تصدير وتحسين Ultralytics YOLOv8 للاستدلال على Intel OpenVINO.

في هذه التدوينة، سنلقي نظرة على كيفية تصدير وتحسين نموذج Ultralytics YOLOv8 المدرب مسبقًا أو المدرب خصيصًا للاستدلال باستخدام OpenVINO. إذا كنت تستخدم نظامًا قائمًا على Intel، سواء كان وحدة معالجة مركزية أو وحدة معالجة رسومات، فسيوضح لك هذا الدليل كيفية تسريع النموذج الخاص بك بشكل كبير بأقل جهد.

لماذا يتم تحسين YOLOv8 باستخدام OpenVINO؟

يمكن أن يوفر تحسين نموذج YOLOv8 الخاص بك باستخدام OpenVINO زيادة في السرعة تصل إلى 3 أضعاف في مهام الاستدلال، خاصةً إذا كنت تقوم بتشغيل وحدة معالجة مركزية Intel. يمكن أن يحدث هذا التحسن في الأداء فرقًا كبيرًا في التطبيقات في الوقت الفعلي، بدءًا من اكتشاف الكائنات إلى التجزئة وأنظمة الأمان.

خطوات تصدير نموذج YOLOv8 الخاص بك وتحسينه

فهم العملية

أولاً وقبل كل شيء، دعنا نحلل العملية. سنقوم بتحويل نموذج PyTorch إلى ONNX ثم تحسينه باستخدام OpenVINO. تتضمن هذه العملية بضع خطوات مباشرة ويمكن تطبيقها على نماذج وتنسيقات مختلفة بما في ذلك TensorFlow و PyTorch و Caffe و ONNX.

تصدير النموذج

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

تثبيت التبعيات

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

تشغيل برنامج التصدير

بمجرد إعداد بيئتك، يمكنك تشغيل برنامج التصدير النصي الخاص بك. سيقوم هذا البرنامج النصي بتحويل نموذج PyTorch الخاص بك إلى ONNX ثم إلى OpenVINO. العملية واضحة ومباشرة وتتضمن استدعاء وظيفة واحدة للتعامل مع التصدير. يسهل إطار عمل Ultralytics تحويل النماذج الخاصة بك وتحسينها، مما يضمن حصولك على أفضل أداء بأقل قدر من المتاعب.

مقارنة الأداء

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

التطبيق والمزايا في أرض الواقع

يعد تحسين نماذج YOLOv8 باستخدام OpenVINO مفيدًا بشكل خاص للتطبيقات التي تتطلب معالجة في الوقت الفعلي. فيما يلي بعض الأمثلة:

• أنظمة الأمن: يمكن أن يؤدي اكتشاف الأجسام في الوقت الحقيقي إلى 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 أن تؤدي المعالجة السريعة للصور لأدوات التشخيص إلى إنقاذ الأرواح من خلال توفير نتائج أسرع، مما يسمح بالتدخلات في الوقت المناسب.

من خلال تطبيق هذه التحسينات، فإنك لا تحسن الأداء فحسب، بل تعزز أيضًا موثوقية وكفاءة تطبيقاتك. يمكن أن يؤدي هذا إلى تجارب مستخدم أفضل، وزيادة الإنتاجية، وحلول أكثر ابتكارًا.

ملخص

يُعد تصدير نموذج YOLOv8 وتحسينه لـ OpenVINO طريقة قوية للاستفادة من أجهزة Intel للحصول على تطبيقات ذكاء اصطناعي أسرع وأكثر كفاءة. من خلال بضع خطوات بسيطة فقط، يمكنك تحويل أداء النموذج الخاص بك وتطبيقه على سيناريوهات العالم الحقيقي بفعالية.

تأكد من الاطلاع على المزيد من الدروس والإرشادات من Ultralytics لمواصلة تحسين مشاريع الذكاء الاصطناعي الخاصة بك. قم بزيارة مستودع GitHub الخاص بنا وانضم إلى مجتمع Ultralytics للحصول على المزيد من الأفكار والتحديثات. لنجدد معًا!

تذكر، أن تحسين نماذجك لا يتعلق فقط بالسرعة، بل يتعلق بإطلاق إمكانيات جديدة وضمان أن حلول الذكاء الاصطناعي الخاصة بك قوية وفعالة وجاهزة للمستقبل.