Ultralytics YOLO في بيئة الإنتاج
انقل نموذج Ultralytics YOLO المدرّب إلى بيئة الإنتاج: اختر بيئة التشغيل، وصدّر النموذج وتحقق منه، وحسّنه ليناسب أجهزتك، وتتبع الأجسام، وأنشئ خطوط أنابيب للعد، وشغّل تدفقات متعددة، واكتشف الانجراف قبل أن يلاحظه المستخدمون.
بواسطة Ultralytics Academy
شغّل نموذج YOLO26 على بيئة التشغيل المناسبة مع التحقق من التكافؤ، وحوّل اكتشافاته إلى معرّفات متتبعة وأعداد عبر تدفقات متعددة، وزوّده بأدوات القياس والرصد كي تنبهك مشكلات زمن الاستجابة والدقة والانجراف قبل أن يلاحظها المستخدمون.
اختر بيئة التشغيل و
format=استنادًا إلى الجهاز وميزانية زمن الاستجابة وأسطول الأجهزة، ثم تحقق من الاختيار عبر اختبارات معيارية متكررة.صدّر إلى ONNX وأثبت التكافؤ مع PyTorch، بما في ذلك مأزق letterbox ذي الأبعاد الثابتة.
اختر بين FP32 وFP16 وINT8 على TensorRT وOpenVINO، باستخدام بيانات المعايرة وبوابة للدقة.
تتبّع الأجسام باستخدام ByteTrack أو BoT-SORT أو TrackTrack، واضبط عتبات المتعقب بما يتناسب مع درجات الثقة لدى الكاشف.
أنشئ عدادات للخطوط، وإشغال المناطق، وخرائط حرارية، وتقديرات سرعة مُعايرة اعتمادًا على التتبع.
شغّل عدة تدفقات كاميرا عبر نموذج واحد باستخدام الاستدلال على دفعات، وقوائم انتظار محدودة، وقياس الإطارات التي أُسقطت.
سجّل المقاييس لكل إطار، واكتشف انجراف الثقة باختبار KS، واعتمد أبسط إجراء لخفض زمن الاستجابة والتكلفة.
قرار بشأن بيئة التشغيل المناسبة لجهازك، مدعوم بأرقام اختبارات معيارية متكررة مقارنة بميزانية زمنية بالمللي ثانية.
تصدير ONNX مع تسجيل فحص للتكافؤ (الصناديق والثقة وmAP) مقارنةً بنموذج PyTorch.
تصدير محسّن (OpenVINO أو TensorRT) اجتاز بوابتي mAP وزمن الاستجابة على الجهاز المستهدف.
خط أنابيب للعد يتضمن خطًا للعد، وعدًّا للمنطقة، وخريطة حرارية، وتقديرًا مُعايرًا للسرعة على فيديو حقيقي.
عامل متعدد التدفقات يجمع الإطارات على دفعات من عدة كاميرات، ويبلّغ عن الإطارات المعالَجة والمُسقطة لكل تدفق.
حلقة مراقبة: مقاييس JSON لكل إطار، واختبار KS لانجراف درجات الثقة، والتحقق الأسبوعي باستخدام مجموعة بيانات محجوبة.
نموذج مدرّب، مثل
runs/detect/pills_v1/weights/best.ptمن درّب نموذج YOLO الأول، أو نقطة التحقق المدرّبة مسبقًاyolo26n.ptلمتابعة الشرح.Python 3.10+ مع
pip install "ultralytics[solutions]" onnxruntime scipy(تضيف solutions حزمتَي shapely وlap).إلمام بـ Python وسطر الأوامر ومصادر الفيديو (الملفات وكاميرات الويب وRTSP).
موصى به: أكمل أولًا درّب نموذج YOLO الأول وإنشاء مجموعات بيانات YOLO عالية الأداء.
محتوى الدورة
4 وحدة · 9 درسًاالوحدة 1
الوحدة 2
الوحدة 3
تتبّع الكائنات باستخدام ByteTrack وBoT-SORT وTrackTrack
امنح كل كائن معرّفًا ثابتًا عبر الإطارات، واختر متتبّعًا، واضبط عتباته بما يتوافق مع كاشفك.
الإحصاء والخرائط الحرارية وتقدير السرعة
أنشئ عدّادات للخطوط، وإحصاءات لإشغال المناطق، وخرائط حرارية، وتقديرات للسرعة بالاعتماد على التتبّع، وعايرها بواقعية.
الوحدة 4
الاستدلال متعدد التدفقات
شغّل عدة كاميرات باستخدام نموذج واحد، مع الاستدلال على دفعات، وطوابير محدودة السعة، وقياس الإطارات التي يتم إسقاطها.
قابلية الملاحظة والانحراف
سجّل المقاييس التي تكشف التراجع الصامت في الدقة، واختبر توزيعات الثقة للكشف عن الانحراف، ولا تطلق التنبيهات إلا عند ظهور مؤشرات تستدعي إجراءً.
ضبط التكلفة وزمن الاستجابة
حلّل أداء مسار المعالجة كاملًا، وطبّق الإجراءات التي تُحدث فرقًا فعليًا في زمن الاستجابة والتكلفة بالترتيب، وتوقف عند بلوغ الميزانية المحددة.