Yolo فيجن شنتشن
شنتشن
انضم الآن

نشر نماذج Ultralytics YOLOv8 الكمية على الأجهزة المتطورة باستخدام DeGirum

نوفولا لادي

قراءة لمدة 3 دقائق

27 مارس، 2024

اكتشف نشر نماذج YOLOv8 الكمية مع DeGirum. تعرّف على التحديات والحلول وتقنيات النشر لأجهزة الحافة. شكّل المستقبل معنا!

مرحبًا بكم في ملخص محاضرة أخرى ثاقبة من فعالية YOLO VISION 2023 (YV23)، التي عُقدت في حرم Google للشركات الناشئة النابض بالحياة في مدريد. ألقى هذه المحاضرة شاشي شيلاباغار، كبير المهندسين المعماريين والمؤسس المشارك في شركة DeGirum. وتناولت المحاضرة عالم التكميم الرائع ونشر النماذج الكمية، واستكشاف التحديات الرئيسية والحلول والإمكانيات المستقبلية.

مقدمة في التكميم ونشر النماذج الكمية

قدم شاشي نظرة عامة شاملة عن التكميم، مسلطًا الضوء على أهميته في تحسين Ultralytics نماذج YOLO للنشر على الأجهزة المتطورة. من مناقشة الأساسيات إلى استكشاف أساليب تحسين التكميم، اكتسب الحاضرون رؤى قيمة حول تعقيدات نقل النماذج ونشرها.

التحديات في التحديد الكمي لنماذج YOLO

غالبًا ما يطرح التحويل الكمي تحديات، خاصةً مع نماذج YOLO في TFLite. تعرّف جمهورنا على الانخفاض الكبير في الدقة الذي لوحظ عند تكميم جميع المخرجات بنفس المقياس/النقطة الصفرية، مما يسلط الضوء على تعقيدات الحفاظ على دقة النموذج أثناء عملية التكميم.

تحسين التحديد الكمي لنماذج YOLO

لحسن الحظ، توجد حلول لمواجهة هذه التحديات. يقدم إدخال تفرع DigiRAM نهجًا مناسبًا للقياس الكمي من خلال فصل المخرجات وتحسين فك ترميز المربع المحيط. مع هذه التحسينات، تشهد دقة النموذج الكمي تحسنًا كبيرًا عن المستويات الأساسية.

المزيد من معمارية النماذج سهلة التكميم

يعد استكشاف بنى النماذج الجديدة أمرًا أساسيًا لتقليل فقدان التكميم. اكتشف الحاضرون كيف أن استبدال CILU بتنشيط Relu6 المقيد يؤدي إلى الحد الأدنى من فقدان التكميم، مما يوفر نتائج واعدة للحفاظ على الدقة في النماذج الكمية.

نشر النماذج الكمية

لم يكن نشر النماذج المكمَّمة أسهل من أي وقت مضى، حيث لا يلزم سوى خمسة أسطر من التعليمات البرمجية لتشغيل أي نموذج على منصة Digitim السحابية. أظهر العرض التوضيحي المباشر للرمز بساطة اكتشاف الأجسام باستخدام Ultralytics YOLOv5 مسلطًا الضوء على التكامل السلس للنماذج الكمية في تطبيقات العالم الحقيقي. 

لهذا الغرض، يوفر Ultralytics مجموعة متنوعة من خيارات نشر النماذج، مما يتيح للمستخدمين النهائيين نشر تطبيقاتهم بفعالية على الأجهزة المدمجة والأجهزة المتطورة. تتضمن تنسيقات التصدير المختلفة ما يلي OpenVINO, TorchScript, TensorRT, CoreMLو TFlite، و TFlite EDGE TPU مما يوفر تنوعًا وتوافقًا. 

يتيح هذا التكامل مع تطبيقات الطرف الثالث للنشر للمستخدمين تقييم أداء نماذجنا في سيناريوهات العالم الحقيقي.

استخدام نماذج مختلفة على أجهزة مختلفة

كما اكتسب الحاضرون رؤى حول تنوع نشر نماذج مختلفة على منصات أجهزة متنوعة، مما يوضح كيف يمكن لقاعدة بيانات واحدة دعم نماذج متعددة عبر مسرّعات مختلفة. أوضحت أمثلة لتشغيل مهام كشف مختلفة على منصات أجهزة متنوعة مرونة وقابلية التوسع في نهجنا.

المصادر والوثائق

لتمكين الحضور بشكل أكبر، قدمنا قسمًا شاملاً للموارد، يوفر الوصول إلى منصتنا السحابية، والأمثلة، والوثائق، والمزيد. هدفنا هو ضمان حصول الجميع على الأدوات والدعم الذي يحتاجونه للنجاح في نشر النماذج الكمية بفعالية.

ملخص

مع تطور مجال التكميم، من الضروري البقاء على اطلاع ومشاركة. نحن ملتزمون بتقديم الدعم والموارد المستمرة لمساعدتك على التنقل في هذه الرحلة المثيرة. تحقق من الحديث الكامل هنا

انضم إلينا ونحن نواصل استكشاف أحدث الاتجاهات والابتكارات في تعلم الآلة والذكاء الاصطناعي. معًا، نشكل مستقبل التكنولوجيا وندفع التغيير الإيجابي في العالم.

لنبنِ مستقبل
الذكاء الاصطناعي معًا!

ابدأ رحلتك مع مستقبل تعلم الآلة

ابدأ مجانًا