تصدير وتحسين Ultralytics YOLOv8 للاستدلال على Intel OpenVINO

في هذه التدوينة، سنلقي نظرة على كيفية تصدير وتحسين نموذج Ultralytics YOLOv8 المدرب مسبقاً أو المخصص الخاص بك لـ inference باستخدام OpenVINO. إذا كنت تستخدم نظاماً يعتمد على Intel، سواء كان CPU أو GPU، فسيوضح لك هذا الدليل كيفية تسريع نموذجك بشكل كبير بأقل جهد.

لماذا يتم تحسين نموذج Ultralytics YOLOv8 باستخدام OpenVINO؟#

يمكن أن يؤدي تحسين نموذج Ultralytics YOLOv8 الخاص بك باستخدام OpenVINO إلى زيادة سرعة الاستدلال بنسبة تصل إلى 3 أضعاف، لا سيما إذا كنت تشغل وحدة معالجة مركزية (CPU) من Intel. ويمكن لهذا التعزيز في الأداء أن يحدث فرقاً هائلاً في التطبيقات ذات الوقت الفعلي، بدءاً من اكتشاف الكائنات وحتى التجزئة وأنظمة الأمان.

خطوات تصدير وتحسين نموذج Ultralytics YOLOv8 الخاص بك#

فهم 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.

تصدير النموذج#

بالانتقال إلى documentation الخاصة بـ Ultralytics، نجد أن تصدير نموذج YOLOv8 يتضمن استخدام طريقة export من إطار عمل Ultralytics. تتيح لنا هذه الطريقة تحويل نموذجنا من PyTorch إلى ONNX، وأخيراً تحسينه لـ OpenVINO. والنتيجة هي نموذج يعمل بشكل أسرع بكثير، مستفيداً من عتاد Intel القوي.

تثبيت 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.

تشغيل 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 سكريبت التصدير.

مقارنة 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.

التطبيق العملي والفوائد#

يُعد تحسين نماذج Ultralytics YOLOv8 باستخدام OpenVINO مفيداً بشكل خاص للتبيقات التي تتطلب معالجة في الوقت الفعلي. إليك بعض الأمثلة:

• Security Systems: يمكن لـ object detection في الوقت الفعلي تنبيه موظفي الأمان على الفور، مما يعزز السلامة وسرعة الاستجابة.
• Automated Vehicles: تؤدي سرعات الاستدلال الأسرع إلى تحسين استجابة أنظمة القيادة الذاتية، مما يجعلها أكثر أماناً وموثوقية.
• Healthcare: يمكن معالجة الصور السريعة لأدوات التشخيص إنقاذ الأرواح من خلال توفير نتائج أسرع، مما يتيح التدخل 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.

ختاماً#

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

احرص على الاطلاع على المزيد من الشروحات والأدلة من Ultralytics لمواصلة تحسين مشاريع الذكاء الاصطناعي الخاصة بك. تفضل بزيارة GitHub repository الخاص بنا وانضم إلى مجتمع Ultralytics لمزيد من الأفكار والتحديثات. لنبتكر معاً!

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