تخطي إلى المحتوى

كيفية التصدير إلى TF GraphDef من YOLO11 للنشر

عند نشر نماذج رؤية الكمبيوتر المتطورة، مثل YOLO11، في بيئات مختلفة، قد تواجه مشكلات توافق. يوفر GraphDef الخاص بـ TensorFlow من Google، أو TF GraphDef، حلاً من خلال توفير تمثيل تسلسلي ومستقل عن النظام الأساسي لنموذجك. باستخدام تنسيق نموذج TF GraphDef، يمكنك نشر نموذج YOLO11 الخاص بك في البيئات التي قد لا يتوفر فيها نظام TensorFlow البيئي الكامل، مثل الأجهزة المحمولة أو الأجهزة المتخصصة.

في هذا الدليل، سنوجهك خطوة بخطوة حول كيفية تصدير نماذج Ultralytics YOLO11 الخاصة بك إلى تنسيق نموذج TF GraphDef. من خلال تحويل النموذج الخاص بك، يمكنك تبسيط النشر واستخدام قدرات رؤية الكمبيوتر الخاصة بـ YOLO11 في نطاق أوسع من التطبيقات والأنظمة الأساسية.

TensorFlow GraphDef

لماذا يجب عليك التصدير إلى TF GraphDef؟

TF GraphDef هو مكون قوي في نظام TensorFlow البيئي الذي طورته Google. يمكن استخدامه لتحسين ونشر نماذج مثل YOLO11. يتيح لنا التصدير إلى TF GraphDef نقل النماذج من البحث إلى التطبيقات الواقعية. يسمح بتشغيل النماذج في بيئات بدون إطار TensorFlow الكامل.

يمثل تنسيق GraphDef النموذج كرسم بياني حسابي متسلسل. يتيح ذلك تقنيات تحسين متنوعة مثل طي الثوابت والقياس الكمي وتحويلات الرسم البياني. تضمن هذه التحسينات التنفيذ الفعال وتقليل استخدام الذاكرة وتسريع سرعات الاستدلال.

يمكن لنماذج GraphDef استخدام مسرّعات الأجهزة مثل وحدات معالجة الرسوميات (GPUs) ووحدات معالجة Tensor (TPUs) ورقائق الذكاء الاصطناعي، مما يتيح مكاسب كبيرة في الأداء لخط أنابيب الاستدلال YOLO11. ينشئ تنسيق TF GraphDef حزمة مكتفية ذاتيًا مع النموذج والتبعيات الخاصة به، مما يبسط النشر والتكامل في أنظمة متنوعة.

الميزات الرئيسية لنماذج TF GraphDef

يوفر TF GraphDef ميزات متميزة لتبسيط نشر النموذج وتحسينه.

إليك نظرة على خصائصه الرئيسية:

  • تسلسل النموذج: توفر TF GraphDef طريقة لتسلسل وتخزين نماذج TensorFlow بتنسيق مستقل عن النظام الأساسي. يتيح هذا التمثيل التسلسلي تحميل وتنفيذ النماذج الخاصة بك دون قاعدة كود python الأصلية، مما يجعل النشر أسهل.

  • تحسين الرسم البياني: يتيح TF GraphDef تحسين الرسوم البيانية الحسابية. يمكن لهذه التحسينات أن تعزز الأداء عن طريق تبسيط تدفق التنفيذ وتقليل التكرار وتصميم العمليات لتناسب أجهزة معينة.

  • مرونة النشر: يمكن استخدام النماذج المصدرة إلى تنسيق GraphDef في بيئات مختلفة، بما في ذلك الأجهزة ذات الموارد المحدودة ومتصفحات الويب والأنظمة ذات الأجهزة المتخصصة. هذا يفتح إمكانيات لنشر أوسع لنماذج TensorFlow الخاصة بك.

  • التركيز على الإنتاج: تم تصميم GraphDef لنشره في بيئة الإنتاج. وهو يدعم التنفيذ الفعال وميزات التسلسل والتحسينات التي تتماشى مع حالات الاستخدام الواقعية.

خيارات النشر مع TF GraphDef

قبل أن نتعمق في عملية تصدير نماذج YOLO11 إلى TF GraphDef، دعنا نلقي نظرة على بعض حالات النشر النموذجية التي يتم فيها استخدام هذا التنسيق.

إليك كيف يمكنك النشر باستخدام TF GraphDef بكفاءة عبر مختلف المنصات.

  • TensorFlow Serving: تم تصميم هذا الإطار لنشر نماذج TensorFlow في بيئات الإنتاج. يوفر TensorFlow Serving إدارة النماذج، والتحكم في الإصدار، والبنية التحتية لخدمة النماذج بكفاءة على نطاق واسع. إنها طريقة سلسة لدمج النماذج الخاصة بك المستندة إلى GraphDef في خدمات الويب أو واجهات برمجة التطبيقات الخاصة بالإنتاج.

  • الأجهزة المحمولة والمدمجة: باستخدام أدوات مثل TensorFlow Lite، يمكنك تحويل نماذج TF GraphDef إلى تنسيقات محسّنة للهواتف الذكية والأجهزة اللوحية والأجهزة المدمجة المختلفة. يمكن بعد ذلك استخدام نماذجك للاستدلال على الجهاز، حيث يتم التنفيذ محليًا، مما يوفر غالبًا مكاسب في الأداء وقدرات دون اتصال بالإنترنت.

  • متصفحات الويب: يمكّن TensorFlow.js نشر نماذج TF GraphDef مباشرة داخل متصفحات الويب. إنه يمهد الطريق لتطبيقات الكشف عن الأجسام في الوقت الفعلي التي تعمل على جانب العميل، باستخدام قدرات YOLO11 من خلال JavaScript.

  • أجهزة متخصصة: تسمح طبيعة TF GraphDef المستقلة عن النظام الأساسي باستهداف أجهزة مخصصة، مثل المسرّعات ووحدات معالجة Tensor (TPUs). يمكن أن توفر هذه الأجهزة مزايا في الأداء للنماذج كثيفة الحساب.

تصدير نماذج YOLO11 إلى TF GraphDef

يمكنك تحويل نموذج الكشف عن الكائنات YOLO11 الخاص بك إلى تنسيق TF GraphDef، المتوافق مع الأنظمة المختلفة، لتحسين أدائه عبر الأنظمة الأساسية.

التثبيت

لتثبيت الحزمة المطلوبة، قم بتشغيل:

التثبيت

# 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

تم تصميم جميع نماذج Ultralytics YOLO11 لدعم التصدير خارج الصندوق، مما يسهل دمجها في سير عمل النشر المفضل لديك. يمكنك عرض القائمة الكاملة لتنسيقات التصدير المدعومة وخيارات التكوين لاختيار أفضل إعداد لتطبيقك.

الاستخدام

from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo11n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo11n.pb")

# Run inference
results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO11n PyTorch model to TF GraphDef format
yolo export model=yolo11n.pt format=pb # creates 'yolo11n.pb'

# Run inference with the exported model
yolo predict model='yolo11n.pb' source='https://ultralytics.com/images/bus.jpg'

وسائط التصدير

الوسيطة النوع افتراضي الوصف
format str 'pb' تنسيق الهدف للنموذج الذي تم تصديره، والذي يحدد التوافق مع بيئات النشر المختلفة.
imgsz int أو tuple 640 حجم الصورة المطلوب لإدخال النموذج. يمكن أن يكون عددًا صحيحًا للصور المربعة أو صفًا. (height, width) لأبعاد محددة.
batch int 1 يحدد حجم الاستدلال الدفعي لنموذج التصدير أو الحد الأقصى لعدد الصور التي سيعالجها النموذج المصدر في وقت واحد في predict الوضع.
device str None يحدد الجهاز المراد التصدير إليه: CPU (device=cpu)، MPS لـ Apple silicon (device=mps).

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

نشر نماذج YOLO11 TF GraphDef المصدرة

بمجرد تصدير نموذج YOLO11 الخاص بك إلى تنسيق TF GraphDef، فإن الخطوة التالية هي النشر. الخطوة الأولى والرئيسية الموصى بها لتشغيل نموذج TF GraphDef هي استخدام طريقة YOLO("model.pb")، كما هو موضح سابقًا في مقتطف رمز الاستخدام.

ومع ذلك، لمزيد من المعلومات حول نشر نماذج TF GraphDef الخاصة بك، ألق نظرة على الموارد التالية:

  • TensorFlow Serving: دليل حول TensorFlow Serving يعلم كيفية نشر وتقديم نماذج تعلم الآلة بكفاءة في بيئات الإنتاج.

  • TensorFlow Lite: تصف هذه الصفحة كيفية تحويل نماذج تعلم الآلة إلى تنسيق مُحسَّن للاستدلال على الجهاز باستخدام TensorFlow Lite.

  • TensorFlow.js: دليل حول تحويل النماذج يعلم كيفية تحويل نماذج TensorFlow أو Keras إلى تنسيق TensorFlow.js للاستخدام في تطبيقات الويب.

ملخص

في هذا الدليل، استكشفنا كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق TF GraphDef. من خلال القيام بذلك، يمكنك نشر نماذج YOLO11 المحسّنة بمرونة في بيئات مختلفة.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة وثائق TF GraphDef الرسمية.

لمزيد من المعلومات حول دمج Ultralytics YOLO11 مع الأنظمة الأساسية والأطر الأخرى، لا تنسَ الاطلاع على صفحة دليل التكامل الخاصة بنا. فهي تحتوي على موارد ورؤى رائعة لمساعدتك على تحقيق أقصى استفادة من YOLO11 في مشاريعك.

الأسئلة الشائعة

كيف يمكنني تصدير نموذج YOLO11 إلى تنسيق TF GraphDef؟

يمكن تصدير نماذج Ultralytics YOLO11 إلى تنسيق TensorFlow GraphDef ‏(TF GraphDef) بسلاسة. يوفر هذا التنسيق تمثيلاً متسلسلاً ومستقلاً عن النظام الأساسي للنموذج، وهو مثالي للنشر في بيئات متنوعة مثل الأجهزة المحمولة والويب. لتصدير نموذج YOLO11 إلى TF GraphDef، اتبع الخطوات التالية:

الاستخدام

from ultralytics import YOLO

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

# Export the model to TF GraphDef format
model.export(format="pb")  # creates 'yolo11n.pb'

# Load the exported TF GraphDef model
tf_graphdef_model = YOLO("yolo11n.pb")

# Run inference
results = tf_graphdef_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLO11n PyTorch model to TF GraphDef format
yolo export model="yolo11n.pt" format="pb" # creates 'yolo11n.pb'

# Run inference with the exported model
yolo predict model="yolo11n.pb" source="https://ultralytics.com/images/bus.jpg"

لمزيد من المعلومات حول خيارات التصدير المختلفة، تفضل بزيارة وثائق Ultralytics حول تصدير النماذج.

ما هي فوائد استخدام TF GraphDef لنشر نماذج YOLO11؟

تصدير نماذج YOLO11 إلى تنسيق TF GraphDef يوفر العديد من المزايا، بما في ذلك:

  1. استقلالية المنصة: يوفر TF GraphDef تنسيقًا مستقلاً عن النظام الأساسي، مما يسمح بنشر النماذج عبر بيئات مختلفة بما في ذلك متصفحات الهاتف المحمول والويب.
  2. Optimizations: يتيح التنسيق العديد من التحسينات، مثل طي الثوابت، والتكميم، وتحويلات الرسم البياني، مما يعزز كفاءة التنفيذ ويقلل من استخدام الذاكرة.
  3. تسريع الأجهزة: يمكن للنماذج بتنسيق TF GraphDef الاستفادة من مسرّعات الأجهزة مثل وحدات معالجة الرسوميات (GPUs) ووحدات المعالجة الموترية (TPUs) ورقائق الذكاء الاصطناعي لتحقيق مكاسب في الأداء.

اقرأ المزيد حول المزايا في قسم TF GraphDef في وثائقنا.

لماذا يجب علي استخدام Ultralytics YOLO11 بدلاً من نماذج الكشف عن الكائنات الأخرى؟

يوفر Ultralytics YOLO11 مزايا عديدة مقارنة بنماذج أخرى مثل YOLOv5 و YOLOv7. تتضمن بعض المزايا الرئيسية ما يلي:

  1. أداء حديث: يوفر YOLO11 سرعة و دقة استثنائيتين للكشف عن الكائنات وتجزئتها وتصنيفها في الوقت الفعلي.
  2. سهولة الاستخدام: يتميز بواجهة برمجة تطبيقات سهلة الاستخدام لتدريب النموذج والتحقق من صحته والتنبؤ به وتصديره، مما يجعله في متناول المبتدئين والخبراء على حد سواء.
  3. توافق واسع: يدعم تنسيقات تصدير متعددة بما في ذلك ONNX و TensorRT و CoreML و TensorFlow، لخيارات نشر متعددة الاستخدامات.

استكشف المزيد من التفاصيل في مقدمتنا إلى YOLO11.

كيف يمكنني نشر نموذج YOLO11 على أجهزة متخصصة باستخدام TF GraphDef؟

بمجرد تصدير نموذج YOLO11 إلى تنسيق TF GraphDef، يمكنك نشره عبر العديد من منصات الأجهزة المتخصصة. تتضمن سيناريوهات النشر النموذجية:

  • TensorFlow Serving: استخدم TensorFlow Serving لنشر النماذج القابلة للتطوير في بيئات الإنتاج. وهو يدعم إدارة النماذج والخدمة الفعالة.
  • الأجهزة المحمولة: قم بتحويل نماذج TF GraphDef إلى TensorFlow Lite، المحسّنة للأجهزة المحمولة والمدمجة، مما يتيح الاستدلال على الجهاز.
  • متصفحات الويب: انشر النماذج باستخدام TensorFlow.js للاستدلال من جانب العميل في تطبيقات الويب.
  • مُسرِّعات الذكاء الاصطناعي: الاستفادة من وحدات TPU ورقائق الذكاء الاصطناعي المخصصة للاستدلال المعجل.

راجع قسم خيارات النشر للحصول على معلومات مفصلة.

أين يمكنني العثور على حلول للمشكلات الشائعة أثناء تصدير نماذج YOLO11؟

لتحديد المشاكل الشائعة وإصلاحها عند تصدير نماذج YOLO11، توفر Ultralytics أدلة وموارد شاملة. إذا واجهت مشاكل أثناء التثبيت أو تصدير النموذج، فارجع إلى:

يجب أن تساعدك هذه الموارد في حل معظم المشكلات المتعلقة بتصدير ونشر نموذج YOLO11.



📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 3 أشهر

تعليقات