نشر نماذج Ultralytics YOLOv8 المكمّمة على الأجهزة الطرفية باستخدام DeGirum
اكتشفوا كيفية نشر نماذج YOLOv8 المكمّمة باستخدام DeGirum. تعرّفوا على التحديات والحلول وتقنيات النشر على الأجهزة الطرفية. ساهموا معنا في رسم ملامح المستقبل!

مرحبًا بكم في ملخص حديث آخر ثري بالمعلومات من فعاليتنا YOLO VISION 2023 (YV23)، التي أُقيمت في حرم Google for Startups النابض بالحيوية في مدريد. قدّم هذا الحديث شاشي تشيلاباغار، كبير المهندسين المعماريين والشريك المؤسس في DeGirum. وتناول العالم المثير للتكميم ونشر النماذج المكمَّمة، مستعرضًا التحديات الرئيسية والحلول والإمكانات المستقبلية.
مقدمة عن التكميم ونشر النماذج المكمَّمة#
قدّم شاشي عرضًا شاملًا للتكميم، مسلطًا الضوء على أهميته في تحسين نماذج Ultralytics YOLO لنشرها على الأجهزة الطرفية. ومن خلال مناقشة الأساسيات واستكشاف أساليب تحسين التكميم، اكتسب الحضور رؤى قيّمة حول تعقيدات نقل النماذج ونشرها.
تحديات تكميم نماذج YOLO#
غالبًا ما يطرح التكميم تحديات، ولا سيما مع نماذج YOLO في TFLite. وتعرف الحضور على الانخفاض الكبير في الدقة الذي لوحظ عند تكميم جميع المخرجات باستخدام المقياس/نقطة الصفر نفسها، مما سلط الضوء على تعقيدات الحفاظ على دقة النموذج أثناء عملية التكميم.
تحسين تكميم نماذج YOLO#
لحسن الحظ، توجد حلول لمعالجة هذه التحديات. ويوفر إصدار DeGirum المتفرع نهجًا ملائمًا للتكميم من خلال فصل المخرجات وتحسين فك ترميز مربعات الإحاطة. ومع هذه التحسينات، تتحسن دقة النموذج المكمَّم تحسنًا ملحوظًا مقارنة بالمستوى الأساسي.
بنى نماذج أكثر ملاءمة للتكميم#
يُعد استكشاف بنى جديدة للنماذج أمرًا أساسيًا لتقليل خسارة التكميم. واكتشف الحضور كيف يؤدي استبدال SiLU بتنشيط ReLU6 محدود النطاق إلى تقليل خسارة التكميم، محققًا نتائج واعدة للحفاظ على الدقة في النماذج المكمَّمة.
نشر النماذج المكمَّمة#
لم يسبق أن كان نشر النماذج المكمَّمة بهذه السهولة؛ إذ لا يتطلب تشغيل أي نموذج على منصة DeGirum السحابية سوى خمسة أسطر من التعليمات البرمجية. وأظهر عرض مباشر للشفرة سهولة اكتشاف الأجسام باستخدام نموذج Ultralytics YOLOv5 مكمَّم، مسلطًا الضوء على سلاسة دمج النماذج المكمَّمة في التطبيقات الواقعية.
ولتحقيق ذلك، توفر Ultralytics مجموعة متنوعة من خيارات نشر النماذج، مما يمكّن المستخدمين النهائيين من نشر تطبيقاتهم بفاعلية على الأجهزة المضمنة والطرفية. وتشمل تنسيقات التصدير المختلفة OpenVINO وTorchScript وTensorRT وCoreML وTFLite وTFLite Edge TPU، مما يوفر تعددًا في الاستخدامات وتوافقًا واسعًا.
يتيح هذا التكامل مع تطبيقات الجهات الخارجية لأغراض النشر للمستخدمين تقييم أداء نماذجنا في سيناريوهات العالم الحقيقي.
استخدام نماذج مختلفة على عتاد مختلف#
اكتسب الحضور أيضًا رؤى حول مرونة نشر نماذج مختلفة على منصات عتاد متنوعة، وتعرفوا على كيفية دعم قاعدة شيفرة واحدة لعدة نماذج عبر مسرّعات مختلفة. وأظهرت أمثلة تشغيل مهام كشف مختلفة على منصات عتاد متنوعة مرونة نهجنا وقابليته للتوسع.
الموارد والوثائق#
ولزيادة تمكين الحضور، أضفنا قسمًا شاملًا للموارد يوفّر إمكانية الوصول إلى منصتنا السحابية والأمثلة والوثائق وغير ذلك. هدفنا هو ضمان امتلاك الجميع الأدوات والدعم اللازمين للنجاح في نشر النماذج المكمَّمة بفاعلية.
في الختام#
مع تطور مجال التكميم، من الضروري مواكبة المستجدات والمشاركة فيه. ونحن ملتزمون بتقديم الدعم والموارد باستمرار لمساعدتكم على خوض هذه الرحلة المثيرة. اطلعوا على الحديث كاملًا: شاهدوا الحديث كاملًا!
انضموا إلينا بينما نواصل استكشاف أحدث الاتجاهات والابتكارات في التعلم الآلي والذكاء الاصطناعي. معًا، نصوغ مستقبل التكنولوجيا وندفع عجلة التغيير الإيجابي في العالم.










