Link to this sectionكيفية تشغيل Ultralytics YOLO26 على Raspberry Pi باستخدام Coral Edge TPU#

يعتبر Raspberry Pi منصة موفرة للطاقة وبتكلفة معقولة لتشغيل الرؤية الحاسوبية عند الحافة (edge)، لكن الاستنتاج على الجهاز يكون بطيئاً حتى مع التنسيقات المُحسنة مثل ONNX أو OpenVINO. يؤدي إقران Pi بمعالج مساعد Coral Edge TPU إلى نقل حمل الاستنتاج إلى أجهزة مخصصة وتسريع العملية بشكل كبير. يوضح هذا الدليل كيفية تثبيت وقت التشغيل (runtime)، وتصدير نموذج Ultralytics YOLO26 إلى تنسيق Edge TPU، وتشغيل استنتاج متسارع.

Link to this sectionلماذا تستخدم Coral Edge TPU؟#

إن Coral Edge TPU هو جهاز مدمج يضيف معالجاً مساعداً Edge TPU إلى نظامك، مما يتيح استنتاج ML عالي الأداء ومنخفض الطاقة لنماذج TensorFlow Lite. وهو خيار ممتاز لعمليات النشر المضمنة والمحمولة حيث لا يمكن لوحدة المعالجة المركزية (CPU) وحدها مواكبة المتطلبات:

• استنتاج أسرع — يقوم Edge TPU بتسريع النماذج المكممة (quantized) بشكل يفوق بكثير ما تحققه وحدة المعالجة المركزية لـ Raspberry Pi بمفردها.
• استهلاك منخفض للطاقة — يوفر إنتاجية عالية لكل واط، وهو مثالي لعمليات النشر التي تعمل بالبطارية أو بالطاقة الشمسية.
• التوصيل والتشغيل (Plug-and-play) — يتصل USB Accelerator عبر USB 3.0، لذا لا يلزم دمج أجهزة إضافية.

Link to this sectionالمتطلبات الأساسية#

• Raspberry Pi 4B (يوصى بـ 2 جيجابايت 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 غير ARM (مثل Google Colab، أو جهاز Linux يعمل بمعمارية x86_64، أو حاوية Docker الخاصة بـ Ultralytics) لتصدير النموذج، حيث إن مترجم Edge TPU غير متاح على ARM

يفترض هذا الدليل أن لديك بالفعل نظام تشغيل Raspberry Pi يعمل مع تثبيت ultralytics وتبعياته. إذا لم يكن الأمر كذلك، فاتبع دليل البدء السريع أولاً.

بعد تجهيز المتطلبات الأساسية، تتكون سير العمل من ثلاث خطوات: تثبيت وقت تشغيل Edge TPU على Pi، تصدير النموذج على جهاز غير ARM، وتشغيل الاستنتاج مجدداً على Pi.

Link to this sectionتثبيت وقت تشغيل Edge TPU#

يأتي وقت التشغيل في إصدارات متعددة، لذا اختر ما يتوافق مع نظام التشغيل الخاص بك. يشغل الإصدار عالي التردد (high-frequency) وحدة Edge TPU بسرعة ساعة أعلى لأداء أفضل، ولكنه قد يسبب اختناقاً حرارياً — استخدم نوعاً من التبريد إذا اخترته.

قم بتنزيل أحدث إصدار من هنا، ثم قم بتثبيت حزمة .deb:

sudo dpkg -i path/to/package.deb

بعد تثبيت وقت التشغيل، قم بتوصيل Coral Edge TPU بمنفذ USB 3.0 على Raspberry Pi حتى تتمكن قاعدة udev الجديدة من تفعيل نفسها.

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

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

Link to this sectionتصدير النموذج إلى تنسيق Edge TPU#

لاستخدام Edge TPU، قم بتحويل نموذجك إلى تنسيق متوافق. قم بتنفيذ التصدير على منصة غير ARM — مثل Google Colab، أو جهاز Linux x86_64، أو حاوية Docker الرسمية لـ Ultralytics، أو منصة Ultralytics — لأن مترجم Edge TPU غير متاح على ARM. راجع وضع التصدير للحصول على الوسيطات المتاحة.

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/model.pt")  # Load an official model or custom model

# Export the model
model.export(format="edgetpu")

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

Link to this sectionتشغيل الاستنتاج على Edge TPU#

قبل تشغيل النموذج، قم بتثبيت المكتبات الصحيحة على Raspberry Pi. إذا كان TensorFlow مثبتاً بالفعل، قم بإلغاء تثبيته أولاً:

pip uninstall tensorflow tensorflow-aarch64

ثم قم بتثبيت أو تحديث tflite-runtime:

pip install -U tflite-runtime

الآن يمكنك تشغيل الاستنتاج:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")

يمكنك العثور على تفاصيل كاملة حول وضع التنبؤ على صفحة التنبؤ.

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")  # Inference defaults to the first TPU

model.predict("path/to/source.png", device="tpu:0")  # Select the first TPU

model.predict("path/to/source.png", device="tpu:1")  # Select the second TPU

Link to this sectionالمقارنات المعيارية#

تم قياس الأرقام أدناه باستخدام Raspberry Pi OS Bookworm 64-bit وجهاز USB Coral Edge TPU. وهي تظهر وقت الاستنتاج فقط (باستثناء المعالجة الأولية/اللاحقة) وتعتبر مرجعاً نسبياً للتسريع الذي يوفره Edge TPU عبر نماذج وأوضاع Pi المختلفة.

في المتوسط:

• يعد Raspberry Pi 5 أسرع بنسبة 22% في الوضع القياسي مقارنة بـ Raspberry Pi 4B.
• يعد Raspberry Pi 5 أسرع بنسبة 30.2% في وضع التردد العالي مقارنة بـ Raspberry Pi 4B.
• يعد وضع التردد العالي أسرع بنسبة 28.4% من الوضع القياسي.

Link to this sectionالخلاصة#

يحول Coral Edge TPU جهاز Raspberry Pi إلى جهاز استنتاج فعال ومنخفض الطاقة لـ Ultralytics YOLO26. قم بتصدير نموذجك على جهاز غير ARM، واحتفظ باللاحقة _edgetpu.tflite، وقم بتشغيله باستخدام tflite-runtime على Pi للحصول على استنتاج متسارع عند الحافة. لمزيد من خيارات النشر، راجع دليل Raspberry Pi.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هو Coral Edge TPU وكيف يعزز أداء Raspberry Pi مع Ultralytics YOLO26؟#

إن Coral Edge TPU هو جهاز مدمج يضيف معالجاً مساعداً Edge TPU إلى نظامك. يتيح هذا المعالج المساعد استنتاج ML عالي الأداء ومنخفض الطاقة، ومُحسّن بشكل خاص لنماذج TensorFlow Lite. على Raspberry Pi، فإنه يسرع الاستنتاج بشكل يتجاوز بكثير ما تحققه وحدة المعالجة المركزية وحدها، مما يعزز الأداء بشكل كبير لنماذج Ultralytics YOLO26.

Link to this sectionكيف يمكنني تثبيت وقت تشغيل Coral Edge TPU على Raspberry Pi؟#

قم بتنزيل حزمة .deb المناسبة لإصدار نظام التشغيل الخاص بـ Raspberry Pi من هذا الرابط، ثم قم بتثبيتها:

sudo dpkg -i path/to/package.deb

تأكد من إلغاء تثبيت أي إصدارات سابقة من وقت تشغيل Coral Edge TPU باتباع الخطوات الواردة في قسم تثبيت وقت تشغيل Edge TPU.

Link to this sectionهل يمكنني تصدير نموذج Ultralytics YOLO26 ليكون متوافقاً مع Coral Edge TPU؟#

نعم. قم بتنفيذ التصدير على Google Colab، أو جهاز Linux x86_64، أو حاوية Docker الخاصة بـ Ultralytics؛ يمكنك أيضاً استخدام منصة Ultralytics. إليك كيفية التصدير باستخدام Python وCLI:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/model.pt")  # Load an official model or custom model

# Export the model
model.export(format="edgetpu")

لمزيد من المعلومات، راجع وثائق وضع التصدير.

Link to this sectionماذا يجب أن أفعل إذا كان TensorFlow مثبتاً بالفعل على Raspberry Pi، ولكنني أريد استخدام tflite-runtime بدلاً منه؟#

إذا كان لديك TensorFlow مثبتاً وتحتاج إلى التبديل إلى tflite-runtime، فقم بإلغاء تثبيت TensorFlow أولاً:

pip uninstall tensorflow tensorflow-aarch64

ثم قم بتثبيت أو تحديث tflite-runtime:

pip install -U tflite-runtime

للحصول على تعليمات مفصلة، راجع قسم تشغيل الاستنتاج على Edge TPU.

Link to this sectionكيف أقوم بتشغيل الاستنتاج باستخدام نموذج YOLO26 مُصدّر على Raspberry Pi باستخدام Coral Edge TPU؟#

بعد تصدير نموذج YOLO26 الخاص بك إلى تنسيق متوافق مع Edge TPU، قم بتشغيل الاستنتاج باستخدام المقتطفات التالية. يجب أن يحتفظ ملف النموذج باللاحقة _edgetpu.tflite حتى يقوم Ultralytics بتحميله على Edge TPU:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")

توجد تفاصيل شاملة حول وضع التنبؤ على صفحة التنبؤ.