نشر برنامج Ultralytics YOLO11 بسلاسة باستخدام OpenVINO™

نظرة عامة على Ultralytics YOLO11

قبل أن نغوص في تفاصيل تكامل OpenVINO المدعوم من Ultralytics، دعنا نلقي نظرة فاحصة على ما يجعل YOLO11 نموذج رؤية حاسوبية موثوقًا ومؤثرًا. YOLO11 هو أحدث طراز في سلسلة Ultralytics YOLO، ويقدم تحسينات كبيرة في كل من السرعة والدقة. 

من أهم ما يميزه هو الكفاءة. على سبيل المثال، يحتوي برنامج Ultralytics YOLO11m على معلمات أقل بنسبة 22% من معلمات Ultralytics YOLOv8m، ومع ذلك فهو يحقق متوسط دقة أعلى في مجموعة بيانات COCO. وهذا يعني أنه يعمل بشكل أسرع ويكشف أيضًا عن الكائنات بدقة أكبر، مما يجعله مثاليًا للتطبيقات في الوقت الفعلي حيث يكون الأداء والاستجابة أمرًا بالغ الأهمية.

‍

بالإضافة إلى اكتشاف الأجسام، يدعم YOLO11 العديد من مهام الرؤية الحاسوبية المتقدمة مثل تجزئة النماذج، وتقدير الوضع، وتصنيف الصور، وتتبع الأجسام، واكتشاف الصندوق المحيط الموجه. كما أن YOLO11 سهل الاستخدام للمطورين، حيث توفر حزمة Ultralytics Python واجهة بسيطة ومتسقة لتدريب النماذج وتقييمها ونشرها. 

بالإضافة إلى ذلك، تدعم حزمة Ultralytics Python العديد من عمليات التكامل وتنسيقات التصدير المتعددة، بما في ذلك OpenVINO وONNX وTorchScript، مما يتيح لك دمج YOLO11 بسهولة في خطوط أنابيب النشر المختلفة. سواءً كنت تستهدف البنية التحتية السحابية أو الأجهزة المتطورة أو الأنظمة المدمجة، فإن عملية التصدير مباشرة وقابلة للتكيف مع احتياجات أجهزتك.

ما هو ™OpenVINO؟

OpenVINO™ (Open Visual Inference and Neural Network Optimization) هي مجموعة أدوات مفتوحة المصدر لتحسين الاستدلال بالذكاء الاصطناعي ونشره عبر مجموعة واسعة من الأجهزة. وهي تمكّن المطورين من تشغيل تطبيقات الاستدلال عالية الأداء بكفاءة عبر مختلف منصات Intel، بما في ذلك وحدات المعالجة المركزية ووحدات معالجة الرسومات المدمجة والمنفصلة ووحدات المعالجة العصبية ومصفوفات البوابات القابلة للبرمجة الميدانية (FPGAs).

يوفر OpenVINO واجهة وقت تشغيل موحدة تستخلص اختلافات الأجهزة من خلال المكونات الإضافية الخاصة بالأجهزة. هذا يعني أنه يمكن للمطورين كتابة التعليمات البرمجية مرة واحدة ونشرها عبر أهداف أجهزة Intel متعددة باستخدام واجهة برمجة تطبيقات متسقة. 

فيما يلي بعض الميزات الرئيسية التي تجعل OpenVINO خيارًا رائعًا للنشر:

• محول النماذج: تقوم هذه الأداة بتحويل وإعداد النماذج من الأطر الشائعة مثل PyTorch و ONNX و TensorFlow و PaddlePaddle وغيرها، بحيث يمكن تحسينها للاستدلال الفعال على أجهزة Intel.
  ‍
• تنفيذ غير متجانس: لا تحتاج إلى إعادة كتابة التعليمات البرمجية الخاصة بك لأجهزة Intel مختلفة. يجعل OpenVINO من السهل تشغيل نفس النموذج على أي أجهزة مدعومة، من وحدات المعالجة المركزية إلى وحدات معالجة الرسومات.
  ‍
• دعم التحويل الكمي: تدعم مجموعة الأدوات التنسيقات ذات الدقة المنخفضة مثل FP16 (افتراضي) و INT8، مما يساعد على تقليل حجم النموذج وتسريع الاستدلال دون التأثير بشكل كبير على الدقة.

‍

استكشاف تكامل Ultralytics x OpenVINO

والآن بعد أن استكشفنا ماهية OpenVINO وأهميته، دعونا نناقش كيفية تصدير نماذج YOLO11 إلى تنسيق OpenVINO وتشغيل الاستدلال الفعال على أجهزة إنتل.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

model.export(format="openvino")

استخدام حزمة Ultralytics Python

يمكن نشر نموذج YOLO11 الذي تم تصديره بسهولة باستخدام حزمة Ultralytics Python، كما هو موضح في مقتطف الكود أدناه. هذه الطريقة مثالية للتجربة السريعة والنشر المبسط على أجهزة Intel. 

يمكنك أيضًا تحديد الجهاز المراد استخدامه في الاستدلال، مثل "Intel:cpu" أو "Intel:gpu" أو "Intel:gpu" أو "Intel:npu"، وذلك بناءً على أجهزة Intel المتوفرة على نظامك.

ov_model = YOLO("yolo11n_openvino_model/")

results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

بعد تشغيل الكود أعلاه، سيتم حفظ صورة الإخراج في دليل "التشغيل/الكشف/التنبؤ".

‍

لماذا تختار تكامل Ultralytics x OpenVINO؟

أثناء استكشاف عمليات تكامل Ultralytics، ستلاحظ أن حزمة Ultralytics Python تدعم تصدير نماذج YOLO11 إلى مجموعة متنوعة من التنسيقات مثل TorchScript و CoreML و TensorRT و ONNX. إذن، لماذا تختار تكامل OpenVINO؟

فيما يلي بعض الأسباب التي تجعل تنسيق تصدير OpenVINO مناسبًا تمامًا لنشر النماذج على أجهزة Intel:

• مكاسب الأداء: يمكنك تجربة استدلال أسرع بما يصل إلى 3 أضعاف على وحدات المعالجة المركزية من Intel، مع تسريع إضافي متاح على وحدات معالجة الرسومات المدمجة ووحدات المعالجة العصبية.
  ‍
• لا حاجة لإعادة التدريب: يمكنك تصدير نماذج YOLO11 الموجودة لديك مباشرة إلى تنسيق OpenVINO دون تعديلها أو إعادة تدريبها.
  ‍
• مصممة للتوسع: يمكن نشر النموذج المصدّر نفسه عبر الأجهزة الطرفية منخفضة الطاقة والبنية التحتية السحابية واسعة النطاق، مما يبسّط نشر الذكاء الاصطناعي القابل للتطوير.

يمكنك أيضًا تقييم معايير الأداء الخاصة بنموذج YOLO11 عبر مجموعة من منصات Intel® على OpenVINO™ Model Hub. يعد OpenVINO Model Hub موردًا للمطورين لتقييم نماذج الذكاء الاصطناعي على أجهزة Intel واكتشاف ميزة أداء OpenVINO عبر وحدات المعالجة المركزية Intel، ووحدات معالجة الرسومات المدمجة، ووحدات المعالجة العصبية الشبكية والرسومات المنفصلة. 

‍

تطبيقات YOLO11 وتنسيق التصدير OpenVINO

وبمساعدة تكامل OpenVINO، يصبح نشر نماذج YOLO11 عبر أجهزة Intel في مواقف العالم الحقيقي أبسط بكثير. 

من الأمثلة الرائعة على ذلك البيع بالتجزئة الذكي، حيث يمكن أن يساعد YOLO11 في اكتشاف الأرفف الفارغة في الوقت الفعلي، وتتبع المنتجات التي ينفد مخزونها، وتحليل كيفية تحرك العملاء في المتجر. وهذا يُمكِّن تجار التجزئة من تحسين إدارة المخزون وتحسين تخطيطات المتاجر لتحسين مشاركة المتسوقين.

وبالمثل، في المدن الذكية، يمكن استخدام YOLO11 لمراقبة حركة المرور من خلال عدّ المركبات وتتبع المشاة والكشف عن مخالفات الإشارة الحمراء في الوقت الفعلي. يمكن أن تدعم هذه الأفكار تحسين تدفق حركة المرور وتحسين السلامة على الطرق والمساعدة في أنظمة الإنفاذ الآلي.

‍

هناك حالة استخدام أخرى مثيرة للاهتمام وهي الفحص الصناعي، حيث يمكن نشر YOLO11 على خطوط الإنتاج للكشف التلقائي عن العيوب البصرية مثل المكونات المفقودة أو المحاذاة الخاطئة أو التلف السطحي. وهذا يعزز الكفاءة ويقلل التكاليف ويدعم جودة المنتج بشكل أفضل.

العوامل الرئيسية التي يجب مراعاتها عند استخدام مجموعة أدوات OpenVINO

أثناء نشر نماذج YOLO11 مع OpenVINO، إليك بعض الأشياء المهمة التي يجب وضعها في الاعتبار للحصول على أفضل النتائج:

• التحقق من توافق الأجهزة: تأكد من أن أجهزة Intel الخاصة بك، سواء كانت وحدة معالجة مركزية أو وحدة معالجة رسومات مدمجة أو وحدة معالجة رسومات NPU، مدعومة من قبل OpenVINO حتى يمكن تشغيل النموذج بكفاءة.
  
  
• قم بتثبيت برامج التشغيل الصحيحة: إذا كنت تستخدم وحدات معالجة الرسومات Intel GPU أو NPU، فتحقق مرة أخرى من أن جميع برامج التشغيل المطلوبة مثبتة بشكل صحيح ومحدثة.
  
  
• فهم الدقة المفاضلات: يدعم OpenVINO دقة نماذج FP32 و FP16 و INT8. تأتي كل واحدة منها مع مفاضلة بين السرعة والدقة، لذلك من المهم اختيار الخيار الصحيح بناءً على أهداف الأداء والأجهزة المتاحة.

الوجبات الرئيسية

إن تصدير Ultralytics YOLO11 إلى تنسيق OpenVINO يجعل من السهل تشغيل نماذج Vision AI السريعة والفعالة على أجهزة Intel. يمكنك النشر عبر وحدات المعالجة المركزية ووحدات معالجة الرسومات ووحدات المعالجة العصبية دون الحاجة إلى إعادة التدريب أو تغيير التعليمات البرمجية. إنها طريقة رائعة لتعزيز الأداء مع الحفاظ على بساطة الأمور وقابليتها للتطوير.

من خلال الدعم المدمج في حزمة Ultralytics Python، أصبح تصدير الاستدلال وتشغيله باستخدام OpenVINO أمرًا بسيطًا ومباشرًا. في خطوات قليلة فقط، يمكنك تحسين نموذجك وتشغيله عبر مجموعة متنوعة من منصات Intel. سواءً كنت تعمل على البيع بالتجزئة الذكي، أو مراقبة حركة المرور، أو الفحص الصناعي، فإن سير العمل هذا يساعدك على الانتقال من التطوير إلى النشر بسرعة وثقة.

انضم إلى مجتمع YOLO وتحقق من مستودع Ultralytics GitHub لمعرفة المزيد حول عمليات التكامل المؤثرة التي تدعمها Ultralytics. ألقِ نظرة أيضًا على خيارات ترخيص Ultralytics لبدء استخدام رؤية الكمبيوتر اليوم!

سجّل في ندوتنا القادمة على الويب لمشاهدة تكامل Ultralytics × OpenVINO أثناء العمل، وقم بزيارة موقع OpenVINO على الو يب لاستكشاف أدوات تحسين الذكاء الاصطناعي ونشره على نطاق واسع.