ترخيص YOLO
أدلة إرشادية

انتهاء Azure Custom Vision: قائمة تحقق لترحيل نماذج الرؤية لديكم

ستنتهي خدمة Azure Custom Vision في 25 سبتمبر 2028. خططوا لعملية الترحيل، وصدّروا بياناتكم الموسومة، وأعيدوا التدريب على Ultralytics Platform.

Jing QiuJing Qiu13 دقيقة قراءة
غلاف Ultralytics لقائمة التحقق من الترحيل من Azure Custom Vision: مربع حوار مجموعة البيانات الجديدة في Ultralytics Platform، مع لوحة تربط مشاريع الكشف في Custom Vision، ووضع العلامات، وتكرارات التدريب، ونقطة نهاية التنبؤ بمجموعات بيانات Platform ومحرر التعليقات التوضيحية والتدريب السحابي ونقاط النهاية المخصصة

ستنتهي خدمة Azure Custom Vision في 25 سبتمبر 2028. تحتاج الفرق التي تستخدم التدريب السحابي أو التنبؤ فيها إلى بديل قبل ذلك الموعد، كما ستحتاج الفرق التي تشغّل نماذج مُصدّرة إلى مكان لإعادة تدريبها مع تغيّر المنتجات والكاميرات. وهذه فرصة مناسبة للانتقال إلى منصة يمكنكم مواصلة وضع العلامات والتدريب والنشر عليها لسنوات.

تستعرض قائمة التحقق هذه خمس خطوات تساعد على سلاسة الترحيل: جرد ما تشغّلونه اليوم، واستخراج بياناتكم الموسومة، واختيار الوجهة، والتحقق من النموذج الجديد باستخدام صوركم، ثم التحويل مع توفير خيار احتياطي. وخلال ذلك، توضح كيف ينتقل كل جزء من مشروع Custom Vision إلى Ultralytics Platform، حيث يمكنكم وضع العلامات على نماذج Ultralytics YOLO وتدريبها ونشرها في مكان واحد، ليمنح الانتقال فريقكم منصة طويلة الأمد بدلاً من حل مؤقت.

ما الذي سيتغير، ومتى؟#

وفقاً لإرشادات Microsoft للترحيل من Custom Vision:

  • 25 سبتمبر 2028: تنتهي خدمة Custom Vision وتصبح الخدمة غير متاحة. وستقدم Microsoft الدعم الكامل للعملاء الحاليين حتى ذلك الموعد.
  • 25 سبتمبر 2026: الموعد الذي طلبت Microsoft من العملاء وضع خطة للانتقال قبل حلوله.

الجدول الزمني لمواعيد Microsoft: انقضى 25 سبتمبر 2026، وهو الموعد الذي طلبت Microsoft من العملاء وضع خطة للانتقال بحلوله؛ وفي 25 سبتمبر 2028، تنتهي خدمة Custom Vision وتتوقف واجهة Image Analysis API في اليوم نفسه

مواعيد انتهاء Azure Custom Vision وواجهة Image Analysis API وفقاً لإرشادات الترحيل من Microsoft.

ما الذي يعنيه ذلك عملياً:

  • يتوقف التدريب والتنبؤ السحابيان. يحتاج كل تطبيق يستدعي نقطة نهاية التنبؤ في Custom Vision إلى نقطة نهاية جديدة قبل موعد انتهاء الخدمة.
  • يمكن للنماذج المُصدّرة أن تساعد في استمرار العمل. يمكن لـ Custom Vision تصدير نموذج بصيغة ONNX أو TensorFlow أو TensorFlow.js أو CoreML أو في حاوية Docker لتشغيله على أجهزتكم. ملفات النماذج مثل ONNX لا تستدعي الخدمة؛ وتوضح Microsoft أن حاوية Docker تتضمن شفرة خدمة واجهة Custom Vision API، لذا اختبروها مع عدم إتاحة الخدمة قبل الاعتماد عليها. لا يعمل التصدير إلا للمشاريع التي تستخدم نطاقاً مضغوطاً، وتشير Microsoft إلى أن النماذج المضغوطة قد تكون أقل دقة قليلاً من نماذج النطاق القياسي. كما لن تتمكنوا من إعادة تدريب نموذج مُصدّر في Custom Vision بعد انتهاء الخدمة، لذا قد يتراجع أداؤه مع تغيّر منتجاتكم وكاميراتكم وعيوبكم.
  • يتزامن موعد انتهاء واجهة Image Analysis API مع موعد انتهاء الخدمة. وفقاً لـ Microsoft، تنتهي واجهة Image Analysis API في الموعد نفسه، 25 سبتمبر 2028، بما في ذلك الحاويات المتصلة وغير المتصلة. إذا كنتم تستخدمون الخدمتين، فخططوا لعملية ترحيل واحدة لا عمليتين.
  • احتفظوا بصوركم وتسمياتكم لأغراض الترحيل. لا يمكن أن يكون النموذج المعاد تدريبه أفضل من مجموعة البيانات التي يستند إليها، لذا احتفظوا ببياناتكم الموسومة إلى جانب أي نماذج مُصدّرة مدعومة.

إتاحة الخدمة وخيارات التصدير عند انتهاء الخدمة: تتوقف عمليات التدريب والتنبؤ في Custom Vision وواجهة Image Analysis API؛ ويمكن مواصلة تشغيل ملفات ONNX أو TensorFlow أو TensorFlow.js أو CoreML المُصدّرة محلياً، لكن لا يمكن إعادة تدريبها في Custom Vision؛ وينبغي اختبار حاوية Docker المُصدّرة عند عدم إتاحة الخدمة؛ نزّلوا نسخاً مستقلة من صوركم وتسمياتكم وتحققوا منها قبل انتهاء الخدمة

إتاحة الخدمة وخيارات التصدير عند انتهاء الخدمة، استناداً إلى وثائق الترحيل والتصدير من Microsoft.

الخطوة 1: جرد ما تشغّلونه اليوم#

قبل مقارنة الخيارات، دوّنوا ما لديكم. سجّلوا المعلومات التالية لكل مشروع Custom Vision:

  • نوع المشروع: تصنيف الصور (متعدد الفئات أو متعدد التسميات) أو كشف الأجسام.
  • النطاق: نطاق قياسي أو نطاق مضغوط. لا يمكن تصدير نموذج إلا للمشاريع ذات النطاق المضغوط.
  • مواضع استخدام التنبؤات: كل تطبيق أو برنامج نصي أو جهاز أو سير عمل يستدعي نقطة نهاية التنبؤ، والجهة المسؤولة عنه.
  • معايير قبول النموذج الحالي: الدقة والاستدعاء اللذان تعتمدون عليهما اليوم، والأخطاء الأعلى كلفة. فنادراً ما تكون كلفة عدم اكتشاف عيب مساوية لكلفة الرفض الخاطئ.
  • مجموعة البيانات: عدد الصور، والعلامات، وعدد الصور الموسومة مقارنة بغير الموسومة.
  • القيود: زمن الاستجابة، ومكان تنفيذ الاستدلال (السحابة أو أرضية المصنع أو جهاز محمول أو دون اتصال)، وموقع تخزين البيانات، ومن يحتاج إلى صلاحية الوصول.
المشروعالنوعالمجالالجهة المستدعية (المالك)معايير القبولالصور (الموسومة / غير الموسومة)العلاماتالقيود
مثال: عيوب اللحامكشف الأجسامعام (مضغوط)تطبيق ضمان الجودة لخط الإنتاج 3 (تقنية المعلومات في المصنع)استدعاء لا يقل عن 95% للشقوق؛ ورفض خاطئ أقل من 2%4,200 / 1,1003في الموقع، أقل من 200 ms

الصف الأول مثال على مستوى التفاصيل المطلوب تسجيلها، وليس بيانات من مشروع حقيقي.

تصبح هذه القائمة متطلباتكم للبديل وخطة الاختبار للتحويل.

الخطوة 2: استخرجوا بياناتكم الموسومة مبكراً#

توصي إرشادات Microsoft بتصدير مجموعات البيانات الموسومة والبيانات الوصفية للنماذج أولاً، ثم تحويلها إلى التنسيق الذي تحتاج إليه منصتكم الجديدة. نفّذوا ذلك أثناء استمرار الدعم الكامل للخدمة، لإتاحة الوقت للتحقق من صحة التصدير.

  • الصور والتسميات: تُرجع عملية Get Tagged Images في Custom Vision Training API البيانات الوصفية للصور والعلامات والمناطق في حالة كشف الأجسام. اضبطوا take على 256، واستعرضوا الصفحات باستخدام skip، ونزّلوا كل صورة أصلية عبر originalImageUri. البيانات الوصفية وحدها ليست نسخة احتياطية من صوركم. أما المشاريع التي فعّلت ميزة VNET فتعيد مسارات نسبية تسترجعونها باستخدام GetArtifact.
  • تحققوا من الأعداد: تأكدوا من أن عدد الصور والتسميات التي صدّرتموها يطابق ما يبلّغ عنه كل مشروع، لكل علامة، قبل الاعتماد على التصدير.
  • سجّلوا الإعدادات المرتبطة بالبيانات: معرّفات المشاريع والعلامات، وربط العلامات بالفئات، والنطاق، والتكرار المنشور، وعتبات الثقة والمعالجة المسبقة التي تستخدمها تطبيقاتكم.
  • اعرفوا وظيفة ExportProject: تنسخ واجهة ExportProject من Microsoft مشروعاً إلى حساب Custom Vision آخر باستخدام رمز مؤقت. وهي ليست نسخة احتياطية محمولة لمجموعة بياناتكم.
  • المربعات المحيطة: تُعاد مناطق الكشف بوصفها left وtop وwidth وheight ضمن إحداثيات مطبّعة نسبةً إلى حجم الصورة. ويتطلب تحويلها إلى تنسيق YOLO (مركز x مطبّع، ومركز y، والعرض، والارتفاع) أو إلى COCO تحويل الإحداثيات وربط الفئات وإجراء جولة تحقق لاكتشاف المربعات التي تقع في موضع خاطئ.

مربع محيط في Custom Vision محوّل إلى تنسيق YOLO: يخزّن Custom Vision الزاوية العلوية اليسرى عند left 0.30 وtop 0.25، بعرض 0.35 وارتفاع 0.40؛ ويخزّن YOLO المركز عند x_center 0.475 وy_center 0.45، مع العرض والارتفاع نفسيهما

المربع نفسه في كلا التنسيقين. ويستخدم كلاهما إحداثيات مطبّعة نسبةً إلى حجم الصورة.

def to_yolo_line(region, class_ids):
    """Custom Vision region (normalized left, top, width, height) -> YOLO label line."""
    x_center = region["left"] + region["width"] / 2
    y_center = region["top"] + region["height"] / 2
    class_id = class_ids[region["tagName"]]
    return f"{class_id} {x_center:.6f} {y_center:.6f} {region['width']:.6f} {region['height']:.6f}"


# {"tagName": "scratch", "left": 0.30, "top": 0.25, "width": 0.35, "height": 0.40}
# -> "0 0.475000 0.450000 0.350000 0.400000"
  • الصور غير الموسومة: صدّروها أيضاً باستخدام عملية Get Untagged Images. وقد توفر أمثلة تدريب إضافية مفيدة بعد أن تتمكنوا من وضع العلامات عليها.

تحققوا من رقمين في صفحة القيود من Microsoft قبل التصدير. يتطلب Custom Vision ما لا يقل عن 5 صور موسومة لكل علامة للتصنيف و15 صورة لكشف الأجسام، ويوصي بـ 50 صورة أو أكثر لكليهما. كما يحتفظ بصور التنبؤ لمدة 30 يوماً فقط، لذا احفظوا الآن أي صور تريدون استخدامها لإعادة التدريب.

  • النماذج: صدّروا النموذج الحالي للمشاريع ذات النطاق المضغوط ليكون خياراً احتياطياً يمكن تشغيله أثناء الانتقال. يجب تحويل المشروع ذي النطاق القياسي إلى نطاق مضغوط وإعادة تدريبه قبل تصديره، وقد يكون النموذج المضغوط أقل دقة قليلاً.

احتفظوا بالتصدير الخام دون تغيير وحوّلوا نسخة منه، حتى تتمكنوا دائماً من الرجوع إلى الأصل. إذا كنتم تنتقلون إلى Ultralytics Platform، فإن تنسيق YOLO خيار طبيعي، إذ تستورد Platform مباشرةً مجموعات بيانات YOLO وCOCO وUltralytics NDJSON.

الخطوة 3: اختاروا نوع البديل#

اتخذت الفرق التي اعتمدت على Amazon Lookout for Vision، الذي أوقفته AWS في 31 أكتوبر 2025، القرار نفسه. لا توجد إجابة واحدة صحيحة؛ فالبديل الأفضل يعتمد على سيناريو استخدامكم ومدى رغبة فريقكم في تولّي مسؤولية مسار العمل.

الخيارالأنسب لـما يديره فريقكمأمور ينبغي التحقق منها
Azure Machine Learning مع AutoML (المسار الذي تقترحه Microsoft)الفرق التي تبقى ضمن Azure وتريد حلولاً مخصصة للتصنيف والكشفمساحة عمل Azure ML والحوسبة والنشرالجهد اللازم لإعادة بناء سيرَي التدريب والنشر في Azure ML
خدمة ML مُدارة لدى موفر سحابي آخر، مثل Amazon SageMaker AI أو Amazon Rekognition Custom Labels أو Gemini Enterprise Agent Platform على Google Cloudالفرق التي تعتمد هذا الموفر السحابي معياراً لديهاإعداد التدريب والنشر والمراقبة لدى الموفرخيارات التصدير، وجهد الترحيل، وإمكانية نقل النموذج لاحقاً
خدمات الذكاء الاصطناعي التوليدي في Microsoft Foundry (المسار الذي تقترحه Microsoft)الفرق المستعدة لإعادة تصميم الحل بالاعتماد على النماذج التوليدية أو القائمة على الموجّهاتتصميم الموجّهات، والتقييم، وتشغيل الحلالدقة في اكتشاف عيوبكم أو أجسامكم المحددة، وزمن الاستجابة، والاتساق
منصة رؤية مخصصة قابلة للتدريب، مثل LandingLens من Landing AI أو Ultralytics Platformالفرق التي تريد وضع العلامات والتدريب والنشر في مكان واحد، مع بنية تحتية مُدارة للتدريب والنشرمجموعات البيانات، ووضع العلامات، والتقييم، والتكامل مع تطبيقاتكمالمهام المدعومة، وتنسيقات الاستيراد، وأهداف النشر، وإمكانية نقل النماذج المدرّبة، وعناصر التحكم في وصول الفريق
البناء باستخدام أطر العمل مفتوحة المصدرالفرق التي تضم مهندسي ML وتريد التحكم الكاملشفرة التدريب، والبنية التحتية، والمراقبةالصيانة والتوظيف على المدى الطويل
نظام فحص جاهز للاستخدامخطوط الإنتاج التي تريد الأجهزة والبرمجيات والتكامل من مورّد واحدالتنسيق مع المورّد، واختبارات القبول، والدعم المستمرالمرونة عند تغيّر المنتجات وأنواع العيوب

قيّموا كل خيار بالاستناد إلى جرد الخطوة 1، بما في ذلك جهد الترحيل، وتكاليف الحوسبة والدعم المستمرة، ومتطلبات الشراء، وما إذا كانت الخدمة لا تزال في مرحلة المعاينة. إذا كان فريقكم يقدّر توفر وضع العلامات والتدريب والنشر في مكان واحد، فإن منصة الرؤية المخصصة القابلة للتدريب توفر سير عمل متكاملاً مماثلاً لوضع العلامات والتدريب والنشر، ويوضح قسم «الانتقال إلى Ultralytics Platform» أدناه كيفية نقل كل جزء من مشروعكم. إذا كان لا بد من تنفيذ الاستدلال على جهاز أو دون اتصال، فتحققوا أولاً من تنسيقات التصدير. وإذا كان عدة أشخاص يضعون العلامات ويراجعون البيانات، فتحققوا من أدوار الفريق وأذوناته.

الخطوة 4: تحققوا من النموذج باستخدام صوركم#

عزّزوا أمثلة المورّد بالتقييم على بياناتكم:

  1. قسّموا بياناتكم إلى ثلاث مجموعات: التدريب، والتحقق، ومجموعة اختبار لم يسبق للنموذج الجديد رؤيتها، بما في ذلك أصعب الحالات وأندرها. وحيثما ينطبق ذلك، قسّموا البيانات حسب دفعة الإنتاج أو الكاميرا أو الفترة الزمنية، وأزيلوا الصور المتشابهة جداً بين المجموعات، لكي يعكس الاختبار ظروفاً جديدة.
  2. أعيدوا التدريب على مجموعة البيانات المُصدّرة باستخدام العلامات أو الفئات نفسها.
  3. قارنوا النتائج بمعايير القبول من الخطوة 1، لا برقم دقة واحد فقط. وافحصوا حالات عدم اكتشاف الأجسام والإنذارات الكاذبة كلّاً على حدة.
  4. اختبروا النموذج في مكان تشغيله الفعلي: باستخدام الكاميرات أو الأجهزة أو مسار الشبكة نفسه المستخدم في الإنتاج.
  5. كيّفوا التكامل: تحققوا من المصادقة، وتنسيقات الطلبات والاستجابات، والمعالجة المسبقة، وعتبات الثقة، ومعالجة الأخطاء في البديل، ثم حدّثوا كل تطبيق واختبروه بدلاً من افتراض أن تغيير عنوان URL لنقطة النهاية كافٍ.
  6. اختبروا النموذج تحت حمل الإنتاج: تحققوا من التزامن، وبدء التشغيل البارد، وإعادة المحاولة، وما يحدث أثناء انقطاع الخدمة.

في Ultralytics Platform، يمكنكم التدريب على مجموعة البيانات المحوّلة باستخدام التدريب السحابي ومتابعة المقاييس آنياً، ثم اختبار النموذج في ظروف الإنتاج.

إذا كان أداء النموذج الجديد دون المستوى المطلوب، فتحققوا من التسميات والمعالجة المسبقة وملاءمة النموذج وسلوك النشر قبل اختيار الحل. ويُعد الترحيل فرصة مناسبة لتصحيح التسميات غير المتسقة وإضافة أمثلة للحالات التي واجه النموذج القديم صعوبة فيها.

الخطوة 5: خططوا للتحويل#

تسلسل التحويل: 1 تجربة أولية على صور لم تُستخدم في التدريب، 2 تشغيل بالتوازي مع النموذج الحالي، 3 تحويل تطبيق واحد، 4 المراقبة ثم تكرار العملية؛ إذا لم تتحقق معايير القبول قبل التحويل، فتحققوا من البيانات والمعالجة المسبقة والنموذج والتكامل، ثم صححوا المشكلات وأعيدوا الاختبار؛ وإذا تم تجاوز عتبة التراجع بعد التحويل، فارجعوا إلى خيار احتياطي تم اختباره

تسلسل التحويل لكل تطبيق يستدعي Custom Vision اليوم.

  • شغّلوا النموذجين بالتوازي. أرسلوا الصور نفسها إلى النموذجين القديم والجديد لفترة، وقارنوا النتائج قبل التحويل.
  • حوّلوا مستهلكاً واحداً في كل مرة، وابدؤوا بالتطبيق الأقل خطورة.
  • حدّد مسبقًا محفزات التراجع، مثل تجاوز معدل الإخفاق أو معدل الرفض الخاطئ حدًا متفقًا عليه، واحتفظ بخيار احتياطي إلى أن تتأكد: نقطة نهاية Custom Vision الحالية قبل إيقافها، أو، بعد ذلك، خيار احتياطي منفصل النشر سبق أن اختبرته، مثل نموذج صغير مُصدَّر.
  • عيّن مسؤولًا عن التحويل لكل تطبيق، حتى لا يستمر أي تطبيق في استدعاء نقطة نهاية متوقفة.
  • طابق طريقة تشغيل كل تطبيق اليوم. على Ultralytics Platform، يمكن للنموذج تقديم التنبؤات عبر نقطة نهاية مخصصة أو تصديره ليعمل على أجهزتك، ما يتيح مسارًا للأنظمة التي تستدعيه سحابيًا وللتطبيقات التي تعمل على الجهاز.
  • حدّد المسؤول عن إعادة التدريب. تتغير المنتجات والإضاءة وأنواع العيوب. اتفقوا على من يراجع البيانات الجديدة ومدى تكرار إعادة تدريب النموذج، ليتمكن النظام الجديد من التكيف مع تغير ظروف الإنتاج.

الانتقال إلى Ultralytics Platform#

إذا كان فريقك يفضّل سير عمل Custom Vision الذي يجمع وضع العلامات والتدريب والنشر في مكان واحد، فإن Ultralytics Platform توفر سير العمل المتكامل نفسه، بالاعتماد على نماذج Ultralytics YOLO. إليك موضع كل جزء من مشروع Custom Vision بعد الانتقال:

في Custom Visionفي Ultralytics Platform
مشروعات التصنيف واكتشاف الأجساممجموعات بيانات للتصنيف واكتشاف الأجسام، بالإضافة إلى التجزئة وتقدير الوضعيات ومربعات الإحاطة الموجّهة
الصور والمناطق الموسومةارفع الملف المُصدَّر بعد تحويله إلى تنسيق YOLO أو COCO أو Ultralytics NDJSON
وضع العلامات في البوابةمحرر تعليقات توضيحية يوفّر التعليقات التوضيحية الذكية لاكتشاف الأجسام باستخدام SAM أو نماذج YOLO المدربة مسبقًا أو نموذجك المضبوط بدقة. وتُوسم صور التصنيف يدويًا
دورات التدريبالتدريب السحابي على وحدات GPU، مع بث المقاييس آنيًا وحفظ نقاط التحقق تلقائيًا
نقطة نهاية التنبؤنقاط نهاية مخصصة في 42 منطقة
عمليات تصدير صغيرة المجال للأجهزةتصدير النموذج إلى تنسيقات مثل ONNX وTensorRT وCoreML، وفقًا لتوافق النموذج والمهمة
الوصول المشترك إلى المشروعمساحات عمل للفريق بأدوار المالك والمسؤول والمحرر والمشاهد (تحقق من متطلبات الفريق)، ضمن منطقة بيانات في الولايات المتحدة أو الاتحاد الأوروبي أو آسيا والمحيط الهادئ

مربع الحوار «مجموعة بيانات جديدة» في Ultralytics Platform، يوضح أن التحميل يدعم مجموعات بيانات YOLO وCOCO وUltralytics NDJSON كملفات ZIP أو TAR أو NDJSON

يقبل مربع الحوار «مجموعة بيانات جديدة» في Ultralytics Platform مجموعات بيانات YOLO وCOCO وUltralytics NDJSON. تنطبق حدود التحميل المعروضة على الحساب المستخدم في لقطة الشاشة هذه.

إليك بعض الأمور التي ينبغي التخطيط لها:

  • أعِد التدريب بدلًا من الاستيراد. لا يمكن تحميل نماذج Custom Vision، لذا عليك تدريب نموذج YOLO باستخدام بياناتك المُصدَّرة.
  • التصنيف متعدد التسميات. تستخدم مجموعات بيانات التصنيف في Platform تسمية واحدة لكل صورة، لذا قرّر كيفية التعامل مع المشروعات متعددة التسميات قبل ترحيلها.
  • الخصوصية والمنطقة. تكون مجموعات البيانات الجديدة عامة أو خاصة وفقًا لـإعداد الرؤية الافتراضي لمساحة عملك، لذا عيّن المجموعات التي تتضمن بيانات خاصة إلى «خاصة» عند إنشائها. تُحدَّد منطقة بياناتك عند التسجيل، ولا يمكنك تغييرها بنفسك لاحقًا.
  • سعة تقديم الخدمة. تشغّل كل نقطة نهاية مخصصة مثيلًا نشطًا واحدًا. ويتوقف الحجم الافتراضي عن العمل عند الخمول، بينما تُبقي الأحجام المخصصة مثيلًا جاهزًا، لذا قِس معدل النقل وبدء التشغيل البارد مقارنة بمتطلبات الإنتاج، أو صدّر النموذج لتشغيله على بنيتك التحتية الخاصة.
  • النطاق. تستبدل منصة الرؤية جانب النماذج في نظام الفحص، لا الكاميرات أو الإضاءة أو التكامل مع خط الإنتاج المحيط به.

ابدأ بمشروع واحد: حوّل عينة ممثلة من مجموعة بيانات مُصدَّرة من Custom Vision إلى تنسيق مدعوم، وارفعها إلى Ultralytics Platform، ودرّب نموذجًا، ثم قارنه بمعايير القبول التي اتفقت عليها في الخطوة 1. هل تخطط لعملية ترحيل أكبر؟ تواصل مع فريقنا لمناقشة عدد مشروعاتك وأنواع المهام وأحجام مجموعات البيانات وأهداف زمن الاستجابة وقيود النشر.

الأسئلة الشائعة

  • في 25 سبتمبر 2028. ستواصل Microsoft دعم العملاء الحاليين حتى ذلك الحين، وطلبت منهم التخطيط للانتقال بحلول 25 سبتمبر 2026.

  • يعمل ملف النموذج المُصدَّر إلى ONNX أو TensorFlow أو TensorFlow.js أو CoreML على أجهزتك دون الاتصال بخدمة Custom Vision، لذا يمكنه مواصلة العمل. إذا كنت تستخدم حاوية Docker المُصدَّرة، فاختبرها مع عدم توفر الخدمة قبل الاعتماد عليها. لن تتمكن من إعادة تدريبه في Custom Vision، كما أن التصدير متاح لمشروعات المجال الصغير فقط.

  • نعم. تعيد عملية Get Tagged Images في Training API البيانات الوصفية للصور والعلامات ومناطق اكتشاف الأجسام، بحد أقصى 256 صورة لكل طلب، مع originalImageUri لكل صورة أصلية (تعيد المشروعات التي فُعّلت فيها ميزة VNET مسارات نسبية تجلبها باستخدام GetArtifact). نزّل الصور نفسها، ثم حوّل المناطق إلى التنسيق الذي تستخدمه منصتك الجديدة، مثل YOLO أو COCO.

  • تشير إرشادات الترحيل من Microsoft إلى Azure Machine Learning مع AutoML للتصنيف المخصص واكتشاف الأجسام، وإلى خيارات الذكاء الاصطناعي التوليدي في Microsoft Foundry، بما فيها Azure Content Understanding للتصنيف المخصص.

  • عند الانتقال إلى Ultralytics Platform، خطط لتدريب نموذج YOLO مدعوم على مجموعة البيانات التي حوّلتها، لأن Platform لا تدعم تحميل نماذج Custom Vision المُصدَّرة. احتفظ بتسمياتك، وراجع جودتها، وتحقق من صحة النموذج الجديد قبل التحويل.

بقلم

Jing Qiu
Jing Qiu

مهندس تعلم آلي أول · Ultralytics

يعمل Jing Qiu مهندس تعلم آلي أول في Ultralytics، ويركز على تحسين أداء نماذج الرؤية الحاسوبية المتطورة وقابليتها للتوسع وملاءمتها للتطبيقات الواقعية. يشمل عمله بنية النماذج وتحسين التدريب والنشر، ويساعد على ضمان تقديم Ultralytics YOLO دقة وكفاءة رائدتين في القطاع للمطورين والمؤسسات حول العالم.

التعليقات

اطرح سؤالًا، أو شارك نتائجك، أو ساعد شخصًا آخر.

استكشف الحلول

الرؤية الحاسوبية في الرياضة

الرؤية الحاسوبية في الرياضة

اكتشف كيف يعزّز Ultralytics YOLO الرؤية الحاسوبية الرياضية عبر تتبّع اللاعبين والكرة، وتحليلات الأداء، ورؤى التدريب، وإعادة تأهيل الرياضيين.
معرفة المزيد
الرؤية الحاسوبية للصور الجوية

الرؤية الحاسوبية للصور الجوية

حوّل صور الطائرات المسيّرة والصور الجوية إلى رؤى آنية للزراعة وتربية الأحياء المائية والحفاظ على البيئة والتحليل الجغرافي المكاني باستخدام Ultralytics YOLO.
معرفة المزيد
الرؤية الحاسوبية في قطاع الطيران والفضاء

الرؤية الحاسوبية في قطاع الطيران والفضاء

طبّق الرؤية الحاسوبية في مجال الطيران والفضاء باستخدام Ultralytics YOLO لفحص الطائرات، واكتشاف الأجسام الغريبة على المدارج (FOD)، والعمليات الأرضية في المطارات، واكتشاف عيوب المواد المركّبة.
معرفة المزيد
الرؤية الحاسوبية في مجال الأمن

الرؤية الحاسوبية في مجال الأمن

احمِ كل موقع باستخدام نماذج Ultralytics YOLO. يدعم الذكاء الاصطناعي البصري مراقبة المحيط، واكتشاف التهديدات، والتعرف على لوحات المركبات، والسلامة في مكان العمل.
معرفة المزيد
الرؤية الحاسوبية في الروبوتات

الرؤية الحاسوبية في الروبوتات

عزّز أداء الآلات الذكية باستخدام نماذج Ultralytics YOLO. يدعم الذكاء الاصطناعي البصري في الروبوتات الملاحة الذاتية والإدراك وتعقب الأجسام والتحكم الآني.
معرفة المزيد
الرؤية الحاسوبية في الخدمات اللوجستية

الرؤية الحاسوبية في الخدمات اللوجستية

بسّط العمليات اللوجستية باستخدام نماذج Ultralytics YOLO. يتيح الذكاء الاصطناعي البصري فحص الطرود وفرزها وتتبع المركبات ومراقبة سلامة المستودعات في الوقت الفعلي.
معرفة المزيد
الرؤية الحاسوبية في تجارة التجزئة

الرؤية الحاسوبية في تجارة التجزئة

أعِد تصور تجارة التجزئة باستخدام نماذج Ultralytics YOLO. يتيح الذكاء الاصطناعي البصري تتبع المخزون ومراقبة الرفوف وإدارة الطوابير واستخلاص رؤى أذكى عن العملاء.
معرفة المزيد
الرؤية الحاسوبية في الرعاية الصحية

الرؤية الحاسوبية في الرعاية الصحية

أنشئ حلولًا للرعاية الصحية باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي البصري في الرعاية الصحية سرعة التصوير الطبي، وكفاءة التشخيص، ومراقبة المرضى.
معرفة المزيد
الرؤية الحاسوبية في التصنيع

الرؤية الحاسوبية في التصنيع

حسّن التصنيع باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي للرؤية مراقبة الجودة واكتشاف العيوب والالتزام بمعدات الوقاية الشخصية وأتمتة خطوط التجميع.
معرفة المزيد
الرؤية الحاسوبية في قطاع السيارات

الرؤية الحاسوبية في قطاع السيارات

طبّق الرؤية الحاسوبية في قطاع السيارات باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي للرؤية سلامة الطرق ومساعدة السائق وأتمتة المركبات لإنشاء طرق أكثر ذكاءً.
معرفة المزيد
الرؤية الحاسوبية في الزراعة

الرؤية الحاسوبية في الزراعة

أدخل الذكاء الاصطناعي البصري إلى الزراعة الذكية باستخدام نماذج Ultralytics YOLO. عزّز مراقبة المحاصيل وتتبع الماشية والزراعة الدقيقة لزيادة الإنتاجية وتحسينها.
معرفة المزيد

لنبنِ مستقبل الذكاء الاصطناعي معًا!

ابدأ رحلتك نحو مستقبل تعلّم الآلة