Yolo فيجن شنتشن
شنتشن
انضم الآن

نشر Ultralytics YOLO Intel استدلال عالي الأداء

Ultralytics مع Intel حلول استدلال عالية الأداء، مستفيدة من قوة وحدات المعالجة المركزية (CPU) ووحدات المعالجة العصبية (NPU) ووحدات معالجة الرسومات (GPU).

نشر Ultralytics YOLO  Intel استدلال عالي الأداء

نبذة عن Intel

تُعد Intel ناسداك: INTC) رائدة في مجالها، حيث تبتكر تقنيات تُغير وجه العالم وتُحفز التقدم العالمي وتُثري حياة الناس. Intel تطوير تصميم وتصنيع أشباه الموصلات للمساعدة في مواجهة أكبر التحديات التي يواجهها عملاؤها، من خلال دمج الذكاء في السحابة والشبكات ونظام الحوسبة الطرفية وجميع أجهزة الحوسبة، بهدف إحداث تحول في قطاع الأعمال والمجتمع.


OpenVINO™ هي مجموعة أدوات مفتوحة المصدر تعمل على تسريع عمليات الاستدلال في مجال الذكاء الاصطناعي من خلال تقليل زمن الاستجابة وزيادة معدل الإنتاجية، مع الحفاظ على الدقة وتحسين استخدام الأجهزة. وهي تعمل على تبسيط عملية تطوير الذكاء الاصطناعي وتكامل التعلم العميق في مجالات الرؤية الحاسوبية ونماذج اللغات الضخمة والذكاء الاصطناعي التوليدي.

لماذا تختار Intel YOLO؟

نشرYOLO Ultralytics YOLO بأداء وكفاءة لا مثيل لهما

مُحسَّن لـ Ultralytics YOLO

أقصى معدل نقل بيانات وأدنى زمن انتقال عبر مجموعة أجهزة Intel الكاملة.

أداء متكامل مع Edge

YOLO المُعدّ للاستخدام على الحافة مع دعم FP32 وFP16 وINT8. دون الحاجة إلى التضحية بالدقة.

الاستدلال في الوقت الفعلي

استنتاج في أقل من 10 مللي ثانية في جميع YOLO الرئيسية، تم التحقق من ذلك على Intel ) ووحدات معالجة الرسومات (GPU) ووحدات معالجة الشبكات العصبية (NPU).

تكلفة ملكية أقل

الاستدلال على Intel الحالية. تكاليف أقل، دون المساس بالدقة.

سهولة التكامل

يمكنك البدء في العمل خلال دقائق باستخدامPython Ultralytics Python أو CLI. نفس واجهة برمجة التطبيقات، ونفس سير العمل.

مستعد لمواجهة المستقبل

دائمًا على اطلاع بأحدث YOLO Intel . ولا حاجة لإعادة صياغة خط الإنتاج.

التكامل التقني

تكامل سلس بين Ultralytics Intel

أداء النموذج على Intel

اطلع على أداءYOLO Ultralytics عبر Intel ) ووحدات معالجة الرسومات (GPU) ووحدات معالجة الشبكات العصبية (NPU).

النشر على Intel
from ultralytics import YOLO
# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")
# Export the model
model.export(format="openvino")  # creates 'yolo26n_openvino_model/'
# Load the exported OpenVINO model
ov_model = YOLO("yolo26n_openvino_model/")
# Run inference
results = ov_model("https://ultralytics.com/images/bus.jpg")
# Run inference with specified device, available devices: ["intel:gpu", "intel:npu", "intel:cpu"]
results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")
# Export a YOLO26n PyTorch model to OpenVINO format
yolo export model=yolo26n.pt format=openvino # creates 'yolo26n_openvino_model/'
# Run inference with the exported model
yolo predict model=yolo26n_openvino_model source='https://ultralytics.com/images/bus.jpg'
# Run inference with specified device, available devices: ["intel:gpu", "intel:npu", "intel:cpu"]
yolo predict model=yolo26n_openvino_model source='https://ultralytics.com/images/bus.jpg' device="intel:gpu"

كن Ultralytics لـ Ultralytics

انضم إلى شبكة شركائنا واكتشف فرصًا جديدة لتقديم حلول ذكاء اصطناعي متطورة