استكشف كيفية نشر Ultralytics YOLO11 على Rockchip باستخدام مجموعة أدوات RKNN Toolkit للذكاء الاصطناعي الفعال على الحافة وتسريع الذكاء الاصطناعي واكتشاف الكائنات في الوقت الفعلي.
إحدى الكلمات الطنانة الحديثة في مجتمع الذكاء الاصطناعي هي الذكاء الاصطناعي المتطور، خاصة عندما يتعلق الأمر بالرؤية الحاسوبية. مع نمو التطبيقات التي تعتمد على الذكاء الاصطناعي، هناك حاجة أكبر لتشغيل النماذج بكفاءة على الأجهزة المدمجة ذات الطاقة المحدودة وموارد الحوسبة.
على سبيل المثال، تستخدم الطائرات بدون طيار الذكاء الاصطناعي المرئي للملاحة في الوقت الفعلي، detect الكاميرات الذكية الأجسام في الوقت الفعلي، وتقوم أنظمة الأتمتة الصناعية بمراقبة الجودة دون الاعتماد على الحوسبة السحابية. وتتطلب هذه التطبيقات معالجة سريعة وفعالة للذكاء الاصطناعي مباشرةً على الأجهزة المتطورة لضمان الأداء في الوقت الحقيقي وانخفاض زمن الاستجابة. ومع ذلك، ليس من السهل دائمًا تشغيل نماذج الذكاء الاصطناعي على الأجهزة المتطورة. غالباً ما تتطلب نماذج الذكاء الاصطناعي طاقة وذاكرة أكبر مما يمكن للعديد من الأجهزة المتطورة التعامل معها.
تساعد مجموعة أدوات RKNN Toolkit من Rockchip في حل هذه المشكلة من خلال تحسين نماذج التعلم العميق للأجهزة التي تعمل بنظام Rockchip. وهي تستخدم وحدات المعالجة العصبية المخصصة (NPUs) لتسريع عملية الاستدلال، مما يقلل من زمن الاستجابة واستهلاك الطاقة مقارنةً CPU أو GPU .
كان مجتمع Vision AI حريصًا على تشغيل Ultralytics YOLO11 على الأجهزة المستندة إلى Rockchip، وقد سمعناكم. لقد أضفنا دعمًا لتصدير YOLO11 إلى تنسيق نموذج RKNN. في هذه المقالة، سنستكشف في هذه المقالة كيفية عمل التصدير إلى RKNN ولماذا يعد نشر YOLO11 على الأجهزة التي تعمل بالرقاقة Rockchip مغيرًا لقواعد اللعبة.
Rockchip هي شركة تقوم بتصميم نظام على رقائق (SoCs) - وهي معالجات صغيرة ولكنها قوية تشغل العديد من الأجهزة المدمجة. تجمع هذه الرقائق بين CPU GPU ووحدة المعالجة العصبية (NPU) للتعامل مع كل شيء بدءاً من مهام الحوسبة العامة إلى تطبيقات الذكاء الاصطناعي المرئي التي تعتمد على اكتشاف الأجسام ومعالجة الصور.
تُستخدم Rockchip SoCs في مجموعة متنوعة من الأجهزة، بما في ذلك أجهزة الكمبيوتر أحادية اللوحة (SBCs) ولوحات التطوير وأنظمة الذكاء الاصطناعي الصناعية والكاميرات الذكية. تقوم العديد من الشركات المصنعة للأجهزة المعروفة، Radxa و ASUS و Pine64 و Orange Pi و Odroid و Khadas و Banana Pi، ببناء أجهزة مدعومة بواسطة Rockchip SoCs. تحظى هذه اللوحات بشعبية كبيرة في تطبيقات الذكاء الاصطناعي الطرفي (Edge AI) ورؤية الكمبيوتر لأنها توفر توازنًا بين الأداء وكفاءة الطاقة والقدرة على تحمل التكاليف.
لمساعدة نماذج الذكاء الاصطناعي على العمل بكفاءة على هذه الأجهزة، توفر Rockchip مجموعة أدوات RKNN (شبكة Rockchip العصبية). إنها تتيح للمطورين تحويل نماذج التعلم العميق وتحسينها لاستخدام وحدات المعالجة العصبية (NPUs) من Rockchip.
تم تحسين نماذج RKNN للاستدلال بزمن انتقال منخفض واستخدام فعال للطاقة. من خلال تحويل النماذج إلى RKNN، يمكن للمطورين تحقيق سرعات معالجة أسرع وتقليل استهلاك الطاقة وتحسين الكفاءة على الأجهزة التي تعمل بنظام Rockchip.
دعونا نلقي نظرة فاحصة على كيفية تحسين نماذج RKNN لأداء الذكاء الاصطناعي على الأجهزة التي تدعم Rockchip.
على عكس وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسوميات (GPUs)، التي تتعامل مع مجموعة واسعة من مهام الحوسبة، تم تصميم وحدات المعالجة العصبية (NPUs) من Rockchip خصيصًا للتعلم العميق. من خلال تحويل نماذج الذكاء الاصطناعي إلى تنسيق RKNN، يمكن للمطورين تشغيل الاستدلالات مباشرة على وحدة المعالجة العصبية. وهذا يجعل نماذج RKNN مفيدة بشكل خاص لـ مهام رؤية الكمبيوتر في الوقت الفعلي، حيث تكون المعالجة السريعة والفعالة ضرورية.
تعتبر وحدات المعالجة العصبية (NPUs) أسرع وأكثر كفاءة من وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات (GPUs) لمهام الذكاء الاصطناعي لأنها مصممة للتعامل مع حسابات الشبكة العصبية بالتوازي. في حين أن وحدات المعالجة المركزية تعالج المهام خطوة بخطوة وتوزع وحدات معالجة الرسومات أحمال العمل عبر نوى متعددة، فإن وحدات المعالجة العصبية مُحسَّنة لتنفيذ حسابات خاصة بالذكاء الاصطناعي بكفاءة أكبر.
نتيجة لذلك، تعمل نماذج RKNN بشكل أسرع وتستخدم طاقة أقل، مما يجعلها مثالية للأجهزة التي تعمل بالبطاريات والكاميرات الذكية والأتمتة الصناعية وتطبيقات الذكاء الاصطناعي المتطورة الأخرى التي تتطلب اتخاذ قرارات في الوقت الفعلي.
صُممت نماذجUltralytics YOLO (أنت تنظر مرة واحدة فقط) لمهام الرؤية الحاسوبية في الوقت الحقيقي مثل اكتشاف الأجسام وتجزئة النماذج وتصنيف الصور. وهي معروفة بسرعتها ودقتها وكفاءتها، وتُستخدم على نطاق واسع في صناعات مثل الزراعة والتصنيع والرعاية الصحية والأنظمة المستقلة.
وقد تحسنت هذه النماذج بشكل كبير بمرور الوقت. على سبيل المثال، Ultralytics YOLOv5 جعل اكتشاف الكائنات أسهل في الاستخدام مع PyTorch. ثم، Ultralytics YOLOv8 ميزات جديدة مثل تقدير الوضعية وتصنيف الصور. والآن، يأخذ YOLO11 الأمور إلى أبعد من ذلك من خلال زيادة الدقة مع استخدام موارد أقل. في الواقع، يحقق YOLO11m أداءً أفضل على مجموعة بيانات COCO مع استخدام معلمات أقل بنسبة 22% من YOLOv8m مما يجعله أكثر دقة وفعالية.
تدعم نماذج Ultralytics YOLO أيضًا التصدير إلى تنسيقات متعددة، مما يسمح بالنشر المرن عبر منصات مختلفة. تتضمن هذه التنسيقات ONNX TensorRT CoreML OpenVINO مما يمنح المطورين حرية تحسين الأداء بناءً على الأجهزة المستهدفة.
مع الدعم الإضافي لتصدير YOLO11 إلى تنسيق نموذج RKNN، يمكن لـ YOLO11 الآن الاستفادة من وحدات المعالجة العصبية من Rockchip. يحقق أصغر نموذج، YOLO11n بصيغة RKNN، وقت استدلال مذهل يبلغ 99.5 مللي ثانية لكل صورة، مما يتيح المعالجة في الوقت الفعلي حتى على الأجهزة المدمجة.
حاليًا، يمكن تصدير نماذج اكتشاف الأجسام YOLO11 إلى تنسيق RKNN. ترقبوا أيضًا - نحن نعمل على إضافة دعم لمهام الرؤية الحاسوبية الأخرى وتكميم INT8 في التحديثات المستقبلية.
يعد تصدير YOLO11 إلى تنسيق RKNN عملية مباشرة. يمكنك تحميل نموذج YOLO11 المدرّب حسب الطلب، وتحديد منصة Rockchip المستهدفة، وتحويله إلى تنسيق RKNN ببضعة أسطر من التعليمات البرمجية. إن تنسيق RKNN متوافق مع العديد من رقائق Rockchip SoCs، بما في ذلك RK3588 وRK3566 وRK3576، مما يضمن دعمًا واسعًا للأجهزة.
بمجرد تصديره، يمكن نشر نموذج RKNN على الأجهزة القائمة على Rockchip. لنشر النموذج، ما عليك سوى تحميل ملف RKNN الذي تم تصديره على جهاز Rockchip وتشغيل الاستدلال - وهي عملية استخدام نموذج الذكاء الاصطناعي المدرّب لتحليل الصور أو الفيديو الجديد detect الأجسام في الوقت الفعلي. من خلال بضعة أسطر من التعليمات البرمجية، يمكنك البدء في تحديد الكائنات من الصور أو تدفقات الفيديو.
للحصول على فكرة أفضل عن المجالات التي يمكن فيها نشر YOLO11 على الأجهزة التي تدعم رقاقة Rockchip في العالم الحقيقي، دعونا نستعرض بعض تطبيقات الذكاء الاصطناعي المتطورة الرئيسية.
تُستخدم معالجات Rockchip على نطاق واسع في الأجهزة اللوحية ولوحات التطوير وأنظمة الذكاء الاصطناعي الصناعية Android. من خلال دعم Android وLinux Python يمكنك بسهولة إنشاء ونشر حلول Vision المعتمدة على الذكاء الاصطناعي لمجموعة متنوعة من الصناعات.
من التطبيقات الشائعة التي تتضمن تشغيل YOLO11 على الأجهزة التي تعمل بنظام Rockchip الأجهزة اللوحية المتينة. وهي عبارة عن أجهزة لوحية متينة وعالية الأداء مصممة للبيئات الصعبة مثل المستودعات ومواقع البناء والبيئات الصناعية. يمكن لهذه الأجهزة اللوحية الاستفادة من اكتشاف الأجسام لتحسين الكفاءة والسلامة.
على سبيل المثال، في مجال لوجستيات المستودعات، يمكن للعمال استخدام جهاز لوحي يعمل بنظام Rockchip مع YOLO11 لمسح المخزون detect تلقائياً، مما يقلل من الأخطاء البشرية ويسرّع أوقات المعالجة. وبالمثل، في مواقع البناء، يمكن استخدام هذه الأجهزة اللوحية detect ما إذا كان العمال يرتدون معدات السلامة المطلوبة، مثل الخوذات والسترات الواقية من الرصاص، مما يساعد الشركات على تطبيق اللوائح ومنع الحوادث.
فيما يتعلق بالتصنيع والأتمتة، يمكن أن تلعب اللوحات الصناعية التي تعمل بمعالج Rockchip دورًا كبيرًا في مراقبة الجودة ومراقبة العمليات. اللوحة الصناعية هي وحدة حوسبة مدمجة وعالية الأداء مصممة للأنظمة المدمجة في البيئات الصناعية. تشتمل هذه اللوحات عادةً على معالجات وذاكرة وواجهات إدخال/إخراج وخيارات اتصال يمكن دمجها مع المستشعرات والكاميرات والآلات المؤتمتة.
إن تشغيل نماذج YOLO11 على هذه اللوحات يجعل من الممكن تحليل خطوط الإنتاج في الوقت الفعلي، واكتشاف المشكلات على الفور وتحسين الكفاءة. على سبيل المثال، في مجال تصنيع السيارات، يمكن لنظام الذكاء الاصطناعي الذي يستخدم أجهزة Rockchip و YOLO11 detect الخدوش أو الأجزاء غير المتناسقة أو عيوب الطلاء أثناء تحرك السيارات على خط التجميع. من خلال تحديد هذه العيوب في الوقت الفعلي، يمكن للمصنعين تقليل الهدر وخفض تكاليف الإنتاج وضمان معايير جودة أعلى قبل وصول السيارات إلى العملاء.
توفر الأجهزة القائمة على Rockchip توازنًا جيدًا بين الأداء والتكلفة والكفاءة، مما يجعلها خيارًا رائعًا لنشر YOLO11 في تطبيقات الذكاء الاصطناعي المتطورة.
فيما يلي بعض مزايا تشغيل YOLO11 على الأجهزة القائمة على Rockchip:
يمكن تشغيل Ultralytics YOLO11 بكفاءة على الأجهزة القائمة على Rockchip من خلال الاستفادة من تسريع الأجهزة وتنسيق RKNN. يقلل هذا من وقت الاستدلال ويحسن الأداء، مما يجعله مثاليًا لمهام الرؤية الحاسوبية في الوقت الفعلي وتطبيقات الذكاء الاصطناعي المتطورة.
توفر مجموعة أدوات RKNN أدوات التحسين الرئيسية مثل التكميم والضبط الدقيق، مما يضمن أداء نماذج YOLO11 بشكل جيد على منصات Rockchip. سيكون تحسين النماذج من أجل المعالجة الفعالة على الجهاز أمرًا ضروريًا مع تزايد اعتماد الذكاء الاصطناعي المتطور. باستخدام الأدوات والأجهزة المناسبة، يمكن للمطورين فتح إمكانيات جديدة لحلول الرؤية الحاسوبية في مختلف الصناعات.
انضموا إلى مجتمعنا واستكشفوا مستودع GitHub الخاص بنا لمعرفة المزيد حول الذكاء الاصطناعي. تعرفوا على كيف تقود رؤية الحاسوب في الزراعة والذكاء الاصطناعي في الرعاية الصحية الابتكار من خلال زيارة صفحات الحلول الخاصة بنا. أيضاً، تحققوا من خيارات الترخيص الخاصة بنا لبدء بناء حلول رؤية الذكاء الاصطناعي الخاصة بكم اليوم!
.webp)