تحليل مقارن لخيارات نشر YOLO11

مقدمة

لقد قطعت شوطًا طويلاً في رحلتك مع YOLO11. لقد جمعت البيانات بجد، وقمت بتعليقها بدقة، وبذلت ساعات في تدريب وتقييم نموذج YOLO11 المخصص الخاص بك بدقة. الآن، حان الوقت لوضع النموذج الخاص بك في العمل لتطبيقك أو حالة الاستخدام أو مشروعك المحدد. ولكن هناك قرار حاسم يقف أمامك: كيف تصدر وتنشر نموذجك بفعالية.

شاهد: كيفية اختيار أفضل تنسيق نشر Ultralytics YOLO11 لمشروعك | TensorRT | OpenVINO 🚀

يرشدك هذا الدليل خلال خيارات نشر YOLO11 والعوامل الأساسية التي يجب مراعاتها لاختيار الخيار المناسب لمشروعك.

كيفية تحديد خيار النشر المناسب لنموذج YOLO11 الخاص بك

عندما يحين وقت نشر نموذج YOLO11 الخاص بك، فإن اختيار صيغة تصدير مناسبة أمر مهم للغاية. كما هو موضح في وثائق أوضاع Ultralytics YOLO11، تسمح الدالة model.export() بتحويل النموذج المدرب الخاص بك إلى مجموعة متنوعة من الصيغ المصممة خصيصًا لبيئات متنوعة ومتطلبات الأداء.

يعتمد التنسيق المثالي على السياق التشغيلي المقصود لنموذجك، مع الموازنة بين السرعة وقيود الأجهزة وسهولة التكامل. في القسم التالي، سنلقي نظرة فاحصة على كل خيار من خيارات التصدير، مع فهم متى تختار كل خيار.

خيارات نشر YOLO11

دعنا نستعرض خيارات نشر YOLO11 المختلفة. للحصول على شرح تفصيلي لعملية التصدير، تفضل بزيارة صفحة وثائق Ultralytics حول التصدير.

PyTorch

PyTorch هي مكتبة تعلم آلي مفتوحة المصدر تستخدم على نطاق واسع للتطبيقات في التعلم العميق و الذكاء الاصطناعي. إنها توفر مستوى عالٍ من المرونة والسرعة، مما جعلها المفضلة بين الباحثين والمطورين.

• معايير الأداء: يشتهر PyTorch بسهولة استخدامه ومرونته، مما قد يؤدي إلى مقايضة طفيفة في الأداء الخام مقارنةً بالأطر الأخرى الأكثر تخصصًا وتحسينًا.
• التوافق والتكامل: يوفر توافقًا ممتازًا مع مختلف علوم البيانات ومكتبات تعلم الآلة في Python.
• دعم المجتمع والنظام البيئي: أحد أكثر المجتمعات حيوية، مع موارد واسعة للتعلم واستكشاف الأخطاء وإصلاحها.
• دراسات الحالة: يشيع استخدامها في النماذج الأولية للأبحاث، وتشير العديد من الأوراق الأكاديمية إلى النماذج المنشورة في PyTorch.
• الصيانة والتحديثات: تحديثات منتظمة مع تطوير ودعم نشطين للميزات الجديدة.
• اعتبارات الأمان: تصحيحات منتظمة لمشكلات الأمان، ولكن الأمان يعتمد إلى حد كبير على البيئة العامة التي يتم نشره فيها.
• تسريع الأجهزة: يدعم CUDA لتسريع وحدة معالجة الرسوميات، وهو أمر ضروري لتسريع تدريب النموذج والاستدلال.

TorchScript

يعمل TorchScript على توسيع قدرات PyTorch من خلال السماح بتصدير النماذج ليتم تشغيلها في بيئة وقت التشغيل C++. هذا يجعله مناسبًا لبيئات الإنتاج حيث python غير متوفر.

• معايير الأداء: يمكن أن يوفر أداءً محسّنًا مقارنةً بـ PyTorch الأصلي، خاصةً في بيئات الإنتاج.
• التوافق والتكامل: مصمم للانتقال السلس من PyTorch إلى بيئات الإنتاج ++C، على الرغم من أن بعض الميزات المتقدمة قد لا تترجم تمامًا.
• دعم المجتمع والنظام البيئي: يستفيد من مجتمع PyTorch الكبير ولكنه يتمتع بنطاق أضيق من المطورين المتخصصين.
• دراسات الحالة: تستخدم على نطاق واسع في البيئات الصناعية حيث يكون الأداء الزائد لـ python يمثل عنق الزجاجة.
• الصيانة والتحديثات: يتم الحفاظ عليه جنبًا إلى جنب مع PyTorch مع تحديثات متسقة.
• اعتبارات الأمان: يوفر أمانًا محسّنًا من خلال تمكين تشغيل النماذج في بيئات بدون تثبيتات Python كاملة.
• تسريع الأجهزة: يرث دعم CUDA الخاص بـ PyTorch، مما يضمن الاستخدام الفعال لوحدة معالجة الرسوميات.

ONNX

يُعد Open Neural Network Exchange (ONNX) تنسيقًا يسمح بقابلية التشغيل البيني للنماذج عبر أطر عمل مختلفة، وهو أمر بالغ الأهمية عند النشر على منصات متنوعة.

• معايير الأداء: قد تشهد نماذج ONNX أداءً متغيرًا اعتمادًا على وقت التشغيل المحدد الذي يتم نشرها عليه.
• التوافق والتكامل: قابلية تشغيل عالية عبر منصات وأجهزة متعددة نظرًا لطبيعته المستقلة عن الإطار.
• دعم المجتمع والنظام البيئي: مدعوم من قبل العديد من المنظمات، مما يؤدي إلى نظام بيئي واسع ومجموعة متنوعة من الأدوات للتحسين.
• دراسات الحالة: تستخدم بشكل متكرر لنقل النماذج بين أطر عمل تعلم الآلة المختلفة، مما يدل على مرونتها.
• الصيانة والتحديثات: كمعيار مفتوح، يتم تحديث ONNX بانتظام لدعم العمليات والنماذج الجديدة.
• اعتبارات الأمان: كما هو الحال مع أي أداة عبر الأنظمة الأساسية، من الضروري ضمان ممارسات آمنة في خط أنابيب التحويل والنشر.
• تسريع الأجهزة: باستخدام ONNX Runtime، يمكن للنماذج الاستفادة من تحسينات الأجهزة المختلفة.

OpenVINO

OpenVINO هي مجموعة أدوات من Intel مصممة لتسهيل نشر نماذج التعلم العميق عبر أجهزة Intel، مما يعزز الأداء والسرعة.

• معايير الأداء: مُحسَّن خصيصًا لوحدات المعالجة المركزية (CPU) ووحدات معالجة الرسومات (GPU) ووحدات معالجة الرؤية (VPU) من Intel، مما يوفر تعزيزات كبيرة في الأداء على الأجهزة المتوافقة.
• التوافق والتكامل: يعمل بشكل أفضل داخل نظام Intel البيئي ولكنه يدعم أيضًا مجموعة من الأنظمة الأساسية الأخرى.
• دعم المجتمع والنظام البيئي: مدعومة من Intel، مع قاعدة مستخدمين قوية خاصة في مجال رؤية الكمبيوتر.
• دراسات الحالة: غالبًا ما تستخدم في سيناريوهات إنترنت الأشياء والحوسبة الحافة حيث يكون أجهزة Intel سائدًا.
• الصيانة والتحديثات: تقوم Intel بتحديث OpenVINO بانتظام لدعم أحدث نماذج التعلم العميق وأجهزة Intel.
• اعتبارات الأمان: يوفر ميزات أمان قوية مناسبة للنشر في التطبيقات الحساسة.
• تسريع الأجهزة: مصمم خصيصًا للتسريع على أجهزة Intel، والاستفادة من مجموعات التعليمات المخصصة وميزات الأجهزة.

لمزيد من التفاصيل حول النشر باستخدام OpenVINO، راجع وثائق تكامل Ultralytics: تصدير Intel OpenVINO.

TensorRT

TensorRT هو مُحسِّن ووقت تشغيل للاستدلال عالي الأداء للتعلم العميق من NVIDIA، وهو مثالي للتطبيقات التي تحتاج إلى السرعة والكفاءة.

• معايير الأداء: يقدم أداءً عالي المستوى على وحدات معالجة الرسوميات NVIDIA مع دعم الاستدلال عالي السرعة.
• التوافق والتكامل: الأنسب لأجهزة NVIDIA، مع دعم محدود خارج هذه البيئة.
• دعم المجتمع والنظام البيئي: شبكة دعم قوية من خلال منتديات NVIDIA للمطورين والوثائق.
• دراسات الحالة: معتمدة على نطاق واسع في الصناعات التي تتطلب استدلالًا في الوقت الفعلي على بيانات الفيديو والصورة.
• الصيانة والتحديثات: تحافظ NVIDIA على TensorRT مع تحديثات متكررة لتحسين الأداء ودعم تصميمات GPU الجديدة.
• اعتبارات الأمان: مثل العديد من منتجات NVIDIA، فإنه يركز بشدة على الأمان، ولكن التفاصيل تعتمد على بيئة النشر.
• تسريع الأجهزة: مصمم حصريًا لوحدات معالجة الرسوميات NVIDIA، مما يوفر تحسينًا وتسريعًا عميقين.

لمزيد من المعلومات حول نشر TensorRT، تحقق من دليل تكامل TensorRT.

CoreML

CoreML هو إطار عمل تعلم الآلة من Apple، وهو مُحسَّن للأداء على الجهاز في نظام Apple البيئي، بما في ذلك iOS و macOS و watchOS و tvOS.

• معايير الأداء: مُحسَّن للأداء على الجهاز على أجهزة Apple مع الحد الأدنى من استخدام البطارية.
• التوافق والتكامل: حصريًا لنظام Apple البيئي، مما يوفر سير عمل مبسط لتطبيقات iOS و macOS.
• دعم المجتمع والنظام البيئي: دعم قوي من Apple ومجتمع مطورين متخصص، مع وثائق وأدوات شاملة.
• دراسات الحالة: يشيع استخدامها في التطبيقات التي تتطلب إمكانات تعلم الآلة على الجهاز على منتجات Apple.
• الصيانة والتحديثات: يتم تحديثه بانتظام بواسطة Apple لدعم أحدث التطورات في تعلم الآلة وأجهزة Apple.
• اعتبارات الأمان: يستفيد من تركيز Apple على خصوصية المستخدم و أمان البيانات.
• تسريع الأجهزة: يستفيد بشكل كامل من المحرك العصبي ووحدة معالجة الرسوميات من Apple لتسريع مهام تعلم الآلة.

TF SavedModel

TF SavedModel هو تنسيق TensorFlow لحفظ وتقديم نماذج تعلم الآلة، وهو مناسب بشكل خاص لبيئات الخادم القابلة للتطوير.

• معايير الأداء: يوفر أداءً قابلاً للتطوير في بيئات الخادم، خاصةً عند استخدامه مع TensorFlow Serving.
• التوافق والتكامل: توافق واسع عبر نظام TensorFlow البيئي، بما في ذلك عمليات النشر على الخوادم السحابية وخوادم المؤسسات.
• دعم المجتمع والنظام البيئي: دعم مجتمعي كبير بسبب شعبية TensorFlow، مع مجموعة واسعة من الأدوات للنشر والتحسين.
• دراسات الحالة: تستخدم على نطاق واسع في بيئات الإنتاج لتقديم نماذج التعلم العميق على نطاق واسع.
• الصيانة والتحديثات: مدعوم من Google ومجتمع TensorFlow، مما يضمن تحديثات منتظمة وميزات جديدة.
• اعتبارات الأمان: يتضمن النشر باستخدام TensorFlow Serving ميزات أمان قوية لتطبيقات المؤسسات.
• تسريع الأجهزة: يدعم تسريع الأجهزة المختلفة من خلال الواجهات الخلفية لـ TensorFlow.

TF GraphDef

TF GraphDef هو تنسيق TensorFlow يمثل النموذج كرسم بياني، وهو مفيد للبيئات التي تتطلب رسمًا بيانيًا ثابتًا للحساب.

• معايير الأداء: يوفر أداءً مستقرًا للرسوم البيانية للحسابات الثابتة، مع التركيز على الاتساق والموثوقية.
• التوافق والتكامل: يتكامل بسهولة داخل البنية التحتية لـ TensorFlow ولكنه أقل مرونة مقارنة بـ SavedModel.
• دعم المجتمع والنظام البيئي: دعم جيد من نظام TensorFlow البيئي، مع توفر العديد من الموارد لتحسين الرسوم البيانية الثابتة.
• دراسات الحالة: مفيدة في السيناريوهات التي تكون فيها الرسوم البيانية الثابتة ضرورية، كما هو الحال في بعض الأنظمة المدمجة.
• الصيانة والتحديثات: تحديثات منتظمة جنبًا إلى جنب مع التحديثات الأساسية لـ TensorFlow.
• اعتبارات الأمان: يضمن النشر الآمن مع ممارسات الأمان المعمول بها في TensorFlow.
• تسريع الأجهزة: يمكنه الاستفادة من خيارات تسريع الأجهزة في TensorFlow، على الرغم من أنه ليس مرنًا مثل SavedModel.

تعرف على المزيد حول TF GraphDef في دليل تكامل TF GraphDef الخاص بنا.

TF Lite

TF Lite هو حل TensorFlow لتعلم الآلة للأجهزة المحمولة والمضمنة، حيث يوفر مكتبة خفيفة الوزن للاستدلال على الجهاز.

• معايير الأداء: مصمم للسرعة والكفاءة على الأجهزة المحمولة والمضمنة.
• التوافق والتكامل: يمكن استخدامه على نطاق واسع من الأجهزة نظرًا لطبيعته خفيفة الوزن.
• دعم المجتمع والنظام البيئي: بدعم من Google، لديها مجتمع قوي وعدد متزايد من الموارد للمطورين.
• دراسات الحالة: شائعة في تطبيقات الهاتف المحمول التي تتطلب استدلالًا على الجهاز بأقل حجم.
• الصيانة والتحديثات: يتم تحديثه بانتظام ليشمل أحدث الميزات والتحسينات للأجهزة المحمولة.
• اعتبارات الأمان: يوفر بيئة آمنة لتشغيل النماذج على أجهزة المستخدمين النهائيين.
• تسريع الأجهزة: يدعم مجموعة متنوعة من خيارات تسريع الأجهزة، بما في ذلك وحدة معالجة الرسوميات (GPU) ومعالج الإشارة الرقمية (DSP).

TF Edge TPU

تم تصميم TF Edge TPU للحوسبة عالية السرعة والفعالة على أجهزة Edge TPU من Google، وهو مثالي لأجهزة إنترنت الأشياء التي تتطلب معالجة في الوقت الفعلي.

• معايير الأداء: مُحسَّن خصيصًا للحوسبة عالية السرعة والفعالة على أجهزة Edge TPU من Google.
• التوافق والتكامل: يعمل حصريًا مع نماذج TensorFlow Lite على أجهزة Edge TPU.
• دعم المجتمع والنظام البيئي: دعم متزايد مع الموارد التي توفرها Google ومطورو الطرف الثالث.
• دراسات الحالة: تستخدم في أجهزة وتطبيقات إنترنت الأشياء التي تتطلب معالجة في الوقت الفعلي مع زمن انتقال منخفض.
• الصيانة والتحديثات: يتم تحسينه باستمرار للاستفادة من قدرات إصدارات أجهزة Edge TPU الجديدة.
• اعتبارات الأمان: يتكامل مع أمان Google القوي لأجهزة إنترنت الأشياء والأجهزة الطرفية.
• تسريع الأجهزة: مصمم خصيصًا للاستفادة الكاملة من أجهزة Google Coral.

TF.js

TensorFlow.js‏ (TF.js) عبارة عن مكتبة تجلب إمكانات تعلم الآلة مباشرة إلى المتصفح، مما يوفر عالمًا جديدًا من الاحتمالات لمطوري الويب والمستخدمين على حد سواء. فهو يسمح بدمج نماذج تعلم الآلة في تطبيقات الويب دون الحاجة إلى بنية تحتية خلفية.

• معايير الأداء: يتيح التعلم الآلي مباشرة في المتصفح بأداء معقول، اعتمادًا على جهاز العميل.
• التوافق والتكامل: توافق عالي مع تقنيات الويب، مما يسمح بسهولة التكامل في تطبيقات الويب.
• دعم المجتمع والنظام البيئي: دعم من مجتمع مطوري الويب و Node.js، مع مجموعة متنوعة من الأدوات لنشر نماذج تعلم الآلة في المتصفحات.
• دراسات الحالة: مثالية لتطبيقات الويب التفاعلية التي تستفيد من تعلم الآلة من جانب العميل دون الحاجة إلى معالجة من جانب الخادم.
• الصيانة والتحديثات: يتم صيانته بواسطة فريق TensorFlow بمساهمات من مجتمع المصادر المفتوحة.
• اعتبارات الأمان: يعمل ضمن سياق المتصفح الآمن، باستخدام نموذج الأمان لمنصة الويب.
• تسريع الأجهزة: يمكن تحسين الأداء باستخدام واجهات برمجة تطبيقات الويب التي تصل إلى تسريع الأجهزة مثل WebGL.

PaddlePaddle

PaddlePaddle هو إطار عمل مفتوح المصدر للتعلم العميق تم تطويره بواسطة Baidu. وهو مصمم ليكون فعالاً للباحثين وسهل الاستخدام للمطورين. يحظى بشعبية خاصة في الصين ويقدم دعمًا متخصصًا لمعالجة اللغة الصينية.

• معايير الأداء: يوفر أداءً تنافسيًا مع التركيز على سهولة الاستخدام وقابلية التوسع.
• التوافق والتكامل: متكامل بشكل جيد داخل النظام البيئي لـ Baidu ويدعم مجموعة واسعة من التطبيقات.
• دعم المجتمع والنظام البيئي: على الرغم من أن المجتمع أصغر على مستوى العالم، إلا أنه ينمو بسرعة، خاصة في الصين.
• دراسات الحالة: يشيع استخدامها في الأسواق الصينية ومن قبل المطورين الذين يبحثون عن بدائل للأطر الرئيسية الأخرى.
• الصيانة والتحديثات: يتم تحديثه بانتظام مع التركيز على خدمة تطبيقات وخدمات الذكاء الاصطناعي باللغة الصينية.
• اعتبارات الأمان: يؤكد على خصوصية البيانات وأمنها، لتلبية معايير إدارة البيانات الصينية.
• تسريع الأجهزة: يدعم تسريع الأجهزة المختلفة، بما في ذلك رقائق Kunlun الخاصة بشركة Baidu.

MNN

MNN هو إطار عمل للتعلم العميق عالي الكفاءة وخفيف الوزن. وهو يدعم الاستدلال والتدريب لنماذج التعلم العميق ولديه أداء رائد في الصناعة للاستدلال والتدريب على الجهاز. بالإضافة إلى ذلك، يتم استخدام MNN أيضًا على الأجهزة المدمجة، مثل إنترنت الأشياء.

• معايير الأداء: أداء عالٍ للأجهزة المحمولة مع تحسين ممتاز لأنظمة ARM.
• التوافق والتكامل: يعمل بشكل جيد مع أنظمة ARM المحمولة والمدمجة وهياكل CPU X86-64.
• دعم المجتمع والنظام البيئي: مدعوم من قبل مجتمع تعلم الآلة للأجهزة المحمولة والمدمجة.
• دراسات الحالة: مثالية للتطبيقات التي تتطلب أداءً فعالاً على الأنظمة المحمولة.
• الصيانة والتحديثات: تتم صيانتها بانتظام لضمان الأداء العالي على الأجهزة المحمولة.
• اعتبارات الأمان: يوفر مزايا أمان على الجهاز من خلال الحفاظ على البيانات محلية.
• تسريع الأجهزة: مُحسَّن لوحدات المعالجة المركزية ARM ووحدات معالجة الرسومات لتحقيق أقصى قدر من الكفاءة.

NCNN

NCNN هو إطار عمل استنتاج للشبكات العصبية عالي الأداء ومُحسَّن للنظام الأساسي للأجهزة المحمولة. يتميز بطبيعته خفيفة الوزن وكفاءته، مما يجعله مناسبًا بشكل خاص للأجهزة المحمولة والمدمجة حيث تكون الموارد محدودة.

• معايير الأداء: مُحسَّن للغاية للأنظمة الأساسية المحمولة، مما يوفر استنتاجًا فعالاً على الأجهزة المستندة إلى ARM.
• التوافق والتكامل: مناسب للتطبيقات على الهواتف المحمولة والأنظمة المدمجة ببنية ARM.
• دعم المجتمع والنظام البيئي: مدعوم من قبل مجتمع متخصص ولكنه نشط يركز على تطبيقات تعلم الآلة على الأجهزة المحمولة والمدمجة.
• دراسات الحالة: مفضلة لتطبيقات الهاتف المحمول حيث الكفاءة والسرعة أمران بالغان الأهمية على Android وأنظمة ARM الأخرى.
• الصيانة والتحديثات: يتم تحسينه باستمرار للحفاظ على الأداء العالي على مجموعة من أجهزة ARM.
• اعتبارات الأمان: يركز على التشغيل محليًا على الجهاز، والاستفادة من الأمان المتأصل في المعالجة على الجهاز.
• تسريع الأجهزة: مصمم خصيصًا لوحدات المعالجة المركزية ووحدات معالجة الرسوميات ARM، مع تحسينات محددة لهذه البنى.

تحليل مقارن لخيارات نشر YOLO11

يوفر الجدول التالي لمحة سريعة عن خيارات النشر المختلفة المتاحة لنماذج YOLO11، مما يساعدك على تقييم الأنسب لاحتياجات مشروعك بناءً على عدة معايير مهمة. للحصول على نظرة متعمقة حول تنسيق كل خيار نشر، يرجى الاطلاع على صفحة وثائق Ultralytics حول تنسيقات التصدير.

يمنحك هذا التحليل المقارن نظرة عامة عالية المستوى. بالنسبة للنشر، من الضروري مراعاة المتطلبات والقيود المحددة لمشروعك، والرجوع إلى الوثائق والموارد التفصيلية المتاحة لكل خيار.

المجتمع والدعم

عندما تبدأ العمل مع YOLO11، يمكن أن يكون وجود مجتمع مفيد ودعم تأثيرًا كبيرًا. إليك كيفية التواصل مع الآخرين الذين يشاركونك اهتماماتك والحصول على المساعدة التي تحتاجها.

التفاعل مع المجتمع الأوسع

• مناقشات GitHub: يحتوي مستودع YOLO11 على GitHub على قسم "مناقشات" حيث يمكنك طرح الأسئلة والإبلاغ عن المشكلات واقتراح التحسينات.
• خادم Ultralytics Discord: لدى Ultralytics خادم Discord حيث يمكنك التفاعل مع المستخدمين والمطورين الآخرين.

الوثائق والمصادر الرسمية

• وثائق Ultralytics YOLO11: توفر الوثائق الرسمية نظرة عامة شاملة على YOLO11، بالإضافة إلى أدلة حول التثبيت والاستخدام واستكشاف الأخطاء وإصلاحها.

ستساعدك هذه الموارد على مواجهة التحديات والبقاء على اطلاع بأحدث الاتجاهات وأفضل الممارسات في مجتمع YOLO11.

الخلاصة

في هذا الدليل، استكشفنا خيارات النشر المختلفة لـ YOLO11. لقد ناقشنا أيضًا العوامل المهمة التي يجب مراعاتها عند اتخاذ قرارك. تتيح لك هذه الخيارات تخصيص النموذج الخاص بك لبيئات ومتطلبات أداء مختلفة، مما يجعله مناسبًا للتطبيقات الواقعية.

لا تنس أن YOLO11 و مجتمع Ultralytics يمثلان مصدرًا قيمًا للمساعدة. تواصل مع مطورين وخبراء آخرين لتعلم النصائح والحلول الفريدة التي قد لا تجدها في الوثائق العادية. استمر في البحث عن المعرفة واستكشاف الأفكار الجديدة ومشاركة خبراتك.

نشرًا سعيدًا!

الأسئلة الشائعة

ما هي خيارات النشر المتاحة لـ YOLO11 على منصات الأجهزة المختلفة؟

يدعم Ultralytics YOLO11 تنسيقات نشر متنوعة، تم تصميم كل منها لبيئات ومنصات أجهزة معينة. تشمل التنسيقات الرئيسية ما يلي:

• PyTorch للبحث والتطوير، مع تكامل ممتاز مع Python.
• TorchScript لبيئات الإنتاج حيث Python غير متوفر.
• ONNX للتوافق عبر الأنظمة الأساسية وتسريع الأجهزة.
• OpenVINO لتحسين الأداء على أجهزة Intel.
• TensorRT للاستدلال عالي السرعة على وحدات معالجة الرسوميات NVIDIA.

لكل تنسيق مزايا فريدة. للحصول على شرح تفصيلي، راجع وثائق عملية التصدير الخاصة بنا.

كيف يمكنني تحسين سرعة الاستدلال لنموذج YOLO11 الخاص بي على وحدة معالجة مركزية Intel CPU؟

لتحسين سرعة الاستدلال على وحدات المعالجة المركزية Intel، يمكنك نشر نموذج YOLO11 الخاص بك باستخدام مجموعة أدوات OpenVINO من Intel. توفر OpenVINO تعزيزات كبيرة في الأداء عن طريق تحسين النماذج للاستفادة من أجهزة Intel بكفاءة.

1. حوّل نموذج YOLO11 الخاص بك إلى تنسيق OpenVINO باستخدام model.export() الدالة.
2. اتبع دليل الإعداد التفصيلي في وثائق تصدير Intel OpenVINO.

لمزيد من الرؤى، تحقق من منشور المدونة الخاص بنا.

هل يمكنني نشر نماذج YOLO11 على الأجهزة المحمولة؟

نعم، يمكن نشر نماذج YOLO11 على الأجهزة المحمولة باستخدام TensorFlow Lite ‏(TF Lite) لكل من نظامي Android و iOS. تم تصميم TF Lite للأجهزة المحمولة والمضمنة، مما يوفر استدلالًا فعالاً على الجهاز.

# Export command for TFLite format
model.export(format="tflite")

# CLI command for TFLite export
yolo export --format tflite

لمزيد من التفاصيل حول نشر النماذج على الهاتف المحمول، راجع دليل تكامل TF Lite الخاص بنا.

ما هي العوامل التي يجب أن أضعها في الاعتبار عند اختيار تنسيق نشر لنموذج YOLO11 الخاص بي؟

عند اختيار صيغة نشر لـ YOLO11، ضع في اعتبارك العوامل التالية:

• الأداء: توفر بعض التنسيقات مثل TensorRT سرعات استثنائية على وحدات معالجة الرسومات NVIDIA، بينما تم تحسين OpenVINO لأجهزة Intel.
• التوافق: يوفر ONNX توافقًا واسعًا عبر منصات مختلفة.
• سهولة التكامل: تم تصميم تنسيقات مثل CoreML أو TF Lite لأنظمة بيئية محددة مثل iOS و Android، على التوالي.
• دعم المجتمع: تنسيقات مثل PyTorch و TensorFlow لديها موارد ودعم مجتمعي واسع.

لإجراء تحليل مقارن، راجع وثائق تنسيقات التصدير الخاصة بنا.

كيف يمكنني نشر نماذج YOLO11 في تطبيق ويب؟

لنشر نماذج YOLO11 في تطبيق ويب، يمكنك استخدام TensorFlow.js ‏(TF.js)، والذي يتيح تشغيل نماذج تعلم الآلة مباشرة في المتصفح. يلغي هذا الأسلوب الحاجة إلى البنية التحتية الخلفية ويوفر أداءً في الوقت الفعلي.

1. تصدير نموذج YOLO11 إلى تنسيق TF.js.
2. ادمج النموذج الذي تم تصديره في تطبيق الويب الخاص بك.

للحصول على إرشادات خطوة بخطوة، ارجع إلى دليلنا حول دمج TensorFlow.js.

📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد

تعليقات