Link to this sectionعمليات التكامل الخاصة بـ Ultralytics#

مرحبًا بك في صفحة عمليات التكامل الخاصة بـ Ultralytics! توفر هذه الصفحة نظرة عامة على شراكاتنا مع مختلف الأدوات والمنصات، والمصممة لتبسيط مهام تعلم الآلة الخاصة بك، وتحسين إدارة مجموعات البيانات، وتسهيل تدريب النماذج، وتيسير النشر الفعال.

Link to this sectionعمليات تكامل التدريب#

• Albumentations: قم بتحسين نماذج Ultralytics الخاصة بك باستخدام تقنيات تعزيز الصور القوية لرفع مستوى قوة النموذج وقدرته على التعميم.

• Amazon SageMaker: استفد من Amazon SageMaker لبناء وتدريب ونشر نماذج Ultralytics بكفاءة، مما يوفر منصة متكاملة لدورة حياة تعلم الآلة.

• ClearML: قم بأتمتة مهام تعلم الآلة الخاصة بـ Ultralytics، ومراقبة التجارب، وتعزيز تعاون الفريق.

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

• DVC: طبق نظام التحكم في الإصدار لمشاريع تعلم الآلة الخاصة بـ Ultralytics، وقم بمزامنة البيانات والأكواد والنماذج بفعالية.

• Google Colab: استخدم Google Colab لتدريب وتقييم نماذج Ultralytics في بيئة سحابية تدعم التعاون والمشاركة.

• IBM Watsonx: اكتشف كيف تبسط 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 سحابية تحتوي على مكتبات مثبتة مسبقًا، ودعم GPU، ومجتمع حيوي للتعاون والمشاركة.

• Modal: قم بتشغيل نماذج Ultralytics على منصة Modal السحابية بدون خادم مع توفير تلقائي لـ GPU، ونظام دفع حسب الثانية، وقابلية توسع سلسة لأحمال عمل الاستدلال والتدريب.

• MLFlow: بسّط دورة حياة تعلم الآلة الكاملة لنماذج Ultralytics، بدءًا من التجريب وإعادة الإنتاج وصولاً إلى النشر.

• Neptune: احتفظ بسجل شامل لتجارب تعلم الآلة الخاصة بك مع Ultralytics في مخزن البيانات الوصفية هذا المصمم لعمليات MLOps.

• Paperspace Gradient: يبسّط Paperspace Gradient العمل على مشاريع YOLO26 من خلال توفير أدوات سحابية سهلة الاستخدام لتدريب واختبار ونشر نماذجك بسرعة.

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

• TensorBoard: تصور مهام تعلم الآلة الخاصة بـ Ultralytics، وراقب مقاييس النموذج، وعزز تعاون الفريق.

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

• VS Code: إضافة لبرنامج VS Code توفر مقتطفات برمجية لتسريع مهام تطوير Ultralytics وتقدم أمثلة لمساعدة أي شخص على التعلم أو البدء.

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

Link to this sectionعمليات تكامل النشر#

• Axelera: استكشف مسرعات Metis و Voyager SDK لتشغيل نماذج Ultralytics باستدلال فعال عند الحافة.

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

• DEEPX: صدّر نماذج Ultralytics YOLO إلى تنسيق .dxnn الخاص بـ DEEPX لاستدلال INT8 الموفر للطاقة على أجهزة DEEPX NPU، مستهدفًا تطبيقات الذكاء الاصطناعي المدمجة وعند الحافة.

• ExecuTorch: تم تطوير ExecuTorch بواسطة Meta، وهو الحل الموحد من PyTorch لنشر نماذج Ultralytics YOLO على أجهزة الحافة.

• Gradio: انشر نماذج Ultralytics باستخدام Gradio لعروض توضيحية تفاعلية لاكتشاف الأشياء في الوقت الفعلي.

• Hailo: حوّل نماذج اكتشاف Ultralytics YOLO من ONNX إلى Hailo HEF باستخدام مجمع تدفق البيانات الخارجي من Hailo لأجهزة Hailo-8 و Hailo-8L و Raspberry Pi AI Kit و Hailo-15.

• MNN: تم تطوير MNN بواسطة Alibaba، وهو إطار عمل تعلم عميق خفيف الوزن وعالي الكفاءة. يدعم استدلال وتدريب نماذج التعلم العميق ويتميز بأداء رائد في الصناعة للاستدلال والتدريب على الجهاز.

• NCNN: تم تطوير NCNN بواسطة Tencent، وهو إطار عمل فعال لاستدلال الشبكات العصبية مصمم للأجهزة المحمولة. إنه يتيح النشر المباشر لنماذج الذكاء الاصطناعي في التطبيقات، مما يعمل على تحسين الأداء عبر منصات الجوال المختلفة.

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

• ONNX: تنسيق مفتوح المصدر أنشأته Microsoft لتسهيل نقل نماذج الذكاء الاصطناعي بين مختلف الأطر، مما يعزز تعدد الاستخدامات ومرونة نشر نماذج Ultralytics.

• OpenVINO: مجموعة أدوات Intel لتحسين ونشر نماذج الرؤية الحاسوبية بكفاءة عبر منصات CPU و GPU المختلفة من Intel.

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

• Qualcomm QNN: قم بتجميع نماذج Ultralytics YOLO محليًا بتنسيق سياق ثنائي QNN (AI Engine Direct) باستخدام مزود تنفيذ ONNX Runtime QNN للحصول على استدلال سريع على أجهزة Snapdragon CPU و Adreno GPU و Hexagon NPU في الأجهزة المحمولة وأجهزة الحافة.

• Rockchip RKNN: تم تطوير RKNN بواسطة Rockchip، وهو إطار عمل متخصص لاستدلال الشبكات العصبية مُحسّن لمنصات أجهزة Rockchip، وخاصة وحدات NPU الخاصة بها. إنه يسهل النشر الفعال لنماذج الذكاء الاصطناعي على أجهزة الحافة، مما يتيح استدلالاً عالي الأداء في التطبيقات في الوقت الفعلي.

• Seeed Studio reCamera: تم تطوير reCamera بواسطة Seeed Studio، وهو جهاز ذكاء اصطناعي متطور عند الحافة مصمم لتطبيقات الرؤية الحاسوبية في الوقت الفعلي. مدعوم بمعالج SG200X القائم على RISC-V، فإنه يوفر استدلال ذكاء اصطناعي عالي الأداء مع كفاءة في استهلاك الطاقة. تصميمه المعياري، وقدرات معالجة الفيديو المتقدمة، ودعم النشر المرن يجعله خيارًا مثاليًا لمختلف حالات الاستخدام، بما في ذلك مراقبة السلامة، والتطبيقات البيئية، والتصنيع.

• SONY IMX500: قم بتحسين ونشر نماذج Ultralytics YOLO26 على كاميرات Raspberry Pi AI المزودة بمستشعر IMX500 لأداء سريع ومنخفض الطاقة.

• TensorRT: Developed by NVIDIA, this high-performance deep learning inference framework and model format optimizes AI models for accelerated speed and efficiency on NVIDIA GPUs, ensuring streamlined deployment.

• TF GraphDef: تم تطوير GraphDef بواسطة Google، وهو تنسيق TensorFlow لتمثيل رسوميات الحساب، مما يتيح التنفيذ الأمثل لنماذج تعلم الآلة عبر الأجهزة المتنوعة.

• TF SavedModel: تم تطوير TF SavedModel بواسطة Google، وهو تنسيق تسلسلي عالمي لنماذج TensorFlow، يتيح المشاركة والنشر السهل عبر مجموعة واسعة من المنصات، من الخوادم إلى أجهزة الحافة.

• TF.js: تم تطوير TF.js بواسطة Google لتسهيل تعلم الآلة في المتصفحات و Node.js، وهو يسمح بنشر نماذج تعلم الآلة القائمة على JavaScript.

• TFLite: تم تطوير TFLite بواسطة Google، وهو إطار عمل خفيف الوزن لنشر نماذج تعلم الآلة على الأجهزة المحمولة وأجهزة الحافة، مما يضمن استدلالاً سريعًا وفعالًا بأقل مساحة ذاكرة.

• TFLite Edge TPU: تم تطوير تنسيق النموذج هذا بواسطة Google لتحسين نماذج TensorFlow Lite على Edge TPUs، وهو يضمن حوسبة حافة عالية السرعة وفعالة.

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

Link to this sectionعمليات تكامل مجموعات البيانات#

• Roboflow: تسهيل تصنيف وإدارة مجموعات البيانات لنماذج Ultralytics، من خلال توفير أدوات تعليق توضيحية لتصنيف الصور.

Link to this sectionتنسيقات التصدير#

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

استكشف الروابط لمعرفة المزيد حول كل عملية تكامل وكيفية تحقيق أقصى استفادة منها مع Ultralytics. شاهد تفاصيل export الكاملة في صفحة التصدير.

Link to this sectionساهم في عمليات التكامل الخاصة بنا#

نحن متحمسون دائمًا لرؤية كيفية دمج المجتمع لـ Ultralytics YOLO مع التقنيات والأدوات والمنصات الأخرى! إذا نجحت في دمج YOLO مع نظام جديد أو كان 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 من العالم الحقيقي تعود بالنفع على المجتمع. إنها طريقة ممتازة للمساهمة في النظام البيئي المتنامي حول Ultralytics YOLO.

للمساهمة، يرجى الاطلاع على دليل المساهمة للحصول على تعليمات حول كيفية إرسال طلب سحب (PR) 🛠️. نحن ننتظر مساهماتكم بفارغ الصبر!

لنتعاون لجعل النظام البيئي لـ Ultralytics YOLO أكثر شمولاً وغنى بالميزات 🙏!

Link to this sectionالأسئلة الشائعة (FAQ)#

Link to this sectionما هي منصة Ultralytics، وكيف تبسط مهام تعلم الآلة؟#

منصة Ultralytics هي منصة سحابية مصممة لجعل مهام تعلم الآلة لنماذج Ultralytics سلسة وفعالة. باستخدام هذه الأداة، يمكنك بسهولة تحميل مجموعات البيانات، وتدريب النماذج، وإجراء التتبع في الوقت الفعلي، ونشر نماذج YOLO دون الحاجة إلى مهارات برمجة واسعة. تعمل المنصة كمساحة عمل مركزية حيث يمكنك إدارة خط أنابيب تعلم الآلة بالكامل من إعداد البيانات إلى النشر. يمكنك استكشاف الميزات الرئيسية على صفحة منصة Ultralytics والبدء بسرعة مع دليل البدء السريع.

Link to this sectionهل يمكنني تتبع أداء نماذج Ultralytics الخاصة بي باستخدام MLFlow؟#

نعم، يمكنك ذلك. يتيح لك دمج MLFlow مع نماذج Ultralytics تتبع التجارب، وتحسين إمكانية التكرار، وتبسيط دورة حياة تعلم الآلة بالكامل. يمكن العثور على تعليمات مفصلة لإعداد هذا التكامل في صفحة تكامل MLFlow. يعد هذا التكامل مفيدًا بشكل خاص لمراقبة مقاييس النموذج، ومقارنة عمليات التدريب المختلفة، وإدارة مهام تعلم الآلة بكفاءة. يوفر MLFlow منصة مركزية لتسجيل المعلمات والمقاييس والبيانات الاصطناعية، مما يسهل فهم سلوك النموذج وإجراء تحسينات تعتمد على البيانات.

Link to this sectionما هي فوائد استخدام Neural Magic لتحسين نموذج YOLO26؟#

يعمل Neural Magic على تحسين نماذج YOLO26 من خلال الاستفادة من تقنيات مثل التدريب الواعي بالتكميم (QAT) والتقليم، مما يؤدي إلى نماذج عالية الكفاءة وأصغر حجمًا تعمل بشكل أفضل على الأجهزة ذات الموارد المحدودة. تحقق من صفحة تكامل Neural Magic لمعرفة كيفية تنفيذ هذه التحسينات للحصول على أداء فائق ونماذج أكثر رشاقة. هذا مفيد بشكل خاص للنشر على أجهزة الحافة حيث تكون الموارد الحسابية محدودة. يمكن لمحرك DeepSparse من Neural Magic توفير استدلال أسرع بما يصل إلى 6 مرات على وحدات المعالجة المركزية (CPUs)، مما يجعل من الممكن تشغيل نماذج معقدة دون أجهزة متخصصة.

Link to this sectionكيف يمكنني نشر نماذج Ultralytics YOLO مع Gradio للعروض التوضيحية التفاعلية؟#

لنشر نماذج Ultralytics YOLO مع Gradio لعروض اكتشاف الأشياء التفاعلية، يمكنك اتباع الخطوات الموضحة في صفحة تكامل Gradio. يسمح لك Gradio بإنشاء واجهات ويب سهلة الاستخدام لاستدلال النماذج في الوقت الفعلي، مما يجعلها أداة ممتازة لعرض قدرات نموذج YOLO الخاص بك بتنسيق سهل الاستخدام ومناسب للمطورين والمستخدمين النهائيين على حد سواء. باستخدام بضعة أسطر فقط من الكود، يمكنك بناء تطبيقات تفاعلية توضح أداء نموذجك على مدخلات مخصصة، مما يسهل فهم وتقييم حلول الرؤية الحاسوبية الخاصة بك بشكل أفضل.