تصدير وتحسين Ultralytics YOLOv8 للاستدلال على Intel OpenVINO

في هذه التدوينة، سنلقي نظرة على كيفية تصدير وتحسين نموذج Ultralytics YOLOv8 المدرب مسبقًا أو المخصص الخاص بك لـ الاستدلال باستخدام OpenVINO. إذا كنت تستخدم نظامًا يعتمد على Intel، سواء كان CPU أو GPU، فسيُظهر لك هذا الدليل كيفية تسريع نموذجك بشكل كبير وبأقل جهد.

Link to this sectionلماذا نقوم بتحسين YOLOv8 باستخدام OpenVINO؟#

يمكن أن يوفر تحسين نموذج YOLOv8 الخاص بك باستخدام OpenVINO زيادة في السرعة تصل إلى 3 أضعاف في مهام الاستدلال، خاصة إذا كنت تشغل Intel CPU. يمكن أن يحدث هذا التعزيز في الأداء فرقًا كبيرًا في التطبيقات الفورية، بدءًا من اكتشاف الكائنات وصولاً إلى التجزئة وأنظمة الأمان.

Link to this sectionخطوات تصدير وتحسين نموذج YOLOv8 الخاص بك#

Link to this sectionفهم العملية#

أولاً، دعنا نفكك العملية. سنقوم بتحويل نموذج PyTorch إلى ONNX ثم تحسينه باستخدام OpenVINO. تتضمن هذه العملية بضع خطوات مباشرة ويمكن تطبيقها على نماذج وتنسيقات متنوعة بما في ذلك TensorFlow وPyTorch وCaffe وONNX.

Link to this sectionتصدير النموذج#

بالانتقال إلى وثائق Ultralytics، نجد أن تصدير نموذج YOLOv8 يتضمن استخدام طريقة export من إطار عمل Ultralytics. تسمح لنا هذه الطريقة بتحويل نموذجنا من PyTorch إلى ONNX، وأخيرًا، تحسينه لـ OpenVINO. النتيجة هي نموذج يعمل بشكل أسرع بكثير، مستفيدًا من أجهزة Intel القوية.

Link to this sectionتثبيت التبعيات#

قبل تشغيل نص التصدير، ستحتاج إلى التأكد من تثبيت جميع التبعيات اللازمة. وتشمل هذه مكتبة Ultralytics وONNX وOpenVINO. يعد تثبيت هذه الحزم عملية بسيطة يمكن إجراؤها عبر pip، وهو مثبت حزم Python.

Link to this sectionتشغيل نص التصدير#

بمجرد إعداد بيئتك، يمكنك تشغيل نص التصدير الخاص بك. سيقوم هذا النص بتحويل نموذج PyTorch الخاص بك إلى ONNX ثم إلى OpenVINO. العملية مباشرة وتتضمن استدعاء وظيفة واحدة للتعامل مع التصدير. يجعل إطار عمل Ultralytics من السهل تحويل وتحسين نماذجك، مما يضمن حصولك على أفضل أداء بأقل قدر من المتاعب.

الشكل 1. Nicolai Nielsen يوضح كيفية تشغيل نص التصدير.

Link to this sectionمقارنة الأداء#

بعد التصدير، من الضروري مقارنة أداء النماذج الأصلية والمحسنة. من خلال قياس وقت الاستدلال لكلا النموذجين، يمكنك رؤية مكاسب الأداء بوضوح. عادةً، سيُظهر نموذج OpenVINO انخفاضًا كبيرًا في وقت الاستدلال مقارنة بنموذج PyTorch الأصلي. هذا صحيح بشكل خاص للنماذج الأكبر حيث يكون تعزيز الأداء أكثر وضوحًا.

Link to this sectionالتطبيق العملي والفوائد#

يعد تحسين نماذج YOLOv8 باستخدام OpenVINO مفيدًا بشكل خاص للتطبيقات التي تتطلب معالجة فورية. إليك بضعة أمثلة:

• أنظمة الأمان: يمكن لاكتشاف الكائنات الفوري تنبيه أفراد الأمن على الفور، مما يعزز السلامة والاستجابة.
• المركبات الآلية: تعمل سرعات الاستدلال الأسرع على تحسين استجابة أنظمة القيادة الذاتية، مما يجعلها أكثر أمانًا وموثوقية.
• الرعاية الصحية: يمكن لمعالجة الصور السريعة لأدوات التشخيص أن تنقذ الأرواح من خلال تقديم نتائج أسرع، مما يسمح بالتدخلات في الوقت المناسب.

من خلال تنفيذ هذه التحسينات، لا تعمل فقط على تحسين الأداء ولكن أيضًا على تعزيز موثوقية وكفاءة تطبيقاتك. يمكن أن يؤدي هذا إلى تجارب مستخدم أفضل، وزيادة الإنتاجية، وحلول أكثر ابتكارًا.

Link to this sectionختاماً#

يعد تصدير وتحسين نموذج YOLOv8 لـ OpenVINO طريقة قوية للاستفادة من أجهزة Intel للحصول على تطبيقات ذكاء اصطناعي أسرع وأكثر كفاءة. من خلال بضع خطوات بسيطة، يمكنك تحويل أداء نموذجك وتطبيقه على سيناريوهات العالم الحقيقي بفعالية.

تأكد من الاطلاع على المزيد من الدروس والأدلة من Ultralytics لمواصلة تعزيز مشاريع الذكاء الاصطناعي الخاصة بك. تفضل بزيارة مستودع GitHub الخاص بنا وانضم إلى مجتمع Ultralytics للحصول على المزيد من الأفكار والتحديثات. دعونا نبتكر معًا!

تذكر، لا يقتصر تحسين نماذجك على السرعة فحسب، بل يتعلق بفتح إمكانيات جديدة وضمان أن حلول الذكاء الاصطناعي الخاصة بك قوية وفعالة وجاهزة للمستقبل.