Custom Model Weights अपलोड करें

Roboflow आपको model deployment के लिए अपने custom-trained models के model weights को अपने Roboflow projects में अपलोड करने की सुविधा देता है।

संबंधित पेज:

• Roboflow में मॉडल प्रशिक्षित करने के लिए देखें Model को Train करें

• मॉडल वेट्स डाउनलोड करने के लिए देखें Model Weights डाउनलोड करें

Roboflow के बाहर प्रशिक्षित वेट्स अपलोड करना

अपना कस्टम मॉडल प्रशिक्षण पूरा करने के बाद, इसका लाभ लेने के लिए अपने मॉडल वेट्स को वापस अपने Roboflow project में अपलोड करें Roboflow Inference.

Model Support

विवरण के लिए देखें Supported Models table वेट्स अपलोड compatibility के बारे में।

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

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

• YOLOv10 models को प्रशिक्षित और अपलोड किया जाना चाहिए ultralytics से

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

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

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

बड़े model sizes बेहतर training results प्रदान करते हैं। हालांकि, model size जितना बड़ा होगा, training time उतना ही धीमा होगा, और inference (model prediction) speed भी। इस पर विचार करें कि क्या आप तेज़ी से चलने वाली objects या video feeds पर real-time inference चाहते हैं (छोटे model का उपयोग बेहतर है), या आप data को इकट्ठा होने के बाद process कर रहे हैं, और अधिक prediction accuracy को प्राथमिकता दे रहे हैं (बड़ा model चुनें)।

Versioned बनाम Versionless Models अपलोड

Roboflow आपके projects में models deploy करने के लिए दो अलग-अलग approaches प्रदान करता है, जिनमें से प्रत्येक अलग-अलग use cases और organizational needs को पूरा करता है। versioned और versionless deployments के बीच चुनाव इस बात पर निर्भर करता है कि क्या आपको dataset versions के साथ model evolution को track करना है, या आप अपने workspace के कई projects के बीच models share करना चाहते हैं।

• Versionless Deployments

  • workspace level से जुड़े हुए

  • एक साथ कई projects में deploy किए जा सकते हैं

  • एक ही workspace के भीतर अलग-अलग projects में models share करने के लिए आदर्श

• Versioned Deployments

  • विशिष्ट project versions से जुड़े हुए

  • प्रत्येक dataset version के लिए एक model

  • dataset versions के साथ model evolution को track करने के लिए आदर्श

  • Label Assist पर model का उपयोग करने के लिए आदर्श

  • अन्य models को train करने के लिए checkpoint के रूप में model उपयोग करने के लिए आदर्श

कस्टम वेट्स अपलोड करें

सबसे पहले, सुनिश्चित करें कि आपके पास latest roboflow Python package install है:

pip install --update roboflow

Python SDK (Versionless)

versionless custom weights अपलोड करने के लिए, workspace.deploy_model() method का उपयोग करें:

workspace.deploy_model(
    model_type="yolov8",  # model का प्रकार
    model_path="path/to/model",  # model directory का path
    project_ids=["project1", "project2"],  # project IDs की सूची
    model_name="my-model",  # model का नाम (कम से कम 1 अक्षर होना चाहिए, और numbers तथा dashes स्वीकार करता है)
    filename="weights/best.pt"  # weights file का path (default)
)

पैरामीटर्स

• model_type (str): deploy किए जा रहे model का प्रकार (उदा., "yolov8", "yolov11")

• model_path (str): model weights वाली directory का file path

• project_ids (list[str]): model को deploy करने के लिए project IDs की सूची

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

• filename (str, optional): weights file का नाम (default "weights/best.pt" है)

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)

अगले चरण

1. Roboflow के "Models" tab में अपना model देखें

2. अपना model स्थानीय रूप से चलाएँ Roboflow Inference Server के साथ.

3. अपने model को deploy करें