بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
قم بتحسين نموذج Ultralytics YOLOv8 الخاص بك للاستدلال باستخدام OpenVINO. اتبع دليلنا لتحويل نماذج PyTorch إلى ONNX وتحسينها للتطبيقات في الوقت الحقيقي.
في منشور المدونة هذا، سنلقي نظرة على كيفية تصدير وتحسين ما تم تدريبه مسبقًا أو التدريب المخصص Ultralytics YOLOv8 للاستدلال باستخدام OpenVINO. إذا كنت تستخدم نظامًا Intel سواءً كان CPU أو GPU سيوضح لك هذا الدليل كيفية تسريع نموذجك بشكل كبير بأقل جهد ممكن.
لماذا تحسين YOLOv8 باستخدام OpenVINO
تحسين نموذج YOLOv8 الخاص بك مع OpenVINO يمكن أن يوفر زيادة في سرعة مهام الاستدلال تصل إلى 3 أضعاف، خاصةً إذا كنت تستخدمCPU Intel . يمكن أن يُحدث هذا التعزيز في الأداء فرقًا كبيرًا في تطبيقات الوقت الحقيقي، بدءًا من اكتشاف الكائنات إلى أنظمة التجزئة والأمان.
خطوات تصدير نموذج YOLOv8 الخاص بك وتحسينه
فهم العملية
أولًا وقبل كل شيء، دعنا نقسم 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
بالرجوع إلىوثائق Ultralytics نجد أن تصدير نموذج YOLOv8 يتضمن استخدام طريقة التصدير من إطار عمل Ultralytics . تسمح لنا هذه الطريقة بتحويل نموذجنا من PyTorch إلى ONNXوأخيرًا، تحسينه من أجل OpenVINO. والنتيجة هي نموذج يعمل بشكل أسرع بكثير، بالاستفادة من أجهزة Intel القوية.
تثبيت التبعيات
قبل تشغيل البرنامج النصي للتصدير، ستحتاج إلى التأكد من تثبيت جميع التبعيات الضرورية. يتضمن ذلك مكتبة Ultralytics و ONNX و OpenVINO. تثبيت هذه الحزم هي عملية بسيطة يمكن إجراؤها عن طريق أداة تثبيت حزم Python .
تشغيل برنامج التصدير
بمجرد إعداد بيئتك، يمكنك تشغيل البرنامج النصي للتصدير. سيقوم هذا البرنامج النصي بتحويل نموذج PyTorch الخاص بك إلى ONNX ثم إلى OpenVINO. العملية واضحة ومباشرة وتتضمن استدعاء وظيفة واحدة للتعامل مع التصدير. يجعل إطار Ultralytics من السهل تحويل نماذجك وتحسينها، مما يضمن حصولك على أفضل أداء بأقل قدر من المتاعب.
بعد التصدير، من الضروري مقارنة أداء النموذجين الأصلي والمحسّن. من خلال قياس وقت الاستدلال لكلا النموذجين، يمكنك أن ترى بوضوح مكاسب الأداء. عادةً ما يُظهر نموذج OpenVINO انخفاضًا كبيرًا في وقت الاستدلال مقارنةً بنموذج PyTorch الأصلي. وينطبق هذا بشكل خاص على النماذج الأكبر حجمًا حيث يكون تعزيز الأداء ملحوظًا للغاية.
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
يعد تصدير نموذج YOLOv8 وتحسينه لـ OpenVINO طريقة قوية للاستفادة من أجهزة Intel لتطبيقات 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 البرامج التعليمية والأدلة من Ultralytics لمواصلة تحسين مشاريع الذكاء الاصطناعي الخاصة بك. قم بزيارة مستودع GitHub الخاص بنا وانضم إلى مجتمع Ultralytics لمزيد من الأفكار والتحديثات. لنبتكر 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.
