دليل البدء السريع: NVIDIA DGX Spark مع Ultralytics YOLO26#

يقدم هذا الدليل الشامل شرحاً مفصلاً لنشر نموذج Ultralytics YOLO26 على NVIDIA DGX Spark، الحاسوب العملاق والمكتبي المدمج للذكاء الاصطناعي من NVIDIA. بالإضافة إلى ذلك، يعرض الدليل تقييمات الأداء لإظهار إمكانيات YOLO26 على هذا النظام القوي.

ما هو NVIDIA DGX Spark؟#

NVIDIA DGX Spark هو حاسوب فائق الجودة مدمج لسطح المكتب مخصص للذكاء الاصطناعي، يعمل بواسطة الشريحة الفائقة NVIDIA GB10 Grace Blackwell. يوفر أداء حوسبة ذكاء اصطناعي يصل إلى 1 بيتا فلوب (petaFLOP) بدقة FP4، مما يجعله مثاليًا للمطورين والباحثين وعلماء البيانات الذين يحتاجون إلى قدرات ذكاء اصطناعي قوية في شكل سطح مكتب.

المواصفات الرئيسية#

نظام DGX OS#

NVIDIA DGX OS هو توزيعة لينكس مخصصة توفر أساساً مستقراً ومختبراً ومدعوماً لنظام التشغيل لتشغيل تطبيقات الذكاء الاصطناعي، والتعلم الآلي، وتحليلات البيانات على أنظمة DGX. وهي تتضمن ما يلي:

• أساس Linux قوي ومحسّن لأحمال عمل الذكاء الاصطناعي
• برامج تشغيل وإعدادات نظام مهيأة مسبقًا لأجهزة NVIDIA
• تحديثات أمنية وإمكانيات صيانة النظام
• التوافق مع نظام برمجيات NVIDIA الأوسع

يتبع DGX OS جدول إصدارات منتظم مع توفير التحديثات عادةً مرتين سنويًا (حوالي فبراير وأغسطس)، مع توفير تصحيحات أمنية إضافية بين الإصدارات الرئيسية.

لوحة تحكم DGX#

يأتي جهاز DGX Spark مزوداً بنظام مدمج DGX Dashboard والذي يوفر ما يلي:

• مراقبة النظام في الوقت الفعلي: نظرة عامة على مقاييس التشغيل الحالية للنظام
• تحديثات النظام: القدرة على تطبيق التحديثات مباشرة من لوحة التحكم
• إعدادات النظام: تغيير اسم الجهاز وتكوينات أخرى
• JupyterLab متكامل: الوصول إلى Jupyter Notebooks المحلية للتطوير

الوصول إلى لوحة التحكم#

البدء السريع باستخدام Docker#

أسرع طريقة للبدء باستخدام Ultralytics YOLO26 على NVIDIA DGX Spark هي التشغيل باستخدام صور Docker جاهزة. صورة Docker نفسها التي تدعم Jetson AGX Thor (JetPack 7.0) تعمل على DGX Spark مع نظام DGX OS.

t=ultralytics/ultralytics:latest-nvidia-arm64
sudo docker pull $t && sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t

طلب جهاز CDI أعلاه ينطبق على DGX Spark الذي يعمل بنظام DGX OS. على Jetson AGX Thor، قم بتشغيل نفس الصورة باستخدام --runtime=nvidia بدلاً من ذلك، كما هو موضح في دليل NVIDIA Jetson.

بعد الانتهاء من ذلك، انتقل مباشرة إلى قسم Use TensorRT on NVIDIA DGX Spark section.

البدء بالتثبيت الأصلي (Native Installation)#

للتثبيت الأصلي بدون Docker، اتبع الخطوات التالية.

تثبيت حزمة Ultralytics#

هنا سنقوم بتثبيت حزمة Ultralytics على DGX Spark مع التبعيات الاختيارية حتى نتمكن من تصدير نماذج PyTorch إلى صيغ مختلفة أخرى. سنركز بشكل أساسي على NVIDIA TensorRT exports لأن TensorRT سيضمن لنا الحصول على أقصى أداء ممكن من DGX Spark.

1. تحديث قائمة الحزم، وتثبيت pip والترقية إلى الأحدث

   sudo apt update
   sudo apt install python3-pip -y
   pip install -U pip

2. تثبيت حزمة pip لـ ultralytics مع التبعيات الاختيارية

   pip install ultralytics[export]

3. إعادة تشغيل الجهاز

   sudo reboot

تثبيت PyTorch وTorchvision#

تثبيت ultralytics أعلاه سيقوم بتثبيت Torch و Torchvision. ومع ذلك، قد لا تكون هذه الحزم المثبتة عبر pip محسنة بالكامل لبنية ARM64 الخاصة بـ DGX Spark مع CUDA 13. لذلك، نوصي بتثبيت الإصدارات المتوافقة مع CUDA 13:

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu130

UserWarning: Found GPU0 NVIDIA GB10 which is of cuda capability 12.1.
Minimum and Maximum cuda capability supported by this version of PyTorch is (8.0) - (12.0)

تثبيت onnxruntime-gpu#

حزمة onnxruntime-gpu المستضافة في PyPI لا تحتوي على ثنائيات aarch64 لأنظمة ARM64. لذا نحتاج إلى تثبيت هذه الحزمة يدويًا. هذه الحزمة مطلوبة لبعض عمليات التصدير.

هنا سنقوم بتنزيل وتثبيت onnxruntime-gpu 1.24.0 مع دعم Python3.12.

pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/onnxruntime_gpu-1.24.0-cp312-cp312-linux_aarch64.whl

استخدام TensorRT على NVIDIA DGX Spark#

من بين جميع تنسيقات تصدير النماذج المدعومة بواسطة Ultralytics، توفر TensorRT أعلى أداء للاستدلال على NVIDIA DGX Spark، مما يجعلها توصيتنا الأولى لعمليات النشر. للحصول على تعليمات الإعداد والاستخدام المتقدم، راجع دليل تكامل TensorRT المخصص.

تحويل النموذج إلى TensorRT وتشغيل الاستنتاج#

تم تحويل نموذج YOLO26n بتنسيق PyTorch إلى TensorRT لتشغيل الاستنتاج باستخدام النموذج المصدر.

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Export the model to TensorRT
model.export(format="engine")  # creates 'yolo26n.engine'

# Load the exported TensorRT model
trt_model = YOLO("yolo26n.engine")

# Run inference
results = trt_model("https://ultralytics.com/images/bus.jpg")

معايير أداء NVIDIA DGX Spark YOLO11#

تم تشغيل تقييمات أداء YOLO11 بواسطة فريق Ultralytics على تنسيقات نماذج متعددة تقيس السرعة والدقة: PyTorch، TorchScript، ONNX، OpenVINO، TensorRT، TF SavedModel، TF GraphDef، TF Lite، MNN، NCNN، ExecuTorch. تم تشغيل تقييمات الأداء على NVIDIA DGX Spark بدقة FP32 precision مع حجم صورة إدخال افتراضي يبلغ 640.

جدول مقارنة مفصل#

يمثل الجدول أدناه نتائج المعايير لخمسة نماذج مختلفة (YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x) عبر تنسيقات متعددة، مما يعطينا الحالة والحجم ومقياس mAP50-95(B) ووقت الاستدلال لكل تركيبة.

إعادة إنتاج نتائجنا#

إعادة إنتاج مقارنات أداء Ultralytics المذكورة أعلاه عبر جميع تنسيقات التصدير عن طريق تشغيل هذا الكود:

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Benchmark YOLO26n speed and accuracy on the COCO128 dataset for all export formats
results = model.benchmark(data="coco128.yaml", imgsz=640)

أفضل الممارسات لـ NVIDIA DGX Spark#

عند استخدام NVIDIA DGX Spark، هناك بعض أفضل الممارسات التي يجب اتباعها لتمكين أقصى أداء عند تشغيل YOLO26.

1. مراقبة أداء النظام

   استخدم أدوات المراقبة من NVIDIA لتتبع استخدام GPU و CPU:

   nvidia-smi

2. تحسين استخدام الذاكرة

   مع ذاكرة موحدة بسعة 128 جيجابايت، يمكن لـ DGX Spark التعامل مع أحجام دفعات ونماذج كبيرة. فكر في زيادة حجم الدفعة لتحسين الإنتاجية:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.engine")
   results = model.predict(source="path/to/images", batch=16)

3. استخدم TensorRT مع FP16 أو INT8

   للحصول على أفضل أداء، قم بتصدير النماذج بدقة FP16 أو INT8:

   yolo export model=yolo26n.pt format=engine quantize=16 # FP16
   yolo export model=yolo26n.pt format=engine quantize=8  # INT8

تحديثات النظام (إصدار المؤسسين Founders Edition)#

يعد الحفاظ على تحديث جهاز DGX Spark Founders Edition أمراً بالغ الأهمية للأداء والأمان. توفر NVIDIA طريقتين أساسيتين لتحديث نظام التشغيل وبرامج التشغيل والبرامج الثابتة.

استخدام لوحة تحكم DGX (موصى به)#

تعد DGX Dashboard الطريقة الموصى بها لإجراء تحديثات النظام مع ضمان التوافق. وهي تتيح لك ما يلي:

• عرض تحديثات النظام المتاحة
• تثبيت تصحيحات الأمان وتحديثات النظام
• إدارة تحديثات برنامج تشغيل NVIDIA والبرامج الثابتة

تحديثات النظام اليدوية#

للمستخدمين المتقدمين، يمكن إجراء التحديثات يدوياً عبر الطرفية (terminal):

sudo apt update
sudo apt dist-upgrade
sudo fwupdmgr refresh
sudo fwupdmgr upgrade
sudo reboot

الخطوات التالية#

لمزيد من التعلم والدعم، راجع وثائق Ultralytics YOLO26.

الأسئلة الشائعة#