دليل البدء السريع: NVIDIA DGX Spark مع Ultralytics YOLO26

يوفر هذا الدليل الشامل جولة تفصيلية لنشر Ultralytics YOLO26 على NVIDIA DGX Spark، وهو حاسوب فائق للذكاء الاصطناعي مكتبي ومدمج من NVIDIA. بالإضافة إلى ذلك، فإنه يعرض مقاييس الأداء لإظهار قدرات YOLO26 على هذا النظام القوي.

ما هو NVIDIA DGX Spark؟

NVIDIA DGX Spark هو حاسوب فائق للذكاء الاصطناعي مكتبي مدمج مدعوم بشريحة NVIDIA GB10 Grace Blackwell Superchip. يوفر ما يصل إلى 1 بيتا فلوب من أداء الحوسبة للذكاء الاصطناعي بدقة FP4، مما يجعله مثالياً للمطورين والباحثين وعلماء البيانات الذين يحتاجون إلى قدرات ذكاء اصطناعي قوية في شكل مكتبي.

المواصفات الرئيسية

DGX OS

NVIDIA DGX OS هو توزيعة Linux مخصصة توفر أساس نظام تشغيل مستقر ومختبر ومدعوم لتشغيل تطبيقات الذكاء الاصطناعي والتعلم الآلي والتحليلات على أنظمة DGX. وهو يتضمن:

• أساس Linux قوي ومحسن لأحمال عمل الذكاء الاصطناعي
• برامج تشغيل وإعدادات نظام مهيأة مسبقاً لأجهزة NVIDIA
• تحديثات أمنية وقدرات صيانة النظام
• التوافق مع النظام البيئي الأوسع لبرمجيات NVIDIA

يتبع DGX OS جدول إصدار منتظم مع تحديثات يتم توفيرها عادة مرتين في السنة (حوالي فبراير وأغسطس)، مع توفير تصحيحات أمنية إضافية بين الإصدارات الرئيسية.

DGX Dashboard

يأتي DGX Spark مع DGX Dashboard مدمج يوفر:

• 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 محلياً للتطوير

الوصول إلى لوحة التحكم

البدء السريع مع Docker

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

t=ultralytics/ultralytics:latest-nvidia-arm64
sudo docker pull $t && sudo docker run -it --ipc=host --runtime=nvidia --gpus all $t

بعد الانتهاء من ذلك، انتقل إلى قسم استخدام TensorRT على NVIDIA DGX Spark.

البدء بالتثبيت الأصلي

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 تنسيقات مختلفة أخرى. سنركز بشكل أساسي على صادرات NVIDIA TensorRT لأن TensorRT سيضمن حصولنا على أقصى أداء 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 ultralytics مع التبعيات الاختيارية

   pip install ultralytics[export]

3. إعادة تشغيل الجهاز

   sudo reboot

تثبيت PyTorch و Torchvision

سيقوم تثبيت ultralytics المذكور أعلاه 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 ملفات ثنائية aarch64 لأنظمة ARM64. لذا نحتاج إلى تثبيت هذه الحزمة يدوياً. هذه الحزمة مطلوبة لبعض الصادرات.

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 من قبل Ultralytics، يوفر TensorRT أعلى أداء للاستدلال على NVIDIA DGX Spark، مما يجعله توصيتنا الأولى للنشر. للحصول على تعليمات الإعداد والاستخدام المتقدم، راجع دليل تكامل TensorRT المخصص.

تحويل النموذج إلى TensorRT وتشغيل الاستدلال

تم تحويل نموذج YOLO26n بتنسيق PyTorch إلى TensorRT لتشغيل الاستدلال 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 معايير YOLO11 بواسطة فريق Ultralytics على تنسيقات نماذج متعددة لقياس السرعة والدقة: PyTorch، TorchScript، ONNX، OpenVINO، TensorRT، TF SavedModel، TF GraphDef، TF Lite، MNN، NCNN، ExecuTorch. تم تشغيل المعايير على NVIDIA DGX Spark بدقة FP32 [الدقة] (https://www.ultralytics.com/glossary/precision) مع حجم صورة إدخال افتراضي قدره 640.

جدول مقارنة مفصل

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

إعادة إنتاج نتائجنا

لإعادة إنتاج معايير Ultralytics المذكورة أعلاه على جميع تنسيقات التصدير، قم بتشغيل 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 لجهاز 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 الخاصة بـ NVIDIA لتتبع استخدام GPU و CPU:

   nvidia-smi

2. تحسين استخدام الذاكرة

   مع 128 جيجابايت من الذاكرة الموحدة، يمكن لـ DGX Spark التعامل مع أحجام دفعات ونماذج كبيرة. فكر في زيادة حجم الدفعة لتحسين معدل 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 half=True # FP16
   yolo export model=yolo26n.pt format=engine int8=True # INT8

تحديثات النظام (إصدار Founders Edition)

الحفاظ على تحديث جهاز DGX Spark Founders Edition الخاص بك أمر بالغ الأهمية للأداء والأمان. توفر NVIDIA طريقتين أساسيتين لتحديث نظام تشغيل الجهاز وبرامج التشغيل والبرامج الثابتة (firmware).

استخدام DGX Dashboard (موصى به)

تعد لوحة تحكم DGX الطريقة الموصى بها لإجراء تحديثات النظام وضمان التوافق. فهي تتيح لك:

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

تحديثات النظام اليدوية

للمستخدمين المتقدمين، يمكن إجراء التحديثات يدويًا عبر الجهاز (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

كيف يمكنني نشر Ultralytics YOLO26 على NVIDIA DGX Spark؟

نشر Ultralytics YOLO26 على NVIDIA DGX Spark أمر مباشر. يمكنك استخدام صورة Docker المعدة مسبقًا للإعداد السريع أو تثبيت الحزم المطلوبة يدويًا. يمكن العثور على خطوات مفصلة لكل نهج في قسمي البدء السريع باستخدام Docker و البدء بالتثبيت الأصلي.

ما الأداء الذي يمكنني توقعه من YOLO26 على NVIDIA DGX Spark؟

تقدم نماذج YOLO26 أداءً ممتازًا على DGX Spark بفضل شريحة GB10 Grace Blackwell Superchip. يوفر تنسيق TensorRT أفضل أداء للاستدلال. تحقق من قسم جدول المقارنة التفصيلي للحصول على نتائج معايير محددة عبر أحجام وتنسيقات النماذج المختلفة.

لماذا يجب أن أستخدم TensorRT لـ YOLO26 على DGX Spark؟

يوصى بشدة باستخدام TensorRT لنشر نماذج YOLO26 على DGX Spark نظرًا لأدائه الأمثل. فهو يسرع الاستدلال من خلال الاستفادة من إمكانيات Blackwell GPU، مما يضمن أقصى قدر من الكفاءة والسرعة. تعرف على المزيد في قسم استخدام TensorRT على NVIDIA DGX Spark.

كيف يقارن DGX Spark بأجهزة Jetson لـ YOLO26؟

يوفر DGX Spark قوة حوسبة أكبر بكثير من أجهزة Jetson مع ما يصل إلى 1 PFLOP من أداء الذكاء الاصطناعي و 128 جيجابايت من الذاكرة الموحدة، مقارنة بـ 2070 TFLOPS و 128 جيجابايت من الذاكرة في Jetson AGX Thor. تم تصميم DGX Spark كحاسوب فائق للذكاء الاصطناعي مكتبي، بينما تعتبر أجهزة Jetson أنظمة مدمجة محسنة للنشر عند الحافة (edge deployment).

هل يمكنني استخدام نفس صورة Docker لـ DGX Spark و Jetson AGX Thor؟

نعم! تدعم صورة Docker ultralytics/ultralytics:latest-nvidia-arm64 كلاً من NVIDIA DGX Spark (مع DGX OS) و Jetson AGX Thor (مع JetPack 7.0)، حيث يستخدم كلاهما معمارية ARM64 مع CUDA 13 ومجموعات برامج متشابهة.