نشر Ultralytics YOLO11 على Rockchip لتحقيق كفاءة الذكاء الاصطناعي المتطورة

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 Vision AI للملاحة في الوقت الفعلي، وتكتشف الكاميرات الذكية الكائنات على الفور، وتقوم أنظمة الأتمتة الصناعية بمراقبة الجودة دون الاعتماد على الحوسبة السحابية. تتطلب هذه التطبيقات معالجة سريعة وفعالة للذكاء الاصطناعي مباشرة على الأجهزة الطرفية لضمان الأداء في الوقت الفعلي وزمن انتقال منخفض. ومع ذلك، فإن تشغيل نماذج الذكاء الاصطناعي على الأجهزة الطرفية ليس بالأمر السهل دائمًا. غالبًا ما تتطلب نماذج الذكاء الاصطناعي طاقة وذاكرة أكبر مما يمكن أن تتعامل معه العديد من الأجهزة الطرفية.

تساعد أداة RKNN Toolkit من Rockchip في حل هذه المشكلة عن طريق تحسين نماذج التعلم العميق للأجهزة التي تعمل بالطاقة Rockchip. وهي تستخدم وحدات معالجة عصبية (NPUs) مخصصة لتسريع الاستدلال، مما يقلل من زمن الوصول واستهلاك الطاقة مقارنة بمعالجة وحدة المعالجة المركزية (CPU) أو وحدة معالجة الرسومات (GPU). 

لقد كان مجتمع رؤية الذكاء الاصطناعي حريصًا على تشغيل Ultralytics YOLO11 على الأجهزة التي تعتمد على Rockchip، وقد استمعنا إليكم. لقد أضفنا دعمًا لـ تصدير YOLO11 إلى تنسيق نموذج RKNN. في هذه المقالة، سوف نستكشف كيف يعمل التصدير إلى RKNN ولماذا يُعد نشر YOLO11 على الأجهزة التي تعمل بمعالج Rockchip بمثابة تغيير جذري.

ما هو Rockchip و RKNN Toolkit؟

تعد Rockchip شركة تقوم بتصميم أنظمة على شريحة (SoCs) - معالجات صغيرة ولكنها قوية تشغل العديد من الأجهزة المدمجة. تجمع هذه الشرائح بين وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسومات (GPU) ووحدة معالجة عصبية (NPU) للتعامل مع كل شيء بدءًا من مهام الحوسبة العامة وحتى تطبيقات Vision AI التي تعتمد على اكتشاف الكائنات 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.

نماذج RKNN مُحسَّنة

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.

نظرة عامة على نماذج Ultralytics YOLO

تم تصميم نماذج Ultralytics YOLO (أنت تنظر مرة واحدة فقط) لمهام الرؤية الحاسوبية في الوقت الفعلي مثل اكتشاف الكائنات وتجزئة المثيلات وتصنيف الصور. وهي معروفة بسرعتها ودقتها وكفاءتها، وتستخدم على نطاق واسع في مختلف الصناعات مثل الزراعة والتصنيع والرعاية الصحية والأنظمة المستقلة. 

لقد تحسنت هذه النماذج بشكل كبير بمرور الوقت. على سبيل المثال، سهّل YOLOv5 من Ultralytics استخدام الكشف عن الكائنات باستخدام PyTorch. بعد ذلك، أضاف YOLOv8 من Ultralytics ميزات جديدة مثل تقدير الوضع وتصنيف الصور. الآن، يتجاوز YOLO11 ذلك من خلال زيادة الدقة مع استخدام موارد أقل. في الواقع، يعمل YOLO11m بشكل أفضل على مجموعة بيانات COCO مع استخدام معلمات أقل بنسبة 22٪ من YOLOv8m، مما يجعله أكثر دقة وكفاءة.

‍

تدعم نماذج Ultralytics YOLO أيضًا التصدير إلى تنسيقات متعددة، مما يتيح نشرًا مرنًا عبر منصات مختلفة. تتضمن هذه التنسيقات ONNX و TensorRT و CoreML و 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 (NPUs) الخاصة بـ Rockchip. يحقق أصغر نموذج، YOLO11n بتنسيق RKNN، وقت استدلال مثير للإعجاب يبلغ 99.5 مللي ثانية لكل صورة، مما يتيح المعالجة في الوقت الفعلي حتى على الأجهزة المدمجة.

تصدير نموذج YOLO11 الخاص بك إلى تنسيق RKNN

حاليًا، يمكن تصدير نماذج الكشف عن الأجسام YOLO11 إلى تنسيق RKNN. أيضًا، ترقبوا التحديثات - نحن نعمل على إضافة دعم لمهام الرؤية الحاسوبية الأخرى وتحديد الكميات INT8 في التحديثات المستقبلية. 

يعد تصدير YOLO11 إلى تنسيق RKNN عملية مباشرة. يمكنك تحميل نموذج YOLO11 المدرب خصيصًا، وتحديد منصة Rockchip المستهدفة، وتحويله إلى تنسيق RKNN ببضعة أسطر من التعليمات البرمجية. يتوافق تنسيق RKNN مع مجموعة متنوعة من SoCs من Rockchip، بما في ذلك RK3588 و RK3566 و RK3576، مما يضمن دعمًا واسعًا للأجهزة.

‍

نشر YOLO11 على الأجهزة التي تعتمد على Rockchip

بمجرد تصديره، يمكن نشر نموذج RKNN على الأجهزة المستندة إلى Rockchip. لنشر النموذج، ما عليك سوى تحميل ملف RKNN الذي تم تصديره على جهاز Rockchip الخاص بك وتشغيل الاستدلال - عملية استخدام نموذج الذكاء الاصطناعي المدرب لتحليل الصور أو مقاطع الفيديو الجديدة واكتشاف الكائنات في الوقت الفعلي. باستخدام بضعة أسطر فقط من التعليمات البرمجية، يمكنك البدء في تحديد الكائنات من الصور أو تدفقات الفيديو.

‍

تطبيقات الذكاء الاصطناعي الطرفي لـ YOLO11 و Rockchip

للحصول على فكرة أفضل عن الأماكن التي يمكن فيها نشر YOLO11 على الأجهزة التي تدعم Rockchip في العالم الحقيقي، دعنا نتناول بعض تطبيقات الذكاء الاصطناعي الطرفية الرئيسية.

تستخدم معالجات Rockchip على نطاق واسع في الأجهزة اللوحية التي تعمل بنظام Android ولوحات التطوير وأنظمة الذكاء الاصطناعي الصناعية. مع دعم Android و Linux و Python، يمكنك بسهولة إنشاء ونشر حلول Vision AI لمجموعة متنوعة من الصناعات.

أجهزة لوحية متينة مدمجة مع YOLO11

أحد التطبيقات الشائعة التي تتضمن تشغيل YOLO11 على الأجهزة التي تعمل بنظام Rockchip هي الأجهزة اللوحية المتينة. إنها أجهزة لوحية متينة وعالية الأداء مصممة للبيئات الصعبة مثل المستودعات ومواقع البناء والإعدادات الصناعية. يمكن لهذه الأجهزة اللوحية الاستفادة من اكتشاف الكائنات لتحسين الكفاءة والسلامة.

على سبيل المثال، في الخدمات اللوجستية للمستودعات، يمكن للعمال استخدام جهاز لوحي يعمل بنظام Rockchip مع YOLO11 لمسح المخزون واكتشافه تلقائيًا، مما يقلل من الخطأ البشري ويسرع أوقات المعالجة. وبالمثل، في مواقع البناء، يمكن استخدام هذه الأجهزة اللوحية للكشف عما إذا كان العمال يرتدون معدات السلامة المطلوبة، مثل الخوذات والسترات، مما يساعد الشركات على تطبيق اللوائح ومنع الحوادث.

‍

الذكاء الاصطناعي الصناعي لمراقبة الجودة 

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، وتحديد المشكلات على الفور وتحسين الكفاءة. على سبيل المثال، في صناعة السيارات، يمكن لنظام الذكاء الاصطناعي الذي يستخدم أجهزة Rockchip و YOLO11 اكتشاف الخدوش أو الأجزاء غير المحاذاة أو عيوب الطلاء أثناء تحرك السيارات في خط التجميع. من خلال تحديد هذه العيوب في الوقت الفعلي، يمكن للمصنعين تقليل النفايات وخفض تكاليف الإنتاج وضمان معايير جودة أعلى قبل وصول المركبات إلى العملاء.

فوائد تشغيل YOLO11 على الأجهزة التي تعتمد على Rockchip

توفر الأجهزة المستندة إلى Rockchip توازنًا جيدًا بين الأداء والتكلفة والكفاءة، مما يجعلها خيارًا رائعًا لنشر YOLO11 في تطبيقات الذكاء الاصطناعي الطرفي.

إليك بعض مزايا تشغيل YOLO11 على الأجهزة المستندة إلى Rockchip:

• أداء الذكاء الاصطناعي المحسن: تتعامل الأجهزة التي تدعم Rockchip مع استدلال الذكاء الاصطناعي بكفاءة أكبر من اللوحات المستندة إلى وحدة المعالجة المركزية مثل Raspberry Pi، مما يوفر اكتشافًا أسرع للكائنات ووقت استجابة أقل.
  ‍
• حل فعال من حيث التكلفة: إذا كنت تجرب الذكاء الاصطناعي وتحتاج إلى خيار مناسب للميزانية ولا يزال يقدم أداءً قويًا، فإن Rockchip يعد خيارًا رائعًا. فهو يوفر طريقة ميسورة التكلفة لتشغيل YOLO11 دون المساومة على السرعة أو الكفاءة.
  ‍
• كفاءة الطاقة: يستهلك تشغيل نماذج الرؤية الحاسوبية على الأجهزة التي تعمل بمعالج Rockchip طاقة أقل من وحدات معالجة الرسومات (GPUs)، مما يجعلها مثالية للأجهزة التي تعمل بالبطاريات وتطبيقات الذكاء الاصطناعي المدمجة.

النقاط الرئيسية

يمكن لـ Ultralytics YOLO11 العمل بكفاءة على الأجهزة المستندة إلى Rockchip من خلال الاستفادة من تسريع الأجهزة وتنسيق RKNN. يقلل هذا من وقت الاستدلال ويحسن الأداء، مما يجعله مثاليًا لمهام رؤية الكمبيوتر في الوقت الفعلي وتطبيقات الذكاء الاصطناعي المتطورة.

توفر RKNN Toolkit أدوات التحسين الرئيسية مثل التكميم والضبط الدقيق، مما يضمن أداء نماذج YOLO11 بشكل جيد على منصات Rockchip. سيكون تحسين النماذج للمعالجة الفعالة على الجهاز أمرًا ضروريًا مع نمو اعتماد الذكاء الاصطناعي الطرفي. باستخدام الأدوات والأجهزة المناسبة، يمكن للمطورين إطلاق 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!