोग करके सीधे अनुमान चला सकते हैं CoreML को गढ़ना। नीचे के लिए आदेश दिए गए हैं Python और CLI:

from ultralytics import YOLO

coreml_model = YOLO("yolov8n.mlpackage")
results = coreml_model("https://ultralytics.com/images/bus.jpg")

yolo predict model=yolov8n.mlpackage source='https://ultralytics.com/images/bus.jpg'

अतिरिक्त जानकारी के लिए, का उपयोग अनुभाग देखें CoreML निर्यात गाइड।

टिप्पणियाँ