Upload Custom Model Weights

Roboflow आपकी कस्टम-ट्रेंड मॉडल्स के मॉडल वेट्स को आपके Roboflow प्रोजेक्ट्स में मॉडल तैनाती के लिए अपलोड करने की क्षमता प्रदान करता है।

एक बार जब आप अपना कस्टम मॉडल प्रशिक्षण पूरा कर लेते हैं, तो Roboflow प्रोजेक्ट में अपने मॉडल वेट्स अपलोड करें ताकि आप का लाभ उठा सकें Roboflow Inference.

मॉडल समर्थन

संदर्भ Supported Models table प्रशिक्षण, वेट्स अपलोड, और वेट्स डाउनलोड संगतता के लिए।

मॉडल वेट्स अपलोड वर्तमान में उपलब्ध हैं:

• YOLOv5 (n, s, m, l, x) Object Detection और Instance Segmentation

• YOLOv7 Instance Segmentation (yolov7-seg)

• YOLOv8 (n, s, m, l, x) Object Detection, Instance Segmentation, Classification, और Keypoint Detection

• YOLOv9 (n, s, m, l, x) Object Detection

• YOLOv10 (n, s, m, l, x) Object Detection

• YOLOv11 (n, s, m, l, x) Object Detection, Instance Segmentation

• YOLOv12 (n, s, m, l, x) Object Detection

• YOLO-NAS (s, m, l) Object Detection

• RF-DETR (rfdetr-base, rfdetr-large) Object Detection

• Florence-2 (base, large) Multimodal

• PaliGemma (3b-pt-224, 3b-pt-448, 3b-pt-896) Multimodal

• PaliGemma 2 (3b-pt-224, 3b-pt-448, 3b-pt-896) Multimodal

• YOLOv8 मॉडलों को प्रशिक्षित किया जाना चाहिए ultralytics==8.0.196

• YOLOv9 मॉडलों को प्रशिक्षित और अपलोड किया जाना चाहिए उपयोग करके ultralytics से https://github.com/WongKinYiu/yolov9

• YOLOv10 मॉडलों को प्रशिक्षित और अपलोड किया जाना चाहिए उपयोग करके ultralytics से

  https://github.com/THU-MIG/yolov10

• YOLOv11 मॉडलों को प्रशिक्षित किया जाना चाहिए ultralytics<=8.3.40

• YOLOv12 मॉडलों को प्रशिक्षित और अपलोड किया जाना चाहिए उपयोग करके ultralytics से https://github.com/sunsmarterjie/yolov12

बड़े मॉडल आकार बेहतर प्रशिक्षण परिणाम प्रदान करते हैं। हालांकि, जितना बड़ा मॉडल आकार होगा, प्रशिक्षण समय उतना ही धीमा होगा, और inference (मॉडल भविष्यवाणी) की गति भी धीमी होगी। विचार करें कि क्या आप त्वरित-गति वस्तुओं या वीडियो फ़ीड पर वास्तविक-समय inference चाहते हैं (बेहतर होगा कि छोटे मॉडल का उपयोग करें), या आप डेटा को संग्रहीत करने के बाद संसाधित कर रहे हैं और अधिक भविष्यवाणी सटीकता को प्राथमिकता देते हैं (तो बड़े मॉडल का चयन करें)।

Versioned बनाम Versionless Models Upload

Roboflow आपके प्रोजेक्ट्स में मॉडल तैनात करने के लिए दो अलग-अलग तरीके प्रदान करता है, जो अलग-अलग उपयोग मामलों और संगठनात्मक आवश्यकताओं की पूर्ति करते हैं। versioned और versionless तैनाती के बीच चयन इस बात पर निर्भर करता है कि क्या आपको डेटासेट संस्करणों के साथ मॉडल विकास को ट्रैक करने की आवश्यकता है या आप अपने workspace में कई प्रोजेक्ट्स के बीच मॉडल साझा करना चाहते हैं।

• Versionless Deployments

  • Workspace स्तर से जुड़ा हुआ

  • एक साथ कई प्रोजेक्ट्स में तैनात किया जा सकता है

  • एक ही workspace के भीतर विभिन्न प्रोजेक्ट्स में मॉडल साझा करने के लिए आदर्श

• Versioned Deployments

  • विशिष्ट प्रोजेक्ट वर्शन से जुड़ा हुआ

  • प्रत्येक डेटासेट वर्शन के लिए एक मॉडल

  • डेटासेट वर्शनों के साथ-साथ मॉडल विकास को ट्रैक करने के लिए आदर्श

  • Label Assist पर मॉडल का उपयोग करने के लिए आदर्श

  • अन्य मॉडलों के प्रशिक्षण के लिए चेकपॉइंट के रूप में मॉडल का उपयोग करने के लिए आदर्श

Custom Weights अपलोड करें

Python SDK (Versionless)

आरम्भ करने से पहले, सुनिश्चित करें कि आपके पास है roboflow>=1.1.53 versionless deploy का उपयोग करने के लिए।

Versionless custom weights अपलोड करने के लिए, उपयोग करें workspace.deploy_model Python SDK में method।

Usage

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 स्वीकार करता है)
    filename="weights/best.pt"  # वेट्स फ़ाइल का पथ (डिफ़ॉल्ट)
)

Parameters

• model_type (str): डिप्लॉय किए जा रहे मॉडल का प्रकार (उदाहरण: "yolov8", "yolov11")

• model_path (str): उस डायरेक्टरी के लिए फ़ाइल पथ जिसमें मॉडल वेट्स होते हैं

• project_ids (list[str]): उन प्रोजेक्ट IDs की सूची जिनमें मॉडल को डिप्लॉय करना है

• model_name (str): मॉडल की पहचान के लिए नाम - (कम से कम 1 अक्षर होना चाहिए, और संख्याएँ तथा डैश स्वीकार करता है)

• filename (str, optional): वेट्स फ़ाइल का नाम (डिफ़ॉल्ट: "weights/best.pt")

उदाहरण

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"
)

Python SDK (Versioned)

CLI (Versionless और versioned)

Next Steps

1. अपने मॉडल को Roboflow के "Models" टैब में देखें

2. अपने मॉडल को लोकल रूप से चलाएँ साथ में Roboflow Inference Server.

3. अपने मॉडल को डिप्लॉय करें