Upload Custom Model Weights

Roboflow आपको अपने custom-trained मॉडलों के मॉडल वेट्स को अपने Roboflow प्रोजेक्ट्स में अपलोड करने की क्षमता प्रदान करता है ताकि मॉडल deploy कर सकें।

एक बार जब आप अपना कस्टम मॉडल प्रशिक्षण पूरा कर लें, तो Roboflow प्रोजेक्ट में वापस अपने मॉडल वेट्स अपलोड करें ताकि आप निम्न लाभ उठा सकें: Roboflow Inference.

मॉडल समर्थन

संदर्भ के लिए देखें: Supported Models table वेट्स अपलोड संगतता के विवरण के लिए।

• YOLOv8 मॉडलों को इस पर प्रशिक्षित किया जाना चाहिए: ultralytics==8.0.196

• YOLOv9 मॉडलों को प्रशिक्षित और अपलोड करने के लिए इस का उपयोग करना चाहिए: ultralytics से https://github.com/WongKinYiu/yolov9

• YOLOv10 मॉडलों को प्रशिक्षित और अपलोड करने के लिए इस का उपयोग करना चाहिए: ultralytics से

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

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

• YOLOv12 मॉडलों को प्रशिक्षित और अपलोड करने के लिए इस का उपयोग करना चाहिए: ultralytics से https://github.com/sunsmarterjie/yolov12

बड़े मॉडल साइज बेहतर प्रशिक्षण परिणाम देते हैं। हालाँकि,_model_ जितना बड़ा होगा, प्रशिक्षण समय और इन्फ़रेंस (मॉडल प्रेडिक्शन) की गति उतनी ही धीमी होगी। विचार करें कि क्या आप तेज़ी से चलने वाली वस्तुओं या वीडियो फीड पर वास्तविक-समय इन्फ़रेंस चाहते हैं (तो छोटे मॉडल का उपयोग बेहतर होगा), या आप डेटा एकत्र करने के बाद प्रोसेस कर रहे हैं और उच्च भविष्यवाणी सटीकता की परवाह कर रहे हैं (तो बड़े मॉडल का चयन करें)।

Versioned बनाम Versionless मॉडल अपलोड

Roboflow आपकी परियोजनाओं में मॉडल तैनात करने के लिए दो अलग-अलग दृष्टिकोण प्रदान करता है, जो विभिन्न उपयोग-मामलों और संगठनात्मक आवश्यकताओं की सेवा करते हैं। Versioned और versionless तैनाती के बीच चयन इस बात पर निर्भर करता है कि क्या आपको dataset वर्ज़न के साथ मॉडल के विकास को ट्रैक करने की आवश्यकता है या आप अपने workspace में कई परियोजनाओं में मॉडल साझा करना चाहते हैं।

• Versionless Deployments

  • workspace स्तर से जुड़ा हुआ

  • एक साथ कई परियोजनाओं पर तैनात किया जा सकता है

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

• Versioned Deployments

  • विशेष प्रोजेक्ट वर्ज़नों से जुड़ा हुआ

  • प्रत्येक dataset वर्ज़न के लिए एक मॉडल

  • dataset वर्ज़नों के साथ मॉडल के 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 उपयोग करने के लिए आदर्श

कस्टम वेट्स अपलोड करें

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

pip install --update roboflow

Python SDK (Versionless)

Versionless कस्टम वेट्स अपलोड करने के लिए, निम्न का उपयोग करें: workspace.deploy_model() मेथड:

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 नंबर व डैश स्वीकार करता है)
    filename="weights/best.pt"  # वेट्स फाइल का पथ (डिफ़ॉल्ट)
)

पैरामीटर

• model_type (str): तैनात किया जा रहा मॉडल का प्रकार (उदा., "yolov8", "yolov11")

• model_path (str): उस डायरेक्टरी का फ़ाइल पथ जिसमें मॉडल वेट्स हैं

• project_ids (list[str]): उन प्रोजेक्ट IDs की सूची जिन पर मॉडल तैनात करना है

• model_name (str): मॉडल की पहचान करने के लिए नाम - (कम से कम 1 अक्षर होना चाहिए, और नंबर व 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)

अगले कदम

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

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

3. अपना मॉडल तैनात करें