कस्टम मॉडल वज़न अपलोड करें

रोबोफ्लो आपके कस्टम-प्रशिक्षित मॉडल्स के लिए मॉडल वज़न अपलोड करने की सुविधा प्रदान करता है ताकि आप अपने रोबोफ्लो प्रोजेक्ट्स में मॉडल तैनात कर सकें।

एक बार जब आप अपने कस्टम मॉडल का प्रशिक्षण पूरा कर लें, तो अपने मॉडल वेट्स को अपने रोबोफ्लो प्रोजेक्ट में वापस अपलोड करें ताकि आप इसका लाभ उठा सकें रोबोफ्लो इन्फरेंस.

मॉडल समर्थन

मॉडल वेट्स अपलोड वर्तमान में इनके लिए उपलब्ध हैं:

  • YOLOv5 (n, s, m, l, x) ऑब्जेक्ट डिटेक्शन और इंस्टेंस सेगमेंटेशन

  • YOLOv7 इंस्टेंस सेगमेंटेशन (yolov7-seg)

  • YOLOv8 (n, s, m, l, x) ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, क्लासिफिकेशन, और कीपॉइंट डिटेक्शन

  • YOLOv9 (n, s, m, l, x) ऑब्जेक्ट डिटेक्शन

  • YOLOv10 (n, s, m, l, x) ऑब्जेक्ट डिटेक्शन

  • YOLOv11 (n, s, m, l, x) ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन

  • YOLOv12 (n, s, m, l, x) ऑब्जेक्ट डिटेक्शन

  • YOLO-NAS (s, m, l) ऑब्जेक्ट डिटेक्शन

  • RF-DETR (rfdetr-base, rfdetr-large) ऑब्जेक्ट डिटेक्शन

  • Florence-2 (base, large) मल्टीमोडल

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

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

बड़े मॉडल आकार बेहतर प्रशिक्षण परिणाम प्रदान करते हैं। हालांकि, जितना बड़ा मॉडल आकार होगा, प्रशिक्षण समय और अनुमान (मॉडल प्रेडिक्शन) की गति उतनी ही धीमी होगी। विचार करें कि क्या आप तेज़ गति वाली वस्तुओं या वीडियो फीड्स पर रीयल-टाइम अनुमान चाहते हैं (छोटा मॉडल बेहतर है), या आप डेटा को एकत्र करने के बाद प्रोसेस कर रहे हैं और उच्च भविष्यवाणी सटीकता की चिंता है (बड़ा मॉडल चुनें)।

संस्करणयुक्त बनाम संस्करणरहित मॉडल अपलोड

रोबोफ्लो आपके प्रोजेक्ट्स में मॉडल डिप्लॉय करने के दो अलग-अलग तरीके प्रदान करता है, जो विभिन्न उपयोग मामलों और संगठनात्मक आवश्यकताओं की पूर्ति करते हैं। संस्करणयुक्त और संस्करणरहित डिप्लॉयमेंट के बीच चयन इस पर निर्भर करता है कि क्या आपको डेटासेट संस्करणों के साथ-साथ मॉडल के विकास को ट्रैक करने की आवश्यकता है या आप अपने वर्कस्पेस में कई प्रोजेक्ट्स में मॉडल साझा करना चाहते हैं।

  • संस्करणरहित डिप्लॉयमेंट्स

    • वर्कस्पेस स्तर से जुड़ा हुआ

    • एक साथ कई प्रोजेक्ट्स में डिप्लॉय किया जा सकता है

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

  • संस्करणयुक्त डिप्लॉयमेंट्स

    • विशिष्ट प्रोजेक्ट संस्करणों से जुड़ा हुआ

    • प्रत्येक डेटासेट संस्करण के लिए एक मॉडल

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

    • लेबल असिस्ट 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

कस्टम वेट्स अपलोड करें

शुरू करने से पहले, सुनिश्चित करें कि आपके पास है roboflow>=1.1.53 संस्करणरहित डिप्लॉय का उपयोग करने के लिए।

संस्करणरहित कस्टम वेट्स अपलोड करने के लिए, इसका उपयोग करें workspace.deploy_model पाइथन एसडीके में विधि।

उपयोग

workspace.deploy_model(
    model_type="yolov8",  # मॉडल का प्रकार
    model_path="path/to/model",  # मॉडल डायरेक्टरी का पथ
    project_ids=["project1", "project2"],  # प्रोजेक्ट आईडी की सूची
    model_name="my-model",  # मॉडल का नाम (कम से कम 1 अक्षर होना चाहिए, और संख्याएँ व डैश स्वीकार करता है)
    filename="weights/best.pt"  # वेट्स फाइल का पथ (डिफ़ॉल्ट)
)

पैरामीटर्स

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

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

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

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

  • filename (str, optional): वेट्स फाइल 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"
)

अगले चरण

  1. Roboflow के "Models" टैब में अपना मॉडल देखें

  2. अपने मॉडल को लोकली चलाएँ Roboflow Inference Server.

Last updated

Was this helpful?