كيفية تشغيل Ultralytics YOLO26 على Raspberry Pi باستخدام Coral Edge TPU#

يُعد Raspberry Pi منصة منخفضة استهلاك الطاقة ومعقولة التكلفة لتشغيل الرؤية الحاسوبية على الحافة، لكن الاستدلال على الجهاز بطيء حتى مع التنسيقات المحسّنة مثل ONNX أو OpenVINO. يؤدي إقران Pi بمعالج Coral Edge TPU مساعد إلى نقل الاستدلال إلى أجهزة مخصصة وتسريعه بدرجة كبيرة. يوضح هذا الدليل كيفية تثبيت بيئة التشغيل، وتصدير نموذج Ultralytics YOLO26 إلى تنسيق Edge TPU، وتشغيل الاستدلال المسرّع.

لماذا تستخدم Coral Edge TPU؟#

Coral Edge TPU جهاز صغير الحجم يضيف معالج Edge TPU مساعدًا إلى نظامك، ما يتيح استدلال تعلّم آلي منخفض الطاقة وعالي الأداء لنماذج TensorFlow Lite. وهو خيار مناسب جدًا لعمليات النشر المضمنة والمتنقلة التي لا يستطيع فيها CPU وحده مواكبة المتطلبات:

• استدلال أسرع — يسرّع Edge TPU النماذج المكمّمة بدرجة تفوق بكثير أداء CPU في Raspberry Pi بمفرده.
• استهلاك منخفض للطاقة — يوفر معدل نقل عالٍ لكل واط، ما يجعله مثاليًا لعمليات النشر التي تعمل بالبطاريات أو بالطاقة الشمسية.
• التوصيل والتشغيل — يتصل مسرّع USB عبر USB 3.0، لذا لا حاجة إلى دمج أجهزة إضافية.

المتطلبات الأساسية#

• Raspberry Pi 4B (يُوصى بذاكرة 2GB أو أكثر) أو Raspberry Pi 5 (موصى به)
• Raspberry Pi OS Bullseye/Bookworm (64-bit) مع واجهة سطح المكتب (موصى به)
• Coral USB Accelerator
• منصة Linux بمعمارية x86_64 (Google Colab، أو جهاز Linux بمعمارية x86_64، أو حاوية Docker من Ultralytics على مضيف بمعمارية x86_64) لتصدير النموذج، إذ لا يتوفر مُصرّف Edge TPU إلا على Linux بمعمارية x86_64

يفترض هذا الدليل أن لديك تثبيتًا عاملًا لنظام Raspberry Pi OS مع تثبيت ultralytics وتبعياته. إن لم يكن الأمر كذلك، فاتبع دليل البدء السريع أولًا.

بعد تجهيز المتطلبات الأساسية، يتكوّن سير العمل من ثلاث خطوات: تثبيت بيئة تشغيل Edge TPU على Pi، وتصدير النموذج على جهاز Linux بمعمارية x86_64، ثم تشغيل الاستدلال مجددًا على Pi.

تثبيت بيئة تشغيل Edge TPU#

تتوفر بيئة التشغيل بإصدارات متعددة، لذا اختر الإصدار المتوافق مع نظام التشغيل لديك. يشغّل إصدار التردد العالي Edge TPU بسرعة ساعة أعلى لتحسين الأداء، لكنه قد يؤدي إلى خفض الأداء بسبب الحرارة — استخدم نوعًا من التبريد إذا اخترته.

نزّل أحدث إصدار من هنا، ثم ثبّت الحزمة .deb:

sudo dpkg -i path/to/package.deb

بعد تثبيت بيئة التشغيل، صِل Coral Edge TPU بمنفذ USB 3.0 في Raspberry Pi ليصبح مفعول قاعدة udev الجديدة ساريًا.

# If you installed the standard version
sudo apt remove libedgetpu1-std

# If you installed the high-frequency version
sudo apt remove libedgetpu1-max

تصدير النموذج إلى تنسيق Edge TPU#

لاستخدام Edge TPU، حوّل النموذج إلى تنسيق متوافق. نفّذ التصدير على Linux بمعمارية x86_64 — باستخدام Google Colab، أو جهاز Linux بمعمارية x86_64، أو حاوية Docker الرسمية من Ultralytics على مضيف بمعمارية x86_64، أو منصة Ultralytics — إذ لا يتوفر مُصرّف Edge TPU إلا على Linux بمعمارية x86_64. راجع وضع التصدير للاطلاع على الوسائط المتاحة.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("path/to/model.pt")  # ⁨حمّل نموذجًا رسميًا أو نموذجًا مخصصًا⁩

# ⁨صدّر النموذج⁩
model.export(format="edgetpu")

يُحفظ النموذج المُصدّر في المجلد <model_name>_saved_model/ باسم <model_name>_full_integer_quant_edgetpu.tflite.

تشغيل الاستدلال على Edge TPU#

قبل تشغيل النموذج، ثبّت المكتبات المناسبة على Raspberry Pi. إذا كان TensorFlow مثبتًا بالفعل، فأزل تثبيته أولًا:

pip uninstall tensorflow tensorflow-aarch64

ثم ثبّت tflite-runtime أو حدّثه:

pip install -U tflite-runtime

يمكنك الآن تشغيل الاستدلال:

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("path/to/yolo26n_full_integer_quant_edgetpu.tflite")  # ⁨حمّل نموذجًا رسميًا أو نموذجًا مخصصًا⁩

# ⁨تشغيل التنبؤ⁩
model.predict("path/to/source.png")

اعثر على التفاصيل الكاملة لوضع التنبؤ في صفحة التنبؤ.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("path/to/yolo26n_full_integer_quant_edgetpu.tflite")  # ⁨حمّل نموذجًا رسميًا أو نموذجًا مخصصًا⁩

# ⁨تشغيل التنبؤ⁩
model.predict("path/to/source.png")  # ⁨يستخدم الاستدلال الوحدة TPU الأولى افتراضيًا⁩

model.predict("path/to/source.png", device="tpu:0")  # ⁨اختيار الوحدة TPU الأولى⁩

model.predict("path/to/source.png", device="tpu:1")  # ⁨اختيار الوحدة TPU الثانية⁩

المعايير المرجعية#

قِيسَت الأرقام أدناه باستخدام Raspberry Pi OS Bookworm ‏64-bit ووحدة USB Coral Edge TPU. وهي تعرض زمن الاستدلال فقط (باستثناء المعالجة المسبقة واللاحقة)، وتوفر مرجعًا نسبيًا للتسريع الذي يقدمه Edge TPU عبر طرز Pi وأوضاعها.

في المتوسط:

• يكون Raspberry Pi 5 أسرع بنسبة 22% من Raspberry Pi 4B عند استخدام الوضع القياسي.
• يكون Raspberry Pi 5 أسرع بنسبة 30.2% من Raspberry Pi 4B عند استخدام وضع التردد العالي.
• يكون وضع التردد العالي أسرع بنسبة 28.4% من الوضع القياسي.

الخلاصة#

تحوّل Coral Edge TPU جهاز Raspberry Pi إلى جهاز استدلال كفء ومنخفض الطاقة لتشغيل Ultralytics YOLO26. صدّر النموذج على جهاز Linux بمعمارية x86_64، واحتفظ باللاحقة _edgetpu.tflite، وشغّله باستخدام tflite-runtime على Pi للحصول على استدلال مسرّع على الحافة. لمزيد من خيارات النشر، راجع دليل Raspberry Pi.

الأسئلة الشائعة#