كيفية التصدير إلى تنسيق PaddlePaddle من نماذج YOLO11

قد يكون سد الفجوة بين تطوير ونشر نماذج رؤية الكمبيوتر في سيناريوهات العالم الحقيقي بظروف متفاوتة أمرًا صعبًا. تسهل PaddlePaddle هذه العملية من خلال تركيزها على المرونة والأداء وقدرتها على المعالجة المتوازية في البيئات الموزعة. هذا يعني أنه يمكنك استخدام نماذج رؤية الكمبيوتر YOLO11 الخاصة بك على مجموعة واسعة من الأجهزة والمنصات، من الهواتف الذكية إلى الخوادم المستندة إلى السحابة.

شاهد: كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق PaddlePaddle | الميزات الرئيسية لتنسيق PaddlePaddle

تتيح لك القدرة على التصدير إلى تنسيق نموذج PaddlePaddle تحسين نماذج Ultralytics YOLO11 الخاصة بك للاستخدام داخل إطار عمل PaddlePaddle. يُعرف PaddlePaddle بتسهيل عمليات النشر الصناعية وهو خيار جيد لنشر تطبيقات رؤية الكمبيوتر في إعدادات العالم الحقيقي عبر مجالات مختلفة.

لماذا يجب عليك التصدير إلى PaddlePaddle؟

تم تطوير PaddlePaddle (PArallel Distributed Deep LEarning) بواسطة Baidu، وهي أول منصة تعلم عميق مفتوحة المصدر في الصين. على عكس بعض الأطر التي تم إنشاؤها بشكل أساسي للبحث، تعطي PaddlePaddle الأولوية لسهولة الاستخدام والتكامل السلس عبر الصناعات.

يوفر أدوات وموارد مماثلة للأطر الشائعة مثل TensorFlow و PyTorch، مما يجعله في متناول المطورين من جميع مستويات الخبرة. من الزراعة والمصانع إلى الشركات الخدمية، يساعد مجتمع مطوري PaddlePaddle الكبير الذي يضم أكثر من 4.77 مليون شخص في إنشاء تطبيقات الذكاء الاصطناعي ونشرها.

من خلال تصدير نماذج Ultralytics YOLO11 الخاصة بك إلى تنسيق PaddlePaddle، يمكنك الاستفادة من نقاط قوة PaddlePaddle في تحسين الأداء. تعطي PaddlePaddle الأولوية لتنفيذ النموذج بكفاءة وتقليل استخدام الذاكرة. ونتيجة لذلك، يمكن لنماذج YOLO11 الخاصة بك تحقيق أداء أفضل، وتقديم نتائج عالية الجودة في سيناريوهات عملية.

الميزات الرئيسية لنماذج PaddlePaddle

توفر نماذج PaddlePaddle مجموعة من الميزات الرئيسية التي تساهم في مرونتها وأدائها وقابليتها للتوسع عبر سيناريوهات نشر متنوعة:

• الرسم البياني الديناميكي إلى الثابت: يدعم PaddlePaddle التجميع الديناميكي إلى الثابت، حيث يمكن ترجمة النماذج إلى رسم بياني حسابي ثابت. يتيح ذلك إجراء تحسينات تقلل من حمل وقت التشغيل وتعزز أداء الاستدلال.

• دمج العمليات: يستخدم PaddlePaddle، مثل TensorRT، دمج العمليات لتبسيط العمليات الحسابية وتقليل النفقات العامة. يقلل الإطار من عمليات نقل الذاكرة والخطوات الحسابية عن طريق دمج العمليات المتوافقة، مما يؤدي إلى استدلال أسرع.

• التكميم: يدعم PaddlePaddle تقنيات التكميم، بما في ذلك التكميم بعد التدريب والتدريب المدرك للتكميم. تتيح هذه التقنيات استخدام تمثيلات بيانات ذات دقة أقل، مما يعزز الأداء بشكل فعال ويقلل من حجم النموذج.

خيارات النشر في PaddlePaddle

قبل الخوض في التعليمات البرمجية لتصدير نماذج YOLO11 إلى PaddlePaddle، دعنا نلقي نظرة على سيناريوهات النشر المختلفة التي تتفوق فيها نماذج PaddlePaddle.

توفر PaddlePaddle مجموعة من الخيارات، يقدم كل منها توازنًا متميزًا بين سهولة الاستخدام والمرونة والأداء:

• Paddle Serving: يبسط هذا الإطار نشر نماذج PaddlePaddle كواجهات برمجة تطبيقات RESTful عالية الأداء. يعتبر Paddle Serving مثاليًا لبيئات الإنتاج، حيث يوفر ميزات مثل التحكم في إصدار النموذج واختبار A/B عبر الإنترنت وقابلية التوسع للتعامل مع كميات كبيرة من الطلبات.

• واجهة برمجة تطبيقات Paddle Inference: تمنحك واجهة برمجة تطبيقات Paddle Inference تحكمًا منخفض المستوى في تنفيذ النموذج. هذا الخيار مناسب تمامًا للسيناريوهات التي تحتاج فيها إلى دمج النموذج بإحكام داخل تطبيق مخصص أو تحسين الأداء لأجهزة معينة.

• Paddle Lite: تم تصميم Paddle Lite للنشر على الأجهزة المحمولة والمضمنة حيث تكون الموارد محدودة. يعمل على تحسين النماذج لتقليل الأحجام وتسريع الاستدلال على وحدات المعالجة المركزية ARM ووحدات معالجة الرسوميات (GPU) والأجهزة المتخصصة الأخرى.

• Paddle.js: يمكّنك Paddle.js من نشر نماذج PaddlePaddle مباشرة داخل متصفحات الويب. يمكن لـ Paddle.js إما تحميل نموذج مُدرَّب مسبقًا أو تحويل نموذج من paddle-hub باستخدام أدوات تحويل النموذج التي يوفرها Paddle.js. يمكن تشغيله في المتصفحات التي تدعم WebGL/WebGPU/WebAssembly.

التصدير إلى PaddlePaddle: تحويل نموذج YOLO11 الخاص بك

يمكن أن يؤدي تحويل نماذج YOLO11 إلى تنسيق PaddlePaddle إلى تحسين مرونة التنفيذ وتحسين الأداء لسيناريوهات النشر المختلفة.

التثبيت

لتثبيت الحزمة المطلوبة، قم بتشغيل:

# Install the required package for YOLO11
pip install ultralytics

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل تثبيت Ultralytics. أثناء تثبيت الحزم المطلوبة لـ YOLO11، إذا واجهت أي صعوبات، فراجع دليل المشكلات الشائعة للحصول على الحلول والنصائح.

الاستخدام

تدعم جميع نماذج Ultralytics YOLO11 التصدير، ويمكنك تصفح القائمة الكاملة لتنسيقات وخيارات التصدير للعثور على الأنسب لاحتياجات النشر الخاصة بك.

from ultralytics import YOLO

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

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

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

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

وسائط التصدير

لمزيد من التفاصيل حول عملية التصدير، قم بزيارة صفحة وثائق Ultralytics حول التصدير.

نشر نماذج YOLO11 PaddlePaddle المصدرة

بعد تصدير نماذج Ultralytics YOLO11 بنجاح إلى تنسيق PaddlePaddle، يمكنك الآن نشرها. الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج PaddlePaddle هي استخدام طريقة YOLO("yolo11n_paddle_model/")، كما هو موضح في مقتطف شفرة الاستخدام السابق.

ومع ذلك، للحصول على إرشادات متعمقة حول نشر نماذج PaddlePaddle الخاصة بك في إعدادات أخرى متنوعة، ألق نظرة على الموارد التالية:

• Paddle Serving: تعلم كيفية نشر نماذج PaddlePaddle الخاصة بك كخدمات عالية الأداء باستخدام Paddle Serving.

• Paddle Lite: استكشف كيفية تحسين ونشر النماذج على الأجهزة المحمولة والمدمجة باستخدام Paddle Lite.

• Paddle.js: اكتشف كيفية تشغيل نماذج PaddlePaddle في متصفحات الويب للذكاء الاصطناعي من جانب العميل باستخدام Paddle.js.

ملخص

في هذا الدليل، استكشفنا عملية تصدير نماذج Ultralytics YOLO11 إلى تنسيق PaddlePaddle. باتباع هذه الخطوات، يمكنك الاستفادة من نقاط قوة PaddlePaddle في سيناريوهات نشر متنوعة، وتحسين نماذجك لبيئات الأجهزة والبرامج المختلفة.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة وثائق PaddlePaddle الرسمية

هل ترغب في استكشاف المزيد من الطرق لدمج نماذج Ultralytics YOLO11 الخاصة بك؟ تستكشف صفحة دليل التكامل الخاص بنا خيارات متنوعة، مما يزودك بموارد ورؤى قيمة.

الأسئلة الشائعة

كيف يمكنني تصدير نماذج Ultralytics YOLO11 إلى صيغة PaddlePaddle؟

يعد تصدير نماذج Ultralytics YOLO11 إلى تنسيق PaddlePaddle أمرًا مباشرًا. يمكنك استخدام export طريقة للفئة YOLO لإجراء هذا التصدير. إليك مثال باستخدام python:

from ultralytics import YOLO

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

# Export the model to PaddlePaddle format
model.export(format="paddle")  # creates '/yolo11n_paddle_model'

# Load the exported PaddlePaddle model
paddle_model = YOLO("./yolo11n_paddle_model")

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

# Export a YOLO11n PyTorch model to PaddlePaddle format
yolo export model=yolo11n.pt format=paddle # creates '/yolo11n_paddle_model'

# Run inference with the exported model
yolo predict model='./yolo11n_paddle_model' source='https://ultralytics.com/images/bus.jpg'

للحصول على إعداد واستكشاف الأخطاء وإصلاحها بشكل أكثر تفصيلاً، تحقق من دليل تثبيت Ultralytics و دليل المشكلات الشائعة.

ما هي مزايا استخدام PaddlePaddle لـ نشر النموذج؟

توفر PaddlePaddle العديد من المزايا الرئيسية لنشر النماذج:

• تحسين الأداء: يتفوق PaddlePaddle في التنفيذ الفعال للنماذج وتقليل استخدام الذاكرة.
• تجميع الرسم البياني الديناميكي إلى الثابت: وهو يدعم التجميع الديناميكي إلى الثابت، مما يسمح بتحسينات وقت التشغيل.
• Operator Fusion: عن طريق دمج العمليات المتوافقة، فإنه يقلل من النفقات الحسابية.
• تقنيات التكميم: يدعم كلاً من التدريب بعد التكميم والتدريب المدرك للتكميم، مما يتيح تمثيلات بيانات دقة أقل لتحسين الأداء.

يمكنك تحقيق نتائج محسنة عن طريق تصدير نماذج Ultralytics YOLO11 الخاصة بك إلى PaddlePaddle، مما يضمن المرونة والأداء العالي عبر مختلف التطبيقات ومنصات الأجهزة. استكشف الميزات والقدرات الرئيسية لـ PaddlePaddle في وثائق PaddlePaddle الرسمية.

لماذا يجب علي اختيار PaddlePaddle لنشر نماذج YOLO11 الخاصة بي؟

تم تحسين PaddlePaddle، الذي تم تطويره بواسطة Baidu، لعمليات نشر الذكاء الاصطناعي الصناعية والتجارية. يوفر مجتمع المطورين الكبير والإطار القوي أدوات واسعة النطاق مماثلة لـ TensorFlow و PyTorch. عن طريق تصدير نماذج YOLO11 الخاصة بك إلى PaddlePaddle، فإنك تستفيد من:

• أداء مُحسَّن: سرعة تنفيذ مثالية وتقليل حجم الذاكرة.
• المرونة: توافق واسع مع الأجهزة المختلفة من الهواتف الذكية إلى الخوادم السحابية.
• قابلية التوسع: قدرات معالجة متوازية فعالة للبيئات الموزعة.

هذه الميزات تجعل PaddlePaddle خيارًا مقنعًا لنشر نماذج YOLO11 في إعدادات الإنتاج.

كيف يحسن PaddlePaddle أداء النموذج مقارنة بالأطر الأخرى؟

تستخدم PaddlePaddle العديد من التقنيات المتقدمة لتحسين أداء النموذج:

• الرسم البياني الديناميكي إلى الثابت: يحول النماذج إلى رسم بياني حسابي ثابت لتحسينات وقت التشغيل.
• Operator Fusion: يجمع بين العمليات المتوافقة لتقليل نقل الذاكرة وزيادة سرعة الاستدلال.
• التكميم: يقلل من حجم النموذج ويزيد الكفاءة باستخدام بيانات ذات دقة أقل مع الحفاظ على الدقة.

تعطي هذه التقنيات الأولوية لتنفيذ النموذج بكفاءة، مما يجعل PaddlePaddle خيارًا ممتازًا لنشر نماذج YOLO11 عالية الأداء. لمزيد من المعلومات حول التحسين، راجع وثائق PaddlePaddle الرسمية.

ما هي خيارات النشر التي يوفرها PaddlePaddle لنماذج YOLO11؟

توفر PaddlePaddle خيارات نشر مرنة:

• Paddle Serving: ينشر النماذج كواجهات برمجة تطبيقات RESTful، وهو مثالي للإنتاج مع ميزات مثل التحكم في إصدار النموذج واختبار A/B عبر الإنترنت.
• واجهة برمجة تطبيقات Paddle Inference: تمنح تحكمًا منخفض المستوى في تنفيذ النموذج للتطبيقات المخصصة.
• Paddle Lite: يعمل على تحسين النماذج للموارد المحدودة للأجهزة المحمولة والمضمنة.
• Paddle.js: يتيح نشر النماذج مباشرة داخل متصفحات الويب.

تغطي هذه الخيارات مجموعة واسعة من سيناريوهات النشر، بدءًا من الاستدلال على الجهاز وحتى الخدمات السحابية القابلة للتطوير. استكشف المزيد من استراتيجيات النشر على صفحة خيارات نشر نماذج Ultralytics.

📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 3 أشهر

تعليقات