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 Roboflow प्रोजेक्ट में अपलोड करें ताकि आप इसका लाभ उठा सकें Roboflow Inference.

मॉडल सपोर्ट

देखें सपोर्टेड मॉडल्स टेबल प्रशिक्षण, वेट्स अपलोड और वेट्स डाउनलोड संगतता के लिए।

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

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

• YOLOv9 मॉडल्स को प्रशिक्षित और अपलोड करने के लिए इसका उपयोग करें ultralytics से https://github.com/WongKinYiu/yolov9

• YOLOv10 मॉडल्स को प्रशिक्षित और अपलोड करने के लिए इसका उपयोग करें ultralytics से

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

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

• YOLOv12 मॉडल्स को प्रशिक्षित और अपलोड करने के लिए इसका उपयोग करें ultralytics से https://github.com/sunsmarterjie/yolov12

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

वर्शनड बनाम वर्शनलेस मॉडल्स अपलोड

Roboflow आपके प्रोजेक्ट्स में मॉडल्स डिप्लॉय करने के दो अलग-अलग तरीके प्रदान करता है, जो विभिन्न उपयोग मामलों और संगठनात्मक आवश्यकताओं के लिए उपयुक्त हैं। वर्शनड और वर्शनलेस डिप्लॉयमेंट के बीच चयन इस बात पर निर्भर करता है कि क्या आपको डेटासेट वर्शन के साथ-साथ मॉडल के विकास को ट्रैक करने की आवश्यकता है या आप अपने वर्कस्पेस में कई प्रोजेक्ट्स में मॉडल्स साझा करना चाहते हैं।

• वर्शनलेस डिप्लॉयमेंट्स

  • वर्कस्पेस स्तर से जुड़ा हुआ

  • एक साथ कई प्रोजेक्ट्स में डिप्लॉय किया जा सकता है

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

• वर्शनड डिप्लॉयमेंट्स

  • विशिष्ट प्रोजेक्ट वर्शन्स से जुड़ा हुआ

  • प्रत्येक डेटासेट वर्शन के लिए एक मॉडल

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

  • Label Assist पर मॉडल का उपयोग करने के लिए आदर्श

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

कस्टम वेट्स अपलोड करें

Python SDK (वर्शनलेस)

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

वर्शनलेस कस्टम वेट्स अपलोड करने के लिए, इसका उपयोग करें workspace.deploy_model Python SDK में मेथड।

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 नंबर 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 नंबर 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"
)

Python SDK (वर्शनड)

शुरू करने से पहले, सुनिश्चित करें कि आपके पास है roboflow>=1.0.1 का उपयोग करने के लिए.deploy() कमांड।

एक वर्शनड मॉडल को केवल एक संबंधित डेटासेट वर्शन से लिंक किया जा सकता है। यदि आपके डेटासेट में वर्शन जनरेट नहीं हुआ है, तो आप बना सकते हैं इन-ऐप या इसके माध्यम से API.

डॉक्स देखें API के माध्यम से वर्शन कैसे लोड करें या नीचे दिए गए उदाहरण को देखें।

कस्टम वेट्स अपलोड करने के लिए, इसका उपयोग करें version.deploy() Python SDK में मेथड।

उपयोग

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

पैरामीटर्स

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

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

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

उदाहरण

from roboflow import Roboflow

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

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

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

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

महत्वपूर्ण नोट्स

1. एक वर्शन में एक समय में केवल एक प्रशिक्षित मॉडल हो सकता है

2. ऐसे वर्शन में अपलोड करने का प्रयास करना जिसमें पहले से मॉडल है, 429 त्रुटि देगा

CLI (वर्शनलेस और वर्शनड)

इंस्टॉलेशन

Roboflow Python पैकेज इंस्टॉल करने के लिए, आप pip का उपयोग कर सकते हैं:

pip install roboflow

प्रमाणीकरण

कोई भी CLI कमांड 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 अपने आप सेव हो जाएँगे ~/.config/roboflow/config.json

मॉडल वेट्स अपलोड करना

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

मूल उपयोग

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

पैरामीटर्स

• -w, --workspace: आपका वर्कस्पेस आईडी या URL (वैकल्पिक - निर्दिष्ट न होने पर डिफ़ॉल्ट वर्कस्पेस का उपयोग करेगा)

• -p, --project: मॉडल अपलोड करने के लिए प्रोजेक्ट आईडी (वर्शनलेस अपलोड के लिए कई प्रोजेक्ट्स के लिए कई बार निर्दिष्ट किया जा सकता है)

• -t, --model_type: मॉडल का प्रकार (जैसे, yolov8, paligemma2)

• -m, --model_path: प्रशिक्षित मॉडल फाइल वाली डायरेक्टरी का पथ

• -v, --version_number: वर्शन नंबर जिसमें मॉडल अपलोड करना है (वैकल्पिक)

• -f, --filename: मॉडल फाइल का नाम (डिफ़ॉल्ट: "weights/best.pt")

• -n, --model_name: मॉडल का नाम (वर्शनलेस मॉडल डिप्लॉय के लिए आवश्यक)

उदाहरण

# 1. किसी विशिष्ट वर्शन में मॉडल अपलोड करें: 
roboflow upload_model -w my-workspace -p my-project -v 1 -t yolov8 -m ./weights

# 2. वर्शनलेस मॉडल को कई प्रोजेक्ट्स में अपलोड करें:
roboflow upload_model -w my-workspace -p project1 -p project2 -t yolov11 -n my-model-v1 -m ./weights

अगले कदम

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

2. अपने मॉडल को लोकली चलाएँ Roboflow Inference Server.

3. अपने मॉडल को डिप्लॉय करें