تصدير وتحسين Ultralytics YOLOv8 للاستدلال على Intel OpenVINO

في هذه التدوينة، سنستعرض كيفية تصدير نموذج Ultralytics YOLOv8 مُدرَّب مسبقًا أو مُدرَّبًا مخصصًا وتحسينه من أجل الاستدلال باستخدام OpenVINO. إذا كنت تستخدم نظامًا يستند إلى Intel، سواء كان مزودًا بوحدة CPU أو GPU، فسيوضح لك هذا الدليل كيفية تسريع نموذجك بدرجة كبيرة مع الحد الأدنى من الجهد.

لماذا ينبغي تحسين Ultralytics YOLOv8 باستخدام OpenVINO؟#

يمكن أن يؤدي تحسين نموذج Ultralytics YOLOv8 باستخدام OpenVINO إلى زيادة سرعة مهام الاستدلال بما يصل إلى 3 أضعاف، ولا سيما عند تشغيله على وحدة CPU من Intel. ويمكن لهذا التحسن في الأداء أن يُحدث فرقًا كبيرًا في التطبيقات الفورية، بدءًا من اكتشاف الأجسام ووصولًا إلى التقسيم وأنظمة الأمان.

خطوات تصدير نموذج Ultralytics YOLOv8 وتحسينه#

فهم العملية#

أولًا، لنفكك العملية إلى خطواتها. سنحوّل نموذج PyTorch إلى ONNX، ثم نحسّنه 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 وثائق Ultralytics، نجد أن تصدير نموذج YOLOv8 يتضمن استخدام طريقة التصدير من إطار عمل Ultralytics. تتيح لنا هذه الطريقة تحويل نموذجنا من PyTorch إلى ONNX، ثم تحسينه من أجل OpenVINO. والنتيجة نموذج يعمل بسرعة أكبر بكثير، مستفيدًا من عتاد Intel القوي.

تثبيت التبعيات#

قبل تشغيل نص التصدير، عليك التأكد من تثبيت جميع التبعيات اللازمة. وتشمل هذه التبعيات مكتبة Ultralytics وONNX وOpenVINO. ويُعد تثبيت هذه الحزم عملية بسيطة يمكن تنفيذها باستخدام pip، وهو مثبّت حزم Python.

تشغيل نص التصدير#

بعد إعداد بيئتك، يمكنك تشغيل نص التصدير. سيحوّل هذا النص نموذج PyTorch إلى ONNX، ثم إلى OpenVINO. وتتميز العملية بالبساطة، إذ تتضمن استدعاء دالة واحدة للتعامل مع التصدير. ويجعل إطار عمل Ultralytics تحويل نماذجك وتحسينها أمرًا سهلًا، بما يضمن حصولك على أفضل أداء بأقل قدر من التعقيد.

الشكل 1. يوضح Nicolai Nielsen كيفية تشغيل نص التصدير.

مقارنة الأداء#

بعد التصدير، من الضروري مقارنة أداء النموذجين الأصلي والمحسّن. ومن خلال قياس زمن الاستدلال لكلا النموذجين، يمكنك رؤية مكاسب الأداء بوضوح. عادةً ما يُظهر نموذج OpenVINO انخفاضًا ملحوظًا في زمن الاستدلال مقارنةً بنموذج PyTorch الأصلي. وينطبق ذلك بصفة خاصة على النماذج الأكبر حجمًا، حيث يكون تحسن الأداء أكثر وضوحًا.

التطبيقات والفوائد في العالم الحقيقي#

يُعد تحسين نماذج Ultralytics YOLOv8 باستخدام OpenVINO مفيدًا بصفة خاصة للتطبيقات التي تتطلب معالجة فورية. إليك بعض الأمثلة:

• أنظمة الأمان: يمكن لاكتشاف الأجسام في الوقت الفعلي تنبيه أفراد الأمن فورًا، مما يعزز السلامة وسرعة الاستجابة.
• المركبات ذاتية التشغيل: تُحسّن سرعات الاستدلال الأعلى سرعة استجابة أنظمة القيادة الذاتية، مما يجعلها أكثر أمانًا وموثوقية.
• الرعاية الصحية: يمكن لمعالجة الصور بسرعة لأدوات التشخيص أن تنقذ الأرواح من خلال توفير نتائج أسرع، مما يتيح التدخل في الوقت المناسب.

من خلال تطبيق هذه التحسينات، لن تحسّن الأداء فحسب، بل ستعزز أيضًا موثوقية تطبيقاتك وكفاءتها. وقد يؤدي ذلك إلى تحسين تجارب المستخدمين، وزيادة الإنتاجية، وتوفير حلول أكثر ابتكارًا.

في الختام#

يُعد تصدير نموذج Ultralytics YOLOv8 وتحسينه من أجل OpenVINO طريقة فعّالة للاستفادة من عتاد Intel في إنشاء تطبيقات AI أسرع وأكثر كفاءة. وبضع خطوات بسيطة فقط، يمكنك إحداث تحول في أداء نموذجك وتطبيقه بفاعلية في سيناريوهات العالم الحقيقي.

احرص على الاطلاع على مزيد من البرامج التعليمية والأدلة من Ultralytics لمواصلة تطوير مشاريع AI الخاصة بك. تفضل بزيارة مستودع GitHub وانضم إلى مجتمع Ultralytics للاطلاع على مزيد من الرؤى والتحديثات. فلنبتكر معًا!

تذكّر أن تحسين نماذجك لا يتعلق بالسرعة فحسب، بل بإطلاق إمكانات جديدة وضمان متانة حلول AI الخاصة بك وكفاءتها واستعدادها للمستقبل.