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

على مدار السنوات القليلة الماضية، تحولت الذكاء الاصطناعي والرؤية الحاسوبية من كونها تجريبية إلى جزء أساسي من العمليات التجارية اليومية. في الواقع، تشير الاستطلاعات إلى أن حوالي 88% من المؤسسات تستخدم بالفعل الذكاء الاصطناعي في جانب واحد على الأقل من أعمالها.

ومع ذلك، فإن تحويل هذا التبني إلى قيمة حقيقية، سواء في أنظمة الإنتاج أو المشاريع الشخصية، غالباً ما يعتمد على مدى جودة تشغيل النماذج فعلياً بمجرد نشرها. في العديد من سيناريوهات العالم الحقيقي، يتم نشر نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 على أجهزة الحافة ومجموعة من الأجهزة، غالباً وحدات المعالجة المركزية، أو وحدات الرسوميات المدمجة، أو وحدات المعالجة العصبية، بدلاً من وحدات الرسوميات المتطورة.

هنا يبدأ التباين في الأداء، وتصبح عملية التحسين أمراً بالغ الأهمية. فالنموذج الذي يعمل بشكل جيد في بيئة معينة قد يواجه صعوبات في بيئة أخرى إذا لم يتم تحسينه بشكل صحيح ليتناسب مع العتاد الأساسي.

لتبسيط ذلك، تدعم حزمة Python من Ultralytics تصدير نماذج YOLO26 إلى تنسيقات محسنة مثل OpenVINO، بحيث يمكن تشغيلها بسلاسة عبر أجهزة Intel دون الحاجة إلى تغييرات في سير عملك.

على سبيل المثال، عندما يتم تصدير نموذج Ultralytics YOLO26 إلى تنسيق OpenVINO، يمكنه العمل بشكل أكثر كفاءة على معالجات Intel Core Ultra Series 3، مع تحسن سرعات الاستدلال عبر وحدة معالجة الرسومات (GPU) بما يصل إلى ثلاثة أضعاف.

في هذه المقالة، سنستكشف كيف يجعل تكامل Ultralytics المحدث مع OpenVINO من الأسهل نشر نماذج YOLO26 عبر أجهزة Intel Core Ultra Series 3. لنبدأ!

نظرة عامة على تكامل Ultralytics مع OpenVINO#

توفر حزمة Python من Ultralytics واجهة واحدة للتدريب، وتشغيل الاستدلال، ونشر نماذج Ultralytics YOLO مثل YOLO26. وهي تدعم مجموعة من عمليات التكامل التي تساعد في أجزاء مختلفة من سير عمل رؤية الذكاء الاصطناعي، من التدريب والتجريب إلى النشر والتحسين.

تعد إحدى عمليات التكامل التي تركز على الن نشر هي مع مجموعة أدوات OpenVINO، والتي تتيح لك تصدير نماذج Ultralytics YOLO26 إلى تنسيق محسّن لـ Intel hardware. تحول هذه العملية نماذج YOLO إلى تنسيق يعمل بشكل أكثر كفاءة على وحدات المعالجة المركزية (CPUs)، ووحدات معالجة الرسوميات (GPUs)، ووحدات معالجة العصبي (NPUs) من Intel، بما في ذلك الأنظمة المدعومة بمعالجات Intel® Core™ Ultra™ series.

هذا يجعل تشغيل النماذج عبر أجهزة Intel المختلفة أكثر بساطة دون الحاجة إلى ضبطها يدوياً لكل إعداد. سواء كنت تعمل على جهاز محلي، أو جهاز حافة، أو في بيئة نشر أكبر، يمكن إعادة استخدام النموذج المصدّر نفسه.

ما يجعل هذا التكامل عملياً بشكل خاص هو مدى سلاسة اندماجه في سير عمل Ultralytics الحالي. يمكنك تصدير نموذج باستخدام نفس الواجهة التي تستخدمها للتدريب والاستدلال، دون الحاجة إلى أدوات إضافية أو إعدادات معقدة.

بمجرد التصدير، يمكن استخدام النموذج للاستدلال إما من خلال حزمة Ultralytics Python أو عبر OpenVINO Runtime، اعتماداً على مقدار التحكم والمرونة التي تحتاجها.

نظرة فاحصة على OpenVINO وعتاد Intel Panther Lake لاستدلال الذكاء الاصطناعي#

قبل أن نرى مدى كفاءة تشغيل نموذج Ultralytics YOLO26 المُصدَّر على عتاد Intel، دعنا نأخذ خطوة للوراء ونفهم كيف تعمل OpenVINO وعتاد Intel معًا لتحقيق استدلال فعال.

OpenVINO هي مجموعة أدوات مفتوحة المصدر مصممة لتحسين وتشغيل استدلال الذكاء الاصطناعي عبر عتاد Intel، بما في ذلك وحدات المعالجة المركزية، ووحدات معالجة الرسومات المدمجة، ووحدات المعالجة العصبية. وهي توفر بيئة تشغيل موحدة، بحيث يمكن تشغيل النموذج نفسه عبر وحدات الحوسبة المختلفة هذه دون الحاجة إلى إعادة كتابته.

الشكل 1. يسهل OpenVINO نشر النماذج على أهداف الأجهزة المتعددة. (المصدر)

على معالجات Intel® Core™ Ultra™ Series 3 الجديدة (التي تحمل الاسم الرمزي Panther Lake)، تعمل أعباء عمل الذكاء الاصطناعي عبر وحدات حوسبة متعددة داخل المعالج نفسه. تجمع كل شريحة بين أنوية CPU للمهام العامة، وGPU مدمج للمعالجة المتوازية، وNPU مخصص مصمم خصيصاً لاستدلال الذكاء الاصطناعي.

يوفر OpenVINO واجهة برمجة تطبيقات (API) موحدة تتيح لك استهداف أي من وحدات الحوسبة هذه، سواء كانت CPU أو GPU أو NPU، دون تغيير الكود الخاص بك. يمكنك ببساطة تحديد الجهاز الذي تريد تشغيل الاستدلال عليه في وقت التشغيل، مما يجعل من السهل التبديل بين الثلاثة اعتماداً على احتياجات الأداء والكفاءة.

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

بينما تستكشف تكامل Ultralytics مع OpenVINO، قد تتساءل: ما نوع مكاسب أداء النموذج التي يمكنك توقعها من تصدير YOLO26 إلى صيغة OpenVINO؟

يصبح الفرق في سرعة الاستدلال واضحاً عند قياس أداء نماذج YOLO26 عبر صيغ ومستويات دقة مختلفة. على سبيل المثال، عند تشغيل إصدار النانو من YOLO26 (YOLO26n) على معالج Intel Core Ultra X7 358H، وهو معالج من نوع Panther Lake، ينخفض وقت الاستدلال من 25.18 مللي ثانية لكل صورة في PyTorch بدقة FP32 إلى 2.64 مللي ثانية مع OpenVINO بنفس الدقة باستخدام وحدة NPU المدمجة.

هذا أسرع من خط أساس PyTorch FP32 الأصلي، مما قد يحدث فرقاً ملحوظاً في تطبيقات الوقت الفعلي وتطبيقات الحافة حيث يكون زمن الانتقال أمراً بالغ الأهمية. تصبح هذه المكاسب أكثر وضوحاً عند تشغيل النموذج نفسه على وحدة معالجة الرسومات Intel Arc المدمجة.

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

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

استكشاف طريقتين لتصدير Ultralytics YOLO26 إلى صيغة OpenVINO#

هناك طريقتان رئيسيتان لتصدير نماذج YOLO26 إلى تنسيق OpenVINO. يمكنك إما استخدام حزمة Python من Ultralytics أو التصدير مباشرة عبر منصة Ultralytics، وهي مساحة عمل متكاملة لبناء وإدارة سير عمل الرؤية الحاسوبية في مكان واحد. بعد ذلك، سنستعرض كلا النهجين.

استخدام حزمة Ultralytics Python لتصدير YOLO26#

توفر حزمة Ultralytics Python طريقة مباشرة لتصدير نماذج YOLO26 إلى صيغة OpenVINO ضمن سير عمل يعتمد على الكود. ونظراً لاستخدام نفس الواجهة للتدريب والاستدلال، فإن تصدير النموذج يندمج بشكل طبيعي في خطوط العمل الحالية دون الحاجة إلى أدوات إضافية.

للبدء، يمكنك تثبيت حزمة Ultralytics. يمكن القيام بذلك عن طريق تشغيل الأمر “pip install ultralytics” في المحطة الطرفية (terminal) أو موجه الأوامر. إذا كنت تعمل في بيئة تفاعلية مثل Jupyter Notebook أو Google Colab، يمكنك تشغيل نفس الأمر بوضع علامة تعجب قبله.

بمجرد التثبيت، يمكنك تحميل نموذج YOLO26 مدرّب وتصديره مباشرة إلى صيغة OpenVINO. كما هو موضح أدناه، يتم تحميل نموذج YOLO26n مدرب مسبقاً (yolo26n.pt) ثم تحويله إلى صيغة OpenVINO باستخدام أسلوب التصدير.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

model.export(format="openvino")

بعد تشغيل الكود، يتم حفظ النموذج المحوّل في دليل جديد، حيث يمكن استخدامه للنشر.

تصدير YOLO26 على Ultralytics Platform#

إذا كنت تبحث عن نهج أسهل وخالٍ من التعليمات البرمجية، يمكنك تصدير نماذج YOLO26 مباشرة عبر منصة Ultralytics. تجمع المنصة سير عمل الرؤية الحاسوبية بالكامل في مساحة عمل واحدة، مما يسهل الانتقال من التدريب إلى النشر دون إعداد إضافي.

بمجرد أن يصبح نموذجك جاهزاً، يمكنك فتحه داخل المنصة والانتقال إلى علامة التبويب Export. من هناك، يمكنك اختيار OpenVINO كصيغة تصدير وتعديل الإعدادات اختيارياً مثل حجم الصورة أو الدقة.

الشكل 4. نظرة على تصدير YOLO26 داخل Ultralytics Platform

تتولى المنصة عملية التحويل تلقائياً، لذا لا داعي لإدارة النصوص البرمجية أو التبعيات أو تكوين البيئة. بعد اكتمال التصدير، يمكن تنزيل النموذج المحسّن واستخدامه للنشر عبر وحدات المعالجة المركزية (CPU)، ووحدات معالجة الرسومات (GPU)، ووحدات المعالجة العصبية (NPU) من Intel.

خيارات النشر التي يتيحها تكامل Ultralytics مع OpenVINO#

بمجرد تصدير نموذج YOLO26 إلى صيغة OpenVINO، هناك طريقتان لتشغيل الاستدلال اعتماداً على سير عملك ومستوى التحكم المطلوب. يمكنك إما استخدام حزمة Ultralytics Python لنهج أبسط ومتكامل، أو استخدام OpenVINO runtime الأصلي لمزيد من المرونة والتحكم.

تشغيل الاستدلال باستخدام حزمة Ultralytics Python#

بمجرد تصدير نموذجك إلى صيغة OpenVINO، يمكنك تشغيل الاستدلال باستخدام حزمة Ultralytics Python. هذا النهج مثالي للاختبار السريع والنشر المبسط، لأنه يستخدم نفس واجهة التدريب والتصدير.

باستخدام هذا النهج، يمكنك تحميل نموذج OpenVINO المصدّر من دليله وتشغيل الاستدلال على مدخل مثل صورة أو فيديو. يمكنك أيضاً اختيار الجهاز المراد التشغيل عليه عن طريق تحديد خيارات مثل "intel:cpu" أو "intel:gpu" أو "intel:npu"، اعتماداً على العتاد المتاح على نظامك.

يوضح مقتطف الكود أدناه كيفية تحميل النموذج المصدّر وتشغيل الاستدلال على صورة أثناء استهداف وحدة معالجة الرسومات (GPU). بعد اكتمال الاستدلال، يتم حفظ 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 بحاجة إلى مزيد من التحكم في كيفية تشغيل نموذجك في بيئة الإنتاج، يمكنك استخدام OpenVINO runtime الأصلي للاستدلال. هذه الطريقة مفيدة عند دمج النماذج في تطبيقات أكبر أو عندما ترغب في ضبط كيفية تنفيذ الاستدلال على عتاد معين.

يوفر OpenVINO طريقة موحدة لتشغيل النماذج عبر وحدات المعالجة المركزية (CPU)، ووحدات معالجة الرسومات (GPU)، ووحدات المعالجة العصبية (NPU) من Intel، إلى جانب ميزات مثل التنفيذ غير المتزامن والاستخدام الفعال لموارد الحوسبة المتاحة. لإعداد هذا، يمكنك العمل مباشرة مع ملفات النموذج المصدّرة، بما في ذلك ملف .xml الذي يحدد بنية النموذج وملف .bin الذي يحتوي على الأوزان المدربة.

اعتماداً على حالة الاستخدام الخاصة بك، يمكنك أيضاً ضبط إعدادات مثل حجم المدخلات أو خطوات المعالجة المسبقة. يتضمن إعداد الاستدلال تهيئة OpenVINO runtime، وتحميل النموذج وتجميعه لجهاز هدف، وإعداد بيانات الإدخال، ثم تشغيل الاستدلال.

الشكل 5. مثال على خط أنابيب استدلال نموذجي مع OpenVINO (المصدر)

يتيح لك ذلك التحكم في كيفية تنفيذ النموذج وكيفية اندماجه في عملية النشر الإجمالية الخاصة بك. لمعرفة المزيد حول إعداد وتشغيل الاستدلال باستخدام وقت تشغيل OpenVINO، يمكنك استكشاف وثائق Ultralytics الرسمية.

التطبيقات الواقعية لـ Ultralytics YOLO26 على عتاد Intel#

تظهر القيمة الحقيقية لتكامل Ultralytics مع OpenVINO في الإنتاج، حيث يمكن أن يحدث الاستدلال الموثوق ومنخفض زمن الانتقال فرقاً ملموساً. إليك نظرة على بعض الصناعات الرئيسية التي يحقق فيها هذا التكامل نتائج هادفة:

• التصنيع: من خلال تصدير Ultralytics YOLO26 إلى OpenVINO، يمكن أن ترصد أنظمة خطوط الإنتاج تلقائيًا العيوب البصرية مثل المكونات المفقودة، أو عدم المحاذاة، أو التلف السطحي على عتاد Intel، مما يساعد في تحسين جودة المنتج وتقليل الأخطاء المكلفة.

• Healthcare: يمكن لصور الأجهزة الطبية وأنظمة مراقبة المرضى تشغيل نماذج Ultralytics YOLO26 المُصدَّرة محليًا على عتاد Intel، مما يدعم متطلبات خصوصية البيانات الصارمة مع الحفاظ على أداء استدلال موثوق.

• Smart cities: يمكن نشر مراقبة حركة المرور وتحليل الحشود باستخدام نماذج Ultralytics YOLO26 المُصدَّرة على كاميرات الحافة المدعومة من Intel، مما يتيح رؤى في الوقت الفعلي مثل عد المركبات، وتتبع المشاة، واكتشاف الحوادث.

• السيارات: يعد زمن الاستجابة المنخفض وكفاءة الطاقة أمران بالغان الأهمية في مراقبة السائق واستشعار ما داخل المقصورة، مما يجعل عتاد Intel المقترن بنماذج Ultralytics YOLO26 المُصدَّرة خيارًا قويًا لأنظمة السيارات المدمجة.

إذا كنت تريد معرفة المزيد حول هذا التكامل، فانضم إلينا في سلسلة ورش عمل Intel OpenVINO DevCon workshop series بعنوان "From Annotation to Deployment: Building an Object Detection Pipeline with Geti, Ultralytics YOLO26, and OpenVINO™"، حيث سينضم مدير الشراكات والنظام البيئي لدينا، Francesco Mattioli، إلى مبشر برمجيات الذكاء الاصطناعي في Intel، Adrian Boguszewski، لعرض مباشر وجولة تفصيلية حول كيفية بناء خطوط أنابيب رؤية حاسوبية جاهزة للإنتاج للسيناريوهات الصناعية الواقعية. ستتميز ورشة العمل بسير عمل كامل لاكتشاف الكائنات من النهاية إلى النهاية، بدءًا من إنشاء مجموعة البيانات التدريب على النموذج وحتى التحسين ونشر الحافة.

فوائد استخدام صيغة التصدير OpenVINO#

فيما يلي بعض المزايا الرئيسية لاستخدام صيغة التصدير OpenVINO:

• سهولة الوصول والتكامل: مع واجهة برمجة تطبيقات موحدة وأكثر من 80 دفتراً تعليمياً (notebooks)، يجعل OpenVINO الانتقال من التجريب إلى النشر أسهل دون إضافة تعقيد كبير.

• تشغيل النموذج نفسه عبر عتاد مختلف: يتيح لك OpenVINO استخدام نموذج مصدّر واحد عبر عتاد Intel المدعوم، ونشره على وحدات المعالجة المركزية (CPU)، أو وحدات معالجة الرسومات (GPU)، أو وحدات المعالجة العصبية (NPU) دون الحاجة إلى إعادة كتابته أو تكييفه لكل جهاز.

• تحسين مدمج أثناء التصدير: يؤدي التصدير إلى OpenVINO إلى تحويل النماذج من أطر عمل شائعة مثل PyTorch وTensorFlow إلى صيغة محسّنة جاهزة للاستدلال، مما يلغي الحاجة إلى خطوات تحويل منفصلة.

• استخدام أفضل لموارد العتاد: يدعم OpenVINO الاستدلال غير المتزامن وموازنة الأحمال عبر عتاد Intel، مما يساعد في تحسين الكفاءة في تطبيقات العالم الحقيقي.

تشغيل Ultralytics YOLO26 باستخدام ExecuTorch وخلفية OpenVINO#

إذا كنت تقوم بنشر Ultralytics YOLO26 في بيئات إنتاج أكثر تطلبًا، فهناك خيار آخر متاح يجمع بين كفاءة الجهاز والضغط المتقدم للنموذج.

ExecuTorch، إطار عمل الاستدلال على الجهاز من PyTorch، يدعم خلفية OpenVINO التي تتيح لك نشر Ultralytics YOLO26 على عتاد Intel عبر مسار تصدير وتشغيل مختلف.

طريقة عمله هي أن ExecuTorch يتعامل مع تصدير النموذج وتنفيذ وقت التشغيل، بينما يعمل OpenVINO كطبقة تسريع العتاد في الأسفل، ويتولى الحساب الفعلي عبر Intel CPU أو GPU أو NPU. يعمل الاثنان معاً بحيث تحصل على إمكانية النقل والكفاءة على الجهاز لـ ExecuTorch جنباً إلى جنب مع التحسينات الخاصة بالعتاد التي يوفرها OpenVINO.

لمعرفة المزيد حول كيفية عمل هذا وكيفية البدء في استخدام Ultralytics YOLO26 على ExecuTorch وخلفية OpenVINO، راجع مدونة Intel التي تغطي أحدث تحديثات ExecuTorch and OpenVINO.

أبرز النقاط#

يعمل تصدير نماذج YOLO26 من خلال تكامل Ultralytics وOpenVINO على تحسين الأداء عبر عتاد Intel دون إضافة تعقيد إلى سير عملك. يمكنك الانتقال من التدريب إلى النشر دون إعادة صياغة خط العمل الخاص بك. وبشكل عام، يوفر هذا طريقة مباشرة لتشغيل النماذج بكفاءة عبر Intel CPUs وGPUs وNPUs في تطبيقات العالم الحقيقي.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد حول رؤية الذكاء الاصطناعي. تحقق من خيارات الترخيص الخاصة بنا لبدء مشاريع الرؤية الحاسوبية الخاصة بك. هل أنت مهتم بالابتكارات مثل الذكاء الاصطناعي في التصنيع أو الرؤية الحاسوبية في صناعة السيارات؟ تفضل بزيارة صفحات الحلول الخاصة بنا لاكتشاف المزيد.