> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/models/hi/model-weights/upload-custom-weights.md).

# कस्टम मॉडल वेट्स अपलोड करें

## Roboflow के बाहर प्रशिक्षित वज़न अपलोड करना

एक बार जब आप अपना कस्टम मॉडल प्रशिक्षण पूरा कर लें, तो इसका लाभ उठाने के लिए अपने मॉडल वज़न वापस अपने Roboflow प्रोजेक्ट में अपलोड करें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

Roboflow में मॉडल प्रशिक्षित करने के लिए देखें [मॉडल को प्रशिक्षित करें](/models/hi/train/train-a-model.md).

### मॉडल समर्थन

को देखें [समर्थित मॉडल तालिका](/models/hi/supported-models.md) वज़न अपलोड संगतता के विवरण के लिए।

{% hint style="warning" %}

* YOLOv8 मॉडल को पर प्रशिक्षित किया जाना चाहिए `ultralytics==8.0.196`
* YOLOv9 मॉडल को का उपयोग करके प्रशिक्षित और अपलोड किया जाना चाहिए `ultralytics` से <https://github.com/WongKinYiu/yolov9>
* YOLOv10 मॉडल को का उपयोग करके प्रशिक्षित और अपलोड किया जाना चाहिए `ultralytics` से

  <https://github.com/THU-MIG/yolov10>
* YOLOv11 मॉडल को पर प्रशिक्षित किया जाना चाहिए `ultralytics<=8.3.40`
* YOLOv12 मॉडल को का उपयोग करके प्रशिक्षित और अपलोड किया जाना चाहिए `ultralytics` से <https://github.com/sunsmarterjie/yolov12>
  {% endhint %}

{% hint style="info" %}
बड़े मॉडल आकार बेहतर प्रशिक्षण परिणाम देते हैं। हालांकि, मॉडल आकार जितना बड़ा होगा, प्रशिक्षण समय और अनुमान (मॉडल भविष्यवाणी) की गति उतनी ही धीमी होगी। विचार करें कि क्या आप तेज़ी से चलने वाली वस्तुओं या वीडियो फ़ीड्स पर रीयल-टाइम अनुमान चाहते हैं (छोटा मॉडल बेहतर है), या आप डेटा को एकत्र करने के बाद उसका प्रसंस्करण कर रहे हैं, और उच्च भविष्यवाणी सटीकता अधिक महत्वपूर्ण है (बड़ा मॉडल चुनें)।
{% endhint %}

### संस्करणयुक्त बनाम संस्करण-रहित मॉडल अपलोड

Roboflow आपके प्रोजेक्ट्स में मॉडल तैनात करने के लिए दो अलग-अलग तरीके प्रदान करता है, जिनमें से प्रत्येक अलग उपयोग-केस और संगठनात्मक आवश्यकताओं के लिए है। संस्करणयुक्त और संस्करण-रहित तैनाती के बीच चुनाव इस पर निर्भर करता है कि आपको डेटासेट संस्करणों के साथ-साथ मॉडल के विकास को ट्रैक करना है या अपने वर्कस्पेस में कई प्रोजेक्ट्स में मॉडल साझा करना है।

* **संस्करण-रहित तैनातियाँ**
  * वर्कस्पेस स्तर से जुड़ी
  * एक साथ कई प्रोजेक्ट्स में तैनात की जा सकती हैं
  * एक ही वर्कस्पेस के भीतर अलग-अलग प्रोजेक्ट्स में मॉडल साझा करने के लिए आदर्श
* **संस्करणयुक्त तैनातियाँ**
  * विशिष्ट प्रोजेक्ट संस्करणों से जुड़ी
  * एक [संस्करण](/models/hi/versions-trainings-and-models.md) में कई अपलोड किए गए मॉडल हो सकते हैं
  * डेटासेट संस्करणों के साथ-साथ मॉडल के विकास को ट्रैक करने के लिए आदर्श
  * Label Assist पर मॉडल का उपयोग करने के लिए आदर्श
  * अन्य मॉडलों को प्रशिक्षित करने के लिए चेकपॉइंट के रूप में मॉडल का उपयोग करने के लिए आदर्श

## Python SDK

सबसे पहले, सुनिश्चित करें कि आपके पास नवीनतम `roboflow` Python पैकेज इंस्टॉल है:

```bash
pip install --update roboflow
```

### संस्करण-रहित मॉडल

संस्करण-रहित कस्टम वज़न अपलोड करने के लिए, `workspace.deploy_model()` विधि का उपयोग करें:

```python
workspace.deploy_model(
    model_type="yolov8",  # मॉडल का प्रकार
    model_path="path/to/model",  # मॉडल डायरेक्टरी का पथ
    project_ids=["project1", "project2"],  # प्रोजेक्ट IDs की सूची
    model_name="my-model",  # मॉडल का नाम (कम से कम 1 अक्षर होना चाहिए, और संख्याएँ तथा डैश स्वीकार्य हैं)
    filename="weights/best.pt"  # वज़न फ़ाइल का पथ (डिफ़ॉल्ट)
)
```

**पैरामीटर**

| पैरामीटर      | प्रकार     | आवश्यक | विवरण                                                                                        |
| ------------- | ---------- | ------ | -------------------------------------------------------------------------------------------- |
| `model_type`  | str        | हाँ    | तैनात किए जा रहे मॉडल का प्रकार, जैसे `yolov8`, `yolov11`.                                   |
| `model_path`  | str        | हाँ    | मॉडल वज़न वाली डायरेक्टरी का पथ।                                                             |
| `project_ids` | list\[str] | हाँ    | वे प्रोजेक्ट IDs जिन पर मॉडल तैनात करना है।                                                  |
| `model_name`  | str        | हाँ    | मॉडल की पहचान करने वाला नाम। इसमें कम से कम एक अक्षर होना चाहिए; संख्याएँ और डैश अनुमति हैं। |
| `filename`    | str        | नहीं   | वज़न फ़ाइल का नाम। डिफ़ॉल्ट रूप से `weights/best.pt`.                                        |

**उदाहरण**

```python
from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_API_KEY")
workspace = rf.workspace("YOUR_WORKSPACE")

workspace.deploy_model(
  model_type="yolov8",
  model_path="./runs/train/weights",
  project_ids=["project-1", "project-2", "project-3"],
  model_name="my-custom-model"
)
```

### संस्करणयुक्त मॉडल

{% hint style="info" %}
संस्करणयुक्त कस्टम-वज़न अपलोड हर अपलोड किए गए मॉडल को एक डेटासेट संस्करण से जोड़ता है। यदि आपके डेटासेट में कोई संस्करण जनरेट नहीं हुआ है, तो आप एक बना सकते हैं [ऐप में](https://docs.roboflow.com/datasets/versions/dataset-versions/create-a-dataset-version) या [API के माध्यम से](https://docs.roboflow.com/datasets/versions/dataset-versions/create-a-dataset-version#python-sdk).

दस्तावेज़ देखें [API के माध्यम से किसी संस्करण को लोड करने के तरीके पर](https://docs.roboflow.com/datasets/versions/dataset-versions#view-a-version) या नीचे दिए गए उदाहरण का संदर्भ लें।
{% endhint %}

कस्टम वज़न अपलोड करने के लिए, `version.deploy()` विधि का उपयोग Python SDK में करें।

**उपयोग**

```python
version.deploy(
    model_type="yolov8",  # मॉडल का प्रकार
    model_path="path/to/model",  # मॉडल डायरेक्टरी का पथ
    filename="weights/best.pt"  # वज़न फ़ाइल का पथ (डिफ़ॉल्ट)
)
```

**पैरामीटर**

| पैरामीटर     | प्रकार | आवश्यक | विवरण                                                      |
| ------------ | ------ | ------ | ---------------------------------------------------------- |
| `model_type` | str    | हाँ    | तैनात किए जा रहे मॉडल का प्रकार, जैसे `yolov8`, `yolov11`. |
| `model_path` | str    | हाँ    | मॉडल वज़न वाली डायरेक्टरी का पथ।                           |
| `filename`   | str    | नहीं   | वज़न फ़ाइल का नाम। डिफ़ॉल्ट रूप से `weights/best.pt`.      |

**उदाहरण**

```python
from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_API_KEY")
project = rf.workspace().project("PROJECT_ID")

#weights_filename निर्दिष्ट कर सकते हैं, डिफ़ॉल्ट "weights/best.pt" है
version = project.version(VERSION_ID)

#example1 - yolov8 मॉडल के लिए डायरेक्टरी पथ "training1/model1.pt" है
version.deploy("yolov8", "training1", "model1.pt")

#example2 - yolov8 मॉडल के लिए डायरेक्टरी पथ "training1/weights/best.pt" है
version.deploy("yolov8", "training1")
```

**महत्वपूर्ण नोट्स**

{% hint style="info" %}
एक संस्करण में कई अपलोड किए गए मॉडल हो सकते हैं। देखें [संस्करण, प्रशिक्षण और मॉडल](/models/hi/versions-trainings-and-models.md) कि किसी संस्करण पर मॉडल्स को कैसे संबोधित किया जाता है।
{% endhint %}

## CLI

**प्रमाणीकरण**

किसी भी CLI कमांड का उपयोग करने से पहले, आपको Roboflow के साथ प्रमाणीकरण करना होगा:

1. प्रमाणीकरण कमांड चलाएँ: `roboflow login`
2. टर्मिनल में दिखाए गए URL पर जाएँ: <https://app.roboflow.com/auth-cli>
3. वेबसाइट से अपना प्रमाणीकरण टोकन प्राप्त करें
4. टोकन को अपने टर्मिनल में पेस्ट करें

क्रेडेंशियल्स स्वचालित रूप से यहाँ सहेजे जाएँगे `~/.config/roboflow/config.json`

**मॉडल वज़न अपलोड करना**

Roboflow CLI एक कमांड प्रदान करता है, जिससे आप अपने Roboflow प्रोजेक्ट्स में प्रशिक्षित मॉडल वज़न अपलोड कर सकते हैं। यह तब उपयोगी है जब आप कस्टम-प्रशिक्षित मॉडल्स को Roboflow पर तैनात करना चाहते हैं।

**मूल उपयोग**

{% code overflow="wrap" %}

```bash
roboflow upload_model -w <workspace> -p <project> -t <model_type> -m <model_path> [-v <version>] [-f <filename>] [-n <model_name>]
```

{% endcode %}

**पैरामीटर**

| फ्लैग                  | आवश्यक | विवरण                                                                                                         |
| ---------------------- | ------ | ------------------------------------------------------------------------------------------------------------- |
| `-w, --workspace`      | नहीं   | वर्कस्पेस ID या URL। डिफ़ॉल्ट रूप से आपका डिफ़ॉल्ट वर्कस्पेस।                                                 |
| `-p, --project`        | हाँ    | जिस Project ID में अपलोड करना है। संस्करण-रहित मॉडल को कई प्रोजेक्ट्स में अपलोड करने के लिए फ्लैग को दोहराएँ। |
| `-t, --model_type`     | हाँ    | मॉडल प्रकार, जैसे `yolov8`, `paligemma2`, `rfdetr-medium`.                                                    |
| `-m, --model_path`     | हाँ    | प्रशिक्षित मॉडल फ़ाइल वाली डायरेक्टरी का पथ।                                                                  |
| `-v, --version_number` | नहीं   | वह डेटासेट संस्करण जिससे मॉडल को जोड़ा जाएगा।                                                                 |
| `-f, --filename`       | नहीं   | मॉडल फ़ाइल का नाम। डिफ़ॉल्ट रूप से `weights/best.pt`.                                                         |
| `-n, --model_name`     | सशर्त  | मॉडल नाम। संस्करण-रहित मॉडल तैनाती के लिए आवश्यक।                                                             |

**उदाहरण**

<pre class="language-bash" data-overflow="wrap"><code class="lang-bash"># 1. किसी विशिष्ट संस्करण में मॉडल अपलोड करें: 
<strong>roboflow upload_model -w my-workspace -p my-project -v 1 -t yolov8 -m ./weights
</strong>
# 2. कई प्रोजेक्ट्स में संस्करण-रहित मॉडल अपलोड करें:
roboflow upload_model -w my-workspace -p project1 -p project2 -t yolov11 -n my-model-v1 -m ./weights
# 3. एकल प्रोजेक्ट में संस्करण-रहित RF-DETR medium मॉडल अपलोड करें: 
roboflow upload_model -w my-workspace -p my-project -t rfdetr-medium -n my-model-name -m ./ -f weights.pt
</code></pre>

## MCP Server

अपने AI एजेंट को [MCP Server](https://docs.roboflow.com/agents/mcp-server) से जोड़ें और यह इन टूल्स का उपयोग करके कहीं और प्रशिक्षित किए गए वज़न अपलोड कर सकता है:

<table data-search="false"><thead><tr><th width="290">टूल</th><th>विवरण</th></tr></thead><tbody><tr><td><code>models_upload_custom_weights</code></td><td>स्थानीय रूप से प्रशिक्षित वज़न को Roboflow पर अपलोड करने की विधि प्राप्त करें।</td></tr></tbody></table>

## अगले कदम

1. Roboflow के "Models" टैब में अपना मॉडल देखें
2. अपना मॉडल स्थानीय रूप से चलाने के लिए [Roboflow Inference Server](https://docs.roboflow.com/deployment/self-hosted/self-hosted).
3. की समीक्षा करें [तैनाती विकल्प](https://docs.roboflow.com/deployment).