تخطي إلى المحتوى

عمليات تكامل Ultralytics

مرحبًا بك في صفحة عمليات تكامل Ultralytics! تقدم هذه الصفحة نظرة عامة على شراكاتنا مع الأدوات والمنصات المختلفة، المصممة لتبسيط سير عمل تعلم الآلة الخاص بك، وتعزيز إدارة مجموعات البيانات، وتبسيط تدريب النموذج، وتسهيل النشر الفعال.

النظام البيئي Ultralytics YOLO وعمليات التكامل



شاهد: نشر وتكاملات Ultralytics YOLO11

عمليات تكامل التدريب

  • Amazon SageMaker: الاستفادة من Amazon SageMaker لإنشاء وتدريب ونشر نماذج Ultralytics بكفاءة، مما يوفر نظامًا أساسيًا شاملاً لدورة حياة تعلم الآلة.

  • ClearML: أتمتة سير عمل تعلم الآلة Ultralytics الخاص بك، ومراقبة التجارب، وتعزيز التعاون الجماعي.

  • Comet ML: عزز تطوير النموذج الخاص بك باستخدام Ultralytics من خلال تتبع ومقارنة وتحسين تجارب تعلم الآلة الخاصة بك.

  • DVC: تنفيذ التحكم في الإصدار لمشاريع تعلم الآلة Ultralytics الخاصة بك، ومزامنة البيانات والتعليمات البرمجية والنماذج بشكل فعال.

  • Google Colab: استخدم Google Colab لتدريب وتقييم نماذج Ultralytics في بيئة قائمة على السحابة تدعم التعاون والمشاركة.

  • IBM Watsonx: تعرف على كيف يبسط IBM Watsonx تدريب وتقييم نماذج Ultralytics بأدوات الذكاء الاصطناعي المتطورة والتكامل السهل ونظام إدارة النماذج المتقدم.

  • JupyterLab: اكتشف كيفية استخدام بيئة JupyterLab التفاعلية والقابلة للتخصيص لتدريب وتقييم نماذج Ultralytics بسهولة وكفاءة.

  • Kaggle: استكشف كيف يمكنك استخدام Kaggle لتدريب وتقييم نماذج Ultralytics في بيئة قائمة على السحابة مع مكتبات مثبتة مسبقًا ودعم GPU ومجتمع نابض بالحياة للتعاون والمشاركة.

  • MLFlow: تبسيط دورة حياة تعلم الآلة بأكملها لنماذج Ultralytics، من التجريب وإمكانية التكاثر إلى النشر.

  • Neptune: حافظ على سجل شامل لتجارب تعلم الآلة الخاصة بك مع Ultralytics في متجر البيانات الوصفية هذا المصمم لـ MLOps.

  • Paperspace Gradient: يبسط Paperspace Gradient العمل على مشاريع YOLO11 من خلال توفير أدوات سحابية سهلة الاستخدام لتدريب واختبار ونشر النماذج الخاصة بك بسرعة.

  • Ray Tune: قم بتحسين المعلمات الفائقة لنماذج Ultralytics الخاصة بك على أي نطاق.

  • TensorBoard: تصور سير عمل تعلم الآلة Ultralytics الخاص بك، وراقب مقاييس النموذج، وعزز التعاون الجماعي.

  • Ultralytics HUB: يمكنك الوصول إلى مجتمع نماذج Ultralytics المدربة مسبقًا والمساهمة فيه.

  • Weights & Biases (W&B): راقب التجارب، وتصور المقاييس، وعزز إمكانية التكاثر والتعاون في مشاريع Ultralytics.

  • VS Code: ملحق لـ VS Code يوفر مقتطفات التعليمات البرمجية لتسريع سير عمل التطوير مع Ultralytics وأيضًا لأي شخص يبحث عن أمثلة للمساعدة في تعلم Ultralytics أو البدء باستخدامه.

  • Albumentations: عزز نماذج Ultralytics الخاصة بك بتحسينات قوية للصور لتحسين قوة النموذج وتعميمه.

عمليات تكامل النشر

  • TorchScript: تم تطوير TorchScript كجزء من إطار عمل PyTorch، وهو يتيح التنفيذ والنشر الفعالين لنماذج تعلم الآلة في بيئات إنتاج متنوعة دون الحاجة إلى تبعيات Python.

  • ONNX: تنسيق مفتوح المصدر تم إنشاؤه بواسطة Microsoft لتسهيل نقل نماذج الذكاء الاصطناعي بين الأطر المختلفة، مما يعزز تنوع ومرونة نشر نماذج Ultralytics.

  • OpenVINO: مجموعة أدوات Intel لتحسين ونشر نماذج رؤية الكمبيوتر بكفاءة عبر مختلف منصات Intel CPU و GPU.

  • TensorRT: تم تطوير إطار عمل الاستدلال للتعلم العميق عالي الأداء وتنسيق النموذج هذا بواسطة NVIDIA، وهو يحسن نماذج الذكاء الاصطناعي لتحقيق سرعة وكفاءة متسارعة على وحدات معالجة الرسومات NVIDIA، مما يضمن نشرًا مبسطًا.

  • CoreML: CoreML، الذي طورته Apple، هو إطار عمل مصمم لدمج نماذج تعلم الآلة بكفاءة في التطبيقات عبر iOS و macOS و watchOS و tvOS، باستخدام أجهزة Apple لنشر النماذج بشكل فعال وآمن.

  • TF SavedModel: تم تطوير TF SavedModel بواسطة Google، وهو تنسيق تسلسل عالمي لنماذج TensorFlow، مما يتيح سهولة المشاركة والنشر عبر مجموعة واسعة من الأنظمة الأساسية، من الخوادم إلى الأجهزة الطرفية.

  • TF GraphDef: تم تطوير GraphDef بواسطة Google، وهو تنسيق TensorFlow لتمثيل الرسوم البيانية للحساب، مما يتيح التنفيذ الأمثل لنماذج تعلم الآلة عبر أجهزة متنوعة.

  • TFLite: تم تطوير TFLite بواسطة Google، وهو إطار عمل خفيف الوزن لنشر نماذج تعلم الآلة على الأجهزة المحمولة والطرفية، مما يضمن استدلالًا سريعًا وفعالًا مع الحد الأدنى من استهلاك الذاكرة.

  • TFLite Edge TPU: تم تطوير هذا التنسيق بواسطة Google لتحسين نماذج TensorFlow Lite على Edge TPUs، ويضمن هذا التنسيق الحوسبة الطرفية عالية السرعة والفعالة.

  • TF.js: تم تطوير TF.js بواسطة Google لتسهيل تعلم الآلة في المتصفحات و Node.js، ويسمح بالنشر المستند إلى JavaScript لنماذج ML.

  • PaddlePaddle: منصة تعلم عميق مفتوحة المصدر بواسطة Baidu، تتيح PaddlePaddle النشر الفعال لنماذج الذكاء الاصطناعي وتركز على قابلية التوسع للتطبيقات الصناعية.

  • MNN: تم تطوير MNN بواسطة Alibaba، وهو إطار عمل للتعلم العميق عالي الكفاءة وخفيف الوزن. وهو يدعم الاستدلال والتدريب على نماذج التعلم العميق ولديه أداء رائد في الصناعة للاستدلال والتدريب على الجهاز.

  • NCNN: تم تطوير NCNN بواسطة Tencent، وهو إطار عمل استنتاج شبكة عصبية فعال مصمم خصيصًا للأجهزة المحمولة. فهو يتيح النشر المباشر لنماذج الذكاء الاصطناعي في التطبيقات، وتحسين الأداء عبر مختلف الأنظمة الأساسية المحمولة.

  • SONY IMX500 🚀 جديد: قم بتحسين ونشر نماذج Ultralytics YOLOv8 على كاميرات Raspberry Pi AI المزودة بمستشعر IMX500 للحصول على أداء سريع ومنخفض الطاقة.

  • Rockchip RKNN: تم تطوير RKNN بواسطة Rockchip، وهو إطار عمل متخصص للاستدلال بالشبكات العصبية مُحسَّن لمنصات أجهزة Rockchip، وخاصة وحدات المعالجة العصبية (NPUs) الخاصة بها. فهو يسهل النشر الفعال لنماذج الذكاء الاصطناعي على الأجهزة الطرفية، مما يتيح استدلالًا عالي الأداء في التطبيقات في الوقت الفعلي.

  • Neural Magic: استفد من التدريب المدرك للقياس الكمي (QAT) وتقنيات التقليم لتحسين نماذج Ultralytics للحصول على أداء فائق وحجم أصغر.

  • Seeed Studio reCamera: تم تطوير reCamera بواسطة Seeed Studio، وهو جهاز ذكاء اصطناعي متطور مصمم لتطبيقات رؤية الكمبيوتر في الوقت الفعلي. مدعوم بمعالج SG200X المستند إلى RISC-V، فهو يوفر استدلالًا عالي الأداء للذكاء الاصطناعي مع كفاءة في استخدام الطاقة. تصميمه المعياري وقدرات معالجة الفيديو المتقدمة ودعمه للنشر المرن يجعله خيارًا مثاليًا لحالات استخدام مختلفة، بما في ذلك مراقبة السلامة والتطبيقات البيئية والتصنيع.

  • Gradio: انشر نماذج Ultralytics باستخدام Gradio لعروض توضيحية تفاعلية للكشف عن الأجسام في الوقت الفعلي.

عمليات تكامل مجموعات البيانات

  • Roboflow: تسهيل تصنيف وإدارة مجموعات البيانات لنماذج Ultralytics، وتقديم أدوات التعليقات التوضيحية لتصنيف الصور.

صيغ التصدير

نحن ندعم أيضًا مجموعة متنوعة من تنسيقات تصدير النماذج للنشر في بيئات مختلفة. فيما يلي التنسيقات المتاحة:

التنسيق format الوسيطة النموذج البيانات الوصفية الوسائط
PyTorch - yolo11n.pt ✅ -
TorchScript torchscript yolo11n.torchscript ✅ imgsz, half, optimize, nms, batch, device
ONNX onnx yolo11n.onnx ✅ imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINO openvino yolo11n_openvino_model/ ✅ imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRT engine yolo11n.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreML coreml yolo11n.mlpackage ✅ imgsz, half, int8, nms, batch, device
TF SavedModel saved_model yolo11n_saved_model/ ✅ imgsz, keras, int8, nms, batch, device
TF GraphDef pb yolo11n.pb ❌ imgsz, batch, device
TF Lite tflite yolo11n.tflite ✅ imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPU edgetpu yolo11n_edgetpu.tflite ✅ imgsz, device
TF.js tfjs yolo11n_web_model/ ✅ imgsz, half, int8, nms, batch, device
PaddlePaddle paddle yolo11n_paddle_model/ ✅ imgsz, batch, device
MNN mnn yolo11n.mnn ✅ imgsz, batch, int8, half, device
NCNN ncnn yolo11n_ncnn_model/ ✅ imgsz, half, batch, device
IMX500 imx yolo11n_imx_model/ ✅ imgsz, int8, data, fraction, device
RKNN rknn yolo11n_rknn_model/ ✅ imgsz, batch, name, device

استكشف الروابط لمعرفة المزيد حول كل تكامل وكيفية تحقيق أقصى استفادة منها مع Ultralytics. راجع export التفاصيل في تصدير التنبؤ.

المساهمة في عمليات التكامل الخاصة بنا

نحن متحمسون دائمًا لرؤية كيف يدمج المجتمع Ultralytics YOLO مع التقنيات والأدوات والمنصات الأخرى! إذا نجحت في دمج YOLO مع نظام جديد أو لديك رؤى قيمة لمشاركتها، ففكر في المساهمة في وثائق التكامل الخاصة بنا.

من خلال كتابة دليل أو برنامج تعليمي، يمكنك المساعدة في توسيع وثائقنا وتقديم أمثلة واقعية تفيد المجتمع. إنها طريقة ممتازة للمساهمة في النظام البيئي المتنامي حول Ultralytics YOLO.

للمساهمة، يرجى الاطلاع على دليل المساهمة الخاص بنا للحصول على إرشادات حول كيفية إرسال طلب سحب (PR) 🛠️. نحن في انتظار مساهماتكم بفارغ الصبر!

دعونا نتعاون لجعل النظام البيئي Ultralytics YOLO أكثر اتساعًا وغنى بالميزات 🙏!

الأسئلة الشائعة

ما هو Ultralytics HUB، وكيف يبسط سير عمل تعلم الآلة؟

Ultralytics HUB عبارة عن نظام أساسي قائم على السحابة مصمم لجعل سير عمل تعلم الآلة لنماذج Ultralytics سلسًا وفعالًا. باستخدام هذه الأداة، يمكنك بسهولة تحميل مجموعات البيانات وتدريب النماذج وإجراء التتبع في الوقت الفعلي ونشر نماذج YOLO دون الحاجة إلى مهارات برمجية واسعة النطاق. يعمل النظام الأساسي كمساحة عمل مركزية حيث يمكنك إدارة خط أنابيب ML بالكامل بدءًا من إعداد البيانات وحتى النشر. يمكنك استكشاف الميزات الرئيسية في صفحة Ultralytics HUB والبدء بسرعة باستخدام دليل البدء السريع الخاص بنا.

هل يمكنني تتبع أداء نماذج Ultralytics الخاصة بي باستخدام MLFlow؟

نعم، يمكنك ذلك. يتيح لك دمج MLFlow مع نماذج Ultralytics تتبع التجارب وتحسين إمكانية التكاثر وتبسيط دورة حياة تعلم الآلة بأكملها. يمكن العثور على إرشادات مفصلة لإعداد هذا التكامل في صفحة تكامل MLFlow. هذا التكامل مفيد بشكل خاص لمراقبة مقاييس النموذج ومقارنة عمليات التدريب المختلفة وإدارة سير عمل تعلم الآلة بكفاءة. يوفر MLFlow نظامًا أساسيًا مركزيًا لتسجيل المعلمات والمقاييس والتحف، مما يسهل فهم سلوك النموذج وإجراء تحسينات تعتمد على البيانات.

ما هي فوائد استخدام Neural Magic لتحسين نموذج YOLO11؟

Neural Magic تعمل على تحسين نماذج YOLO11 من خلال الاستفادة من تقنيات مثل Quantization Aware Training (QAT) والتقليم، مما يؤدي إلى نماذج أصغر حجمًا وعالية الكفاءة تعمل بشكل أفضل على الأجهزة ذات الموارد المحدودة. تحقق من صفحة تكامل Neural Magic لمعرفة كيفية تنفيذ هذه التحسينات لتحقيق أداء فائق ونماذج أكثر انسيابية. وهذا مفيد بشكل خاص للنشر على الأجهزة الطرفية حيث تكون الموارد الحسابية محدودة. يمكن لمحرك DeepSparse من Neural Magic تقديم استدلال أسرع بما يصل إلى 6 مرات على وحدات المعالجة المركزية، مما يجعل من الممكن تشغيل نماذج معقدة دون أجهزة متخصصة.

كيف يمكنني نشر نماذج Ultralytics YOLO باستخدام Gradio للعروض التوضيحية التفاعلية؟

لنشر نماذج Ultralytics YOLO باستخدام Gradio لعروض الكشف عن الكائنات التفاعلية، يمكنك اتباع الخطوات الموضحة في صفحة تكامل Gradio. يتيح لك Gradio إنشاء واجهات ويب سهلة الاستخدام للاستدلال على النماذج في الوقت الفعلي، مما يجعله أداة ممتازة لعرض قدرات نموذج YOLO الخاص بك بتنسيق سهل الاستخدام مناسب لكل من المطورين والمستخدمين النهائيين. باستخدام بضعة أسطر فقط من التعليمات البرمجية، يمكنك إنشاء تطبيقات تفاعلية توضح أداء النموذج الخاص بك على مدخلات مخصصة، مما يسهل فهم وتقييم حلول رؤية الكمبيوتر الخاصة بك بشكل أفضل.



📅 تم الإنشاء منذ سنة واحدة ✏️ تم التحديث منذ شهرين
glenn-jocher abirami-vina Burhan-Q ambitious-octopus UltralyticsAssistant leonnil RizwanMunawar IvorZhu331 Laughing-q wangzhaode jk4e

تعليقات