تسريع Ultralytics YOLO26 باستخدام OpenVINO على Intel Core Ultra Series 3 (Panther Lake)

على مدى السنوات القليلة الماضية، انتقل الذكاء الاصطناعي ورؤية الحاسوب من كونهما مجالين تجريبيين إلى كونهما جزءًا أساسيًا من عمليات الأعمال اليومية. وفي الواقع، تُظهر الاستطلاعات أن نحو 88% من المؤسسات تستخدم الذكاء الاصطناعي بالفعل في جزء واحد على الأقل من أعمالها.

ومع ذلك، فإن تحويل هذا التبني إلى قيمة فعلية، سواء في أنظمة الإنتاج أو المشاريع الشخصية، يعتمد غالبًا على مدى جودة تشغيل النماذج فعليًا بعد نشرها. ففي كثير من السيناريوهات الواقعية، تُنشر نماذج رؤية الحاسوب مثل Ultralytics YOLO26 على الأجهزة الطرفية ومجموعة متنوعة من العتاد، وغالبًا ما تكون هذه الأجهزة مزودة بوحدات CPU أو GPU مدمجة أو NPU، بدلًا من وحدات GPU عالية الأداء.

وهنا قد يبدأ الأداء في التباين، وتصبح عملية التحسين بالغة الأهمية. فقد يواجه نموذج يعمل جيدًا في بيئة معينة صعوبة في بيئة أخرى إذا لم يُحسَّن على نحو ملائم للعتاد الأساسي.

ولتسهيل ذلك، تدعم حزمة Ultralytics Python تصدير نماذج YOLO26 إلى تنسيقات محسّنة مثل OpenVINO، بحيث تعمل بسلاسة على عتاد Intel من دون الحاجة إلى إجراء تغييرات على سير عملك.

فعلى سبيل المثال، عند تصدير نموذج Ultralytics YOLO26 إلى تنسيق OpenVINO، يمكنه العمل بكفاءة أكبر على معالجات Intel Core Ultra Series 3، مع تحسن سرعات الاستدلال باستخدام GPU بما يصل إلى ثلاثة أضعاف.

في هذه المقالة، سنستكشف كيف يسهّل التكامل المحدّث بين Ultralytics وOpenVINO نشر نماذج YOLO26 عبر عتاد Intel Core Ultra Series 3. لنبدأ!

نظرة عامة على تكامل Ultralytics x OpenVINO#

توفر حزمة Ultralytics Python واجهة واحدة لتدريب نماذج Ultralytics YOLO مثل YOLO26 وتشغيل الاستدلال عليها ونشرها. كما تدعم مجموعة من عمليات التكامل التي تساعد في مختلف أجزاء سير عمل الذكاء الاصطناعي للرؤية، بدءًا من التدريب والتجريب ووصولًا إلى النشر والتحسين.

ومن عمليات التكامل المخصصة للنشر التكامل مع مجموعة أدوات OpenVINO، التي تتيح لك تصدير نماذج Ultralytics YOLO26 إلى تنسيق محسّن لعتاد Intel. وتحول هذه العملية نماذج YOLO إلى تنسيق يعمل بكفاءة أكبر على وحدات CPU وGPU وNPU من Intel، بما في ذلك الأنظمة التي تعمل بمعالجات Intel® Core™ Ultra™ series.

وهذا يجعل تشغيل النماذج عبر أجهزة Intel المختلفة أكثر سلاسة، من دون الحاجة إلى ضبطها يدويًا لكل إعداد. وسواء كنت تعمل على جهاز محلي أو جهاز طرفي أو عملية نشر واسعة النطاق، يمكنك إعادة استخدام النموذج المُصدَّر نفسه.

ما يجعل هذا التكامل عمليًا على نحو خاص هو اندماجه السلس في سير عمل Ultralytics الحالي. إذ يمكنك تصدير نموذج باستخدام الواجهة نفسها التي تستخدمها للتدريب والاستدلال، من دون الحاجة إلى أدوات إضافية أو إعداد معقد.

بعد التصدير، يمكن استخدام النموذج للاستدلال إما من خلال حزمة Ultralytics Python أو OpenVINO Runtime، وذلك بحسب مقدار التحكم والمرونة اللذين تحتاج إليهما.

نظرة أعمق على OpenVINO وعتاد Intel Panther Lake للاستدلال بالذكاء الاصطناعي#

قبل أن نرى مدى كفاءة تشغيل نموذج Ultralytics YOLO26 المُصدَّر على عتاد Intel، دعونا نتوقف قليلًا لفهم كيفية عمل OpenVINO وعتاد Intel معًا لتمكين الاستدلال بكفاءة.

OpenVINO هي مجموعة أدوات مفتوحة المصدر مصممة لتحسين الاستدلال بالذكاء الاصطناعي وتشغيله عبر عتاد Intel، بما في ذلك وحدات CPU ووحدات GPU المدمجة ووحدات NPU. وهي توفر بيئة تشغيل موحدة، بحيث يمكن تشغيل النموذج نفسه عبر وحدات الحوسبة المختلفة هذه من دون الحاجة إلى إعادة كتابة النموذج.

الشكل 1. يسهّل OpenVINO نشر النماذج على أهداف عتادية متعددة. (المصدر)

في معالجات Intel® Core™ Ultra™ Series 3 الجديدة (التي تحمل الاسم الرمزي Panther Lake)، تعمل أعباء الذكاء الاصطناعي عبر وحدات حوسبة متعددة داخل المعالج نفسه. وتجمع كل شريحة بين أنوية CPU للمهام العامة، ووحدة GPU مدمجة للمعالجة المتوازية، ووحدة NPU مخصصة مصممة خصيصًا للاستدلال بالذكاء الاصطناعي.

يوفر OpenVINO واجهة API موحدة تتيح لك استهداف أي من وحدات الحوسبة هذه، سواء كانت CPU أو GPU أو NPU، من دون تغيير التعليمات البرمجية. وما عليك سوى تحديد الجهاز الذي سيُشغَّل عليه الاستدلال وقت التشغيل، ما يجعل التبديل بين الوحدات الثلاث سهلًا وفقًا لاحتياجاتك من الأداء والكفاءة.

قياس أداء Ultralytics YOLO26 على سلسلة Intel® Core™ Ultra™#

أثناء استكشافك لتكامل Ultralytics وOpenVINO، قد تتساءل: ما مقدار التحسن في أداء النموذج الذي يمكنك توقعه عند تصدير YOLO26 إلى تنسيق OpenVINO؟

يصبح الفرق في سرعة الاستدلال واضحًا عند قياس أداء نماذج YOLO26 عبر تنسيقات ومستويات دقة مختلفة. فعلى سبيل المثال، عند تشغيل الإصدار nano من YOLO26 (YOLO26n) على Intel Core Ultra X7 358H، وهو معالج Panther Lake، ينخفض زمن الاستدلال من 25.18 مللي ثانية لكل صورة في PyTorch بدقة FP32 إلى 2.64 مللي ثانية باستخدام OpenVINO بالدقة نفسها مع وحدة NPU المدمجة.

وهذا أسرع من خط الأساس الأصلي PyTorch FP32، ما قد يُحدث فرقًا ملحوظًا في التطبيقات الفورية والطرفية التي تكون فيها زمن الاستجابة عاملًا حاسمًا. وتصبح هذه المكاسب أكثر وضوحًا عند تشغيل النموذج نفسه على وحدة Intel Arc GPU المدمجة.

الشكل 2. قياس أداء استدلال Ultralytics YOLO26 على وحدة Intel Panther Lake GPU باستخدام OpenVINO (المصدر)

الشكل 3. قياس أداء استدلال Ultralytics YOLO26 على وحدة Intel Panther Lake NPU باستخدام OpenVINO (المصدر)

استكشاف طريقتين لتصدير Ultralytics YOLO26 إلى تنسيق OpenVINO#

هناك طريقتان رئيسيتان لتصدير نماذج YOLO26 إلى تنسيق OpenVINO. يمكنك استخدام حزمة Ultralytics Python أو التصدير مباشرةً من خلال Ultralytics Platform، وهي مساحة عمل متكاملة من البداية إلى النهاية لبناء سير عمل رؤية الحاسوب وإدارته في مكان واحد. وسنستعرض النهجين التاليين.

استخدام حزمة Ultralytics Python لتصدير YOLO26#

توفر حزمة Ultralytics Python طريقة مباشرة لتصدير نماذج YOLO26 إلى تنسيق OpenVINO ضمن سير عمل قائم على التعليمات البرمجية. وبما أن الواجهة نفسها تُستخدم للتدريب والاستدلال، فإن تصدير النموذج يندمج طبيعيًا في مسارات العمل الحالية من دون الحاجة إلى أدوات إضافية.

للبدء، يمكنك تثبيت حزمة Ultralytics. ويمكن إجراء ذلك بتشغيل الأمر “pip install ultralytics” في طرفية أو موجه أوامر. وإذا كنت تعمل في بيئة تفاعلية مثل Jupyter Notebook أو Google Colab، فيمكنك تشغيل الأمر نفسه بإضافة علامة التعجب قبله.

بعد التثبيت، يمكنك تحميل نموذج YOLO26 مُدرَّب وتصديره مباشرةً إلى تنسيق OpenVINO. وكما هو موضح أدناه، يجري تحميل نموذج YOLO26n مُدرَّب مسبقًا (yolo26n.pt)، ثم تحويله إلى تنسيق OpenVINO باستخدام طريقة التصدير.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

model.export(format="openvino")

بعد تشغيل التعليمات البرمجية، يُحفَظ النموذج المُحوَّل في دليل جديد، حيث يمكن استخدامه للنشر.

تصدير YOLO26 على Ultralytics Platform#

إذا كنت تبحث عن نهج أبسط لا يتطلب كتابة التعليمات البرمجية، فيمكنك تصدير نماذج YOLO26 مباشرةً من خلال Ultralytics Platform. وتجمع المنصة سير عمل رؤية الحاسوب الكامل في مساحة عمل واحدة، ما يسهّل الانتقال من التدريب إلى النشر من دون إعداد إضافي.

بعد أن يصبح نموذجك جاهزًا، يمكنك فتحه داخل المنصة والانتقال إلى علامة التبويب Export. ومن هناك، يمكنك اختيار OpenVINO تنسيقًا للتصدير، وضبط إعدادات مثل حجم الصورة أو الدقة اختياريًا.

الشكل 4. نظرة على تصدير YOLO26 داخل Ultralytics Platform

تتولى المنصة عملية التحويل تلقائيًا، لذلك لا حاجة إلى إدارة البرامج النصية أو التبعيات أو إعدادات البيئة. وبعد اكتمال التصدير، يمكن تنزيل النموذج المحسّن واستخدامه للنشر عبر وحدات CPU وGPU وNPU من Intel.

خيارات النشر التي يتيحها تكامل Ultralytics x OpenVINO#

بعد تصدير نموذج YOLO26 إلى تنسيق OpenVINO، توجد طريقتان لتشغيل الاستدلال، وذلك بحسب سير عملك ومستوى التحكم المطلوب. يمكنك استخدام حزمة Ultralytics Python لنهج أبسط ومتكامل، أو استخدام بيئة تشغيل OpenVINO الأصلية لمزيد من المرونة والتحكم.

تشغيل الاستدلال باستخدام حزمة Ultralytics Python#

بعد تصدير نموذجك إلى تنسيق OpenVINO، يمكنك تشغيل الاستدلال باستخدام حزمة Ultralytics Python. ويُعد هذا النهج مثاليًا للاختبار السريع والنشر السلس، إذ يستخدم الواجهة نفسها المستخدمة للتدريب والتصدير.

باستخدام هذا النهج، يمكنك تحميل نموذج OpenVINO المُصدَّر من دليله وتشغيل الاستدلال على مدخل مثل صورة أو فيديو. كما يمكنك اختيار الجهاز الذي سيُشغَّل عليه الاستدلال من خلال تحديد خيارات مثل "intel:cpu" أو "intel:gpu" أو "intel:npu"، بحسب العتاد المتاح على نظامك.

يوضح مقتطف التعليمات البرمجية أدناه كيفية تحميل النموذج المُصدَّر وتشغيل الاستدلال على صورة مع استهداف وحدة GPU. وبعد اكتمال الاستدلال، تُحفَظ الصورة الناتجة في دليل “runs/detect/predict”.

ov_model = YOLO("yolo26n_openvino_model/")

results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

الاستفادة من حزمة OpenVINO الأصلية للاستدلال#

إذا كنت تحتاج إلى مزيد من التحكم في كيفية تشغيل نموذجك في بيئة الإنتاج، فيمكنك استخدام بيئة تشغيل OpenVINO الأصلية للاستدلال. وتفيد هذه الطريقة عند دمج النماذج في تطبيقات أكبر، أو عندما ترغب في ضبط كيفية تنفيذ الاستدلال بدقة على عتاد محدد.

يوفر OpenVINO طريقة موحدة لتشغيل النماذج عبر وحدات CPU وGPU وNPU من Intel، إلى جانب ميزات مثل التنفيذ غير المتزامن والاستخدام الفعال لموارد الحوسبة المتاحة. ولإعداد ذلك، يمكنك العمل مباشرةً مع ملفات النموذج المُصدَّرة، بما في ذلك ملف .xml الذي يعرّف بنية النموذج وملف .bin الذي يحتوي على الأوزان المُدرَّبة.

وبحسب حالة الاستخدام، يمكنك أيضًا ضبط إعدادات مثل حجم الإدخال أو خطوات المعالجة المسبقة. ويتضمن إعداد الاستدلال تهيئة بيئة تشغيل OpenVINO، وتحميل النموذج وتجميعه للجهاز المستهدف، وتجهيز بيانات الإدخال، ثم تشغيل الاستدلال.

الشكل 5. مثال على مسار نموذجي للاستدلال باستخدام OpenVINO (المصدر)

يتيح لك ذلك التحكم في كيفية تنفيذ النموذج وكيفية اندماجه في عملية النشر الشاملة لديك. ولمعرفة المزيد عن إعداد الاستدلال وتشغيله باستخدام بيئة تشغيل OpenVINO، يمكنك استكشاف الوثائق الرسمية لـ Ultralytics.

التطبيقات الواقعية لـ Ultralytics YOLO26 على عتاد Intel#

تظهر القيمة الفعلية لتكامل Ultralytics وOpenVINO في بيئات الإنتاج، حيث يمكن للاستدلال الموثوق منخفض زمن الاستجابة أن يُحدث فرقًا ملموسًا. فيما يلي نظرة على بعض القطاعات الرئيسية التي يحقق فيها هذا التكامل نتائج مؤثرة:

• التصنيع: من خلال تصدير Ultralytics YOLO26 إلى OpenVINO، يمكن لأنظمة خطوط الإنتاج اكتشاف العيوب المرئية تلقائيًا، مثل المكونات المفقودة أو سوء المحاذاة أو أضرار الأسطح، على عتاد Intel، ما يساعد في تحسين جودة المنتجات وتقليل الأخطاء المكلفة.

• الرعاية الصحية: يمكن لأنظمة التصوير الطبي ومراقبة المرضى تشغيل نماذج Ultralytics YOLO26 المُصدَّرة محليًا على عتاد Intel، بما يدعم متطلبات الخصوصية الصارمة للبيانات مع الحفاظ على أداء استدلال موثوق.

• المدن الذكية: يمكن نشر أنظمة مراقبة حركة المرور وتحليل الحشود باستخدام نماذج Ultralytics YOLO26 المُصدَّرة على كاميرات طرفية تعمل بعتاد Intel، ما يتيح رؤى آنية مثل عدّ المركبات وتتبع المشاة واكتشاف الحوادث.

• السيارات: يُعد انخفاض زمن الاستجابة وكفاءة استهلاك الطاقة عاملين حاسمين في مراقبة السائق والاستشعار داخل المقصورة، ما يجعل عتاد Intel المقترن بنماذج Ultralytics YOLO26 المُصدَّرة مناسبًا جدًا لأنظمة السيارات المضمنة.

إذا أردت معرفة المزيد عن هذا التكامل، فانضم إلينا في سلسلة ورش عمل OpenVINO DevCon التابعة لـ Intel، بعنوان “من التعليق التوضيحي إلى النشر: بناء مسار لاكتشاف الكائنات باستخدام Geti وUltralytics YOLO26 وOpenVINO™”، حيث سينضم Francesco Mattioli، مدير الشراكات والمنظومة لدى شركتنا، إلى Adrian Boguszewski، مبشر برمجيات الذكاء الاصطناعي لدى Intel، لتقديم عرض توضيحي مباشر وشرح لكيفية بناء مسارات رؤية حاسوب جاهزة للإنتاج للسيناريوهات الصناعية الواقعية. وستتضمن الورشة سير عمل كاملًا لاكتشاف الكائنات من البداية إلى النهاية، بدءًا من إنشاء مجموعة البيانات وتدريب النموذج ووصولًا إلى التحسين والنشر على الأجهزة الطرفية.

فوائد استخدام تنسيق تصدير OpenVINO#

فيما يلي بعض المزايا الرئيسية لاستخدام تنسيق تصدير OpenVINO:

• سهل الوصول والتكامل: بفضل واجهة API موحدة وأكثر من 80 دفترًا تعليميًا، يسهّل OpenVINO الانتقال من التجريب إلى النشر من دون إضافة تعقيد كبير.

• تشغيل النموذج نفسه عبر عتاد مختلف: يتيح لك OpenVINO استخدام نموذج مُصدَّر واحد عبر عتاد Intel المدعوم، ونشره على وحدات CPU أو GPU أو NPU من دون الحاجة إلى إعادة كتابته أو تكييفه لكل جهاز.

• تحسين مدمج أثناء التصدير: يحوّل التصدير إلى OpenVINO النماذج من أطر عمل شائعة مثل PyTorch وTensorFlow إلى تنسيق محسّن وجاهز للاستدلال، ما يلغي الحاجة إلى خطوات تحويل منفصلة.

• استخدام أفضل لموارد العتاد: يدعم OpenVINO الاستدلال غير المتزامن وموازنة الحمل عبر عتاد Intel، ما يساعد في تحسين الكفاءة في التطبيقات الواقعية.

تشغيل Ultralytics YOLO26 باستخدام ExecuTorch وواجهة OpenVINO الخلفية#

إذا كنت تنشر Ultralytics YOLO26 في بيئات إنتاج أكثر تطلبًا، فهناك خيار آخر متاح يجمع بين الكفاءة على الجهاز والضغط المتقدم للنماذج.

يدعم ExecuTorch، وهو إطار PyTorch للاستدلال على الجهاز، واجهة OpenVINO خلفية تتيح لك نشر Ultralytics YOLO26 على عتاد Intel عبر مسار مختلف للتصدير وبيئة التشغيل.

تعمل هذه المنظومة بحيث يتولى ExecuTorch تصدير النموذج وتنفيذه وقت التشغيل، بينما يعمل OpenVINO كطبقة تسريع للعتاد في الأسفل، ويتولى الحساب الفعلي عبر CPU أو GPU أو NPU من Intel. ويعمل الاثنان معًا لتجمع بين قابلية النقل والكفاءة على الجهاز التي يوفرها ExecuTorch والتحسينات الخاصة بالعتاد التي يوفرها OpenVINO.

لمعرفة المزيد عن آلية عمل ذلك وكيفية البدء باستخدام Ultralytics YOLO26 مع ExecuTorch وواجهة OpenVINO الخلفية، راجع مدونة Intel التي تتناول أحدث تحديثات ExecuTorch وOpenVINO.

أهم النقاط#

يؤدي تصدير نماذج YOLO26 من خلال تكامل Ultralytics وOpenVINO إلى تحسين الأداء عبر عتاد Intel من دون إضافة تعقيد إلى سير عملك. ويمكنك الانتقال من التدريب إلى النشر من دون إعادة بناء مسار العمل. وبوجه عام، يوفر ذلك طريقة مباشرة لتشغيل النماذج بكفاءة عبر وحدات CPU وGPU وNPU من Intel في التطبيقات الواقعية.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي للرؤية. واطّلع على خيارات الترخيص لدينا لبدء مشاريعك في مجال رؤية الحاسوب. هل تهتم بابتكارات مثل الذكاء الاصطناعي في التصنيع أو رؤية الحاسوب في قطاع السيارات؟ تفضل بزيارة صفحات حلولنا لاكتشاف المزيد.