Link to this sectionدليل البدء السريع: Raspberry Pi مع Ultralytics YOLO26#

يقدم هذا الدليل الشامل شرحاً تفصيلياً لنشر Ultralytics YOLO26 على أجهزة Raspberry Pi. بالإضافة إلى ذلك، يعرض الدليل معايير الأداء لتوضيح قدرات YOLO26 على هذه الأجهزة الصغيرة والقوية.

Link to this sectionما هو Raspberry Pi؟#

إن Raspberry Pi هو حاسوب صغير ميسور التكلفة على لوحة واحدة. وقد أصبح شائعاً لمجموعة واسعة من المشاريع والتطبيقات، من أتمتة المنازل للهواة إلى الاستخدامات الصناعية. لوحات Raspberry Pi قادرة على تشغيل مجموعة متنوعة من أنظمة التشغيل، وتوفر دبابيس GPIO (دخل/خرج للأغراض العامة) التي تسمح بالتكامل السهل مع المستشعرات والمشغلات ومكونات الأجهزة الأخرى. وهي تأتي في طرازات مختلفة ذات مواصفات متفاوتة، لكنها تشترك جميعها في فلسفة التصميم الأساسية المتمثلة في كونها منخفضة التكلفة ومدمجة ومتعددة الاستخدامات.

Link to this sectionمقارنة سلسلة Raspberry Pi#

Link to this sectionما هو Raspberry Pi OS؟#

Raspberry Pi OS (المعروف سابقاً باسم Raspbian) هو نظام تشغيل يشبه Unix يعتمد على توزيعة Debian GNU/Linux لعائلة Raspberry Pi من الحواسيب المدمجة ذات اللوحة الواحدة التي توزعها مؤسسة Raspberry Pi Foundation. تم تحسين Raspberry Pi OS بدرجة كبيرة ليعمل مع وحدات المعالجة المركزية ARM في Raspberry Pi ويستخدم بيئة سطح مكتب LXDE معدلة مع مدير النوافذ Openbox. يخضع Raspberry Pi OS للتطوير النشط، مع التركيز على تحسين استقرار وأداء أكبر عدد ممكن من حزم Debian على Raspberry Pi.

Link to this sectionتثبيت Raspberry Pi OS على Raspberry Pi#

أول شيء يجب القيام به بعد الحصول على Raspberry Pi هو تثبيت (فلاش) بطاقة micro-SD بنظام Raspberry Pi OS، ثم إدخالها في الجهاز والتمهيد داخل نظام التشغيل. اتبع وثائق البدء السريع المقدمة من Raspberry Pi لإعداد جهازك للاستخدام الأول.

Link to this sectionإعداد Ultralytics#

توجد طريقتان لإعداد حزمة Ultralytics على Raspberry Pi لبناء مشروعك القادم في رؤية الحاسوب. يمكنك استخدام أي منهما.

• البدء باستخدام Docker
• البدء بدون Docker

Link to this sectionالبدء باستخدام Docker#

أسرع طريقة للبدء مع Ultralytics YOLO26 على Raspberry Pi هي التشغيل باستخدام صورة docker مجهزة مسبقاً لـ Raspberry Pi.

نفذ الأمر أدناه لسحب حاوية Docker والتشغيل على Raspberry Pi. يعتمد هذا على صورة docker arm64v8/debian التي تحتوي على Debian 12 (Bookworm) في بيئة Python3.

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

بعد الانتهاء من ذلك، انتقل إلى قسم استخدام NCNN على Raspberry Pi.

Link to this sectionالبدء بدون Docker#

Link to this sectionتثبيت حزمة Ultralytics#

هنا سنقوم بتثبيت حزمة Ultralytics على Raspberry Pi مع التبعيات الاختيارية حتى نتمكن من تصدير نماذج PyTorch إلى تنسيقات مختلفة أخرى.

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

Link to this sectionاستخدام NCNN على Raspberry Pi#

من بين جميع تنسيقات تصدير النماذج التي تدعمها Ultralytics، يقدم NCNN أفضل أداء للاستنتاج عند العمل مع أجهزة Raspberry Pi لأن NCNN محسّن للغاية للمنصات المحمولة/المدمجة (مثل معمارية ARM).

Link to this sectionتحويل النموذج إلى NCNN وتشغيل الاستنتاج#

يتم تحويل نموذج YOLO26n بتنسيق PyTorch إلى NCNN لتشغيل الاستنتاج باستخدام النموذج المُصدّر.

from ultralytics import YOLO

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

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolo26n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolo26n_ncnn_model")

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

Link to this sectionتحسينات أداء YOLO26 مقارنة بـ YOLO11#

تم تصميم YOLO26 خصيصاً ليعمل على الأجهزة المحدودة الموارد مثل Raspberry Pi 5. مقارنة بـ YOLO11n، يحقق YOLO26n زيادة بنسبة ~15% في معدل الإطارات (6.79 -> 7.79) مع توفير دقة mAP أعلى (40.1 مقابل 39.5) عند حجم إدخال 640 مع النماذج المُصدرة بصيغة ONNX على Raspberry Pi 5. يعرض الجدول والمخطط أدناه هذه المقارنة.

Link to this sectionقياسات أداء YOLO26 على Raspberry Pi 5#

تم إجراء قياسات أداء YOLO26 بواسطة فريق Ultralytics على عشرة تنسيقات نماذج مختلفة لقياس السرعة والدقة: PyTorch، TorchScript، ONNX، OpenVINO، TF SavedModel، TF GraphDef، TF Lite، MNN، NCNN، ExecuTorch. تم إجراء القياسات على Raspberry Pi 5 بدقة FP32 دقة القياس مع حجم صورة إدخال افتراضي قدره 640.

Link to this sectionجدول المقارنة#

لقد قمنا بتضمين قياسات الأداء لنماذج YOLO26n و YOLO26s فقط لأن أحجام النماذج الأخرى كبيرة جداً بحيث لا يمكن تشغيلها على أجهزة Raspberry Pi ولا توفر أداءً مقبولاً.

Link to this sectionجدول مقارنة مفصل#

يمثل الجدول أدناه نتائج قياس الأداء لنموذجين مختلفين (YOLO26n, YOLO26s) عبر عشرة تنسيقات مختلفة (PyTorch، TorchScript، ONNX، OpenVINO، TF SavedModel، TF GraphDef، TF Lite، MNN، NCNN، ExecuTorch)، تعمل على Raspberry Pi 5، مما يمنحنا الحالة، الحجم، مقياس mAP50-95(B)، ووقت الاستنتاج لكل مجموعة.

Link to this sectionإعادة إنتاج نتائجنا#

لإعادة إنتاج قياسات أداء Ultralytics 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)

Link to this sectionاستخدام كاميرا Raspberry Pi#

عند استخدام Raspberry Pi لمشاريع رؤية الحاسوب، قد يكون من الضروري الحصول على بث فيديو في الوقت الفعلي لإجراء الاستدلال. تتيح لك موصلات MIPI CSI المدمجة في Raspberry Pi توصيل وحدات كاميرا Raspberry Pi الرسمية. في هذا الدليل، استخدمنا Raspberry Pi Camera Module 3 للحصول على بث الفيديو وإجراء الاستدلال باستخدام نماذج YOLO26.

Link to this sectionاختبر الكاميرا#

نفذ الأمر التالي بعد توصيل الكاميرا بـ Raspberry Pi. يجب أن تشاهد بث فيديو مباشر من الكاميرا لمدة 5 ثوانٍ تقريباً.

rpicam-hello

Link to this sectionالاستدلال باستخدام الكاميرا#

هناك طريقتان لاستخدام كاميرا Raspberry Pi لتشغيل الاستدلال على نماذج YOLO26.

import cv2
from picamera2 import Picamera2

from ultralytics import YOLO

# Initialize the Picamera2
picam2 = Picamera2()
picam2.preview_configuration.main.size = (1280, 720)
picam2.preview_configuration.main.format = "RGB888"
picam2.preview_configuration.align()
picam2.configure("preview")
picam2.start()

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

while True:
    # Capture frame-by-frame
    frame = picam2.capture_array()

    # Run YOLO26 inference on the frame
    results = model(frame)

    # Visualize the results on the frame
    annotated_frame = results[0].plot()

    # Display the resulting frame
    cv2.imshow("Camera", annotated_frame)

    # Break the loop if 'q' is pressed
    if cv2.waitKey(1) == ord("q"):
        break

# Release resources and close windows
cv2.destroyAllWindows()

Link to this sectionأفضل الممارسات عند استخدام Raspberry Pi#

هناك بضع أفضل الممارسات التي يجب اتباعها لتمكين أقصى أداء على أجهزة Raspberry Pi التي تشغل YOLO26.

1. استخدم SSD

   عند استخدام Raspberry Pi للاستخدام المستمر على مدار الساعة طوال أيام الأسبوع، يوصى باستخدام SSD للنظام لأن بطاقة SD لن تكون قادرة على تحمل عمليات الكتابة المستمرة وقد تتعطل. مع موصل PCIe المدمج في Raspberry Pi 5، يمكنك الآن توصيل أقراص SSD باستخدام محول مثل NVMe Base for Raspberry Pi 5.

2. التثبيت بدون واجهة رسومية (GUI)

   عند تثبيت نظام تشغيل Raspberry Pi، يمكنك اختيار عدم تثبيت بيئة سطح المكتب (Raspberry Pi OS Lite) وهذا يمكن أن يوفر القليل من ذاكرة الوصول العشوائي (RAM) على الجهاز، مما يترك مساحة أكبر لمعالجة رؤية الحاسوب.

3. كسر سرعة Raspberry Pi

   إذا كنت ترغب في زيادة طفيفة في الأداء أثناء تشغيل نماذج Ultralytics YOLO26 على Raspberry Pi 5، يمكنك كسر سرعة وحدة المعالجة المركزية (CPU) من ترددها الأساسي 2.4GHz إلى 2.9GHz، ووحدة معالجة الرسومات (GPU) من 800MHz إلى 1GHz. إذا أصبح النظام غير مستقر أو حدثت أعطال، قم بتقليل قيم كسر السرعة بزيادات قدرها 100MHz. تأكد من وجود تبريد مناسب، حيث أن كسر السرعة يزيد من توليد الحرارة وقد يؤدي إلى الاختناق الحراري.

   أ. تحديث البرنامج

   sudo apt update && sudo apt dist-upgrade

   ب. افتح ملف الإعدادات للتعديل

   sudo nano /boot/firmware/config.txt

   ج. أضف السطور التالية في الأسفل

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1

   د. احفظ واخرج بالضغط على CTRL + X، ثم Y، واضغط ENTER

   هـ. أعد تشغيل Raspberry Pi

Link to this sectionالخطوات التالية#

لقد قمت بإعداد YOLO بنجاح على جهاز Raspberry Pi الخاص بك. لمزيد من التعلم والدعم، قم بزيارة وثائق Ultralytics YOLO26 و مؤسسة كشمير العالمية (Kashmir World Foundation).

Link to this sectionشكر وتقدير واقتباسات#

تم إنشاء هذا الدليل في البداية بواسطة Daan Eeltink لصالح مؤسسة كشمير العالمية، وهي منظمة مكرسة لاستخدام YOLO للحفاظ على الأنواع المهددة بالانقراض. نحن نقر بعملهم الرائد وتركيزهم التعليمي في مجال تقنيات كشف الأشياء.

لمزيد من المعلومات حول أنشطة مؤسسة كشمير العالمية، يمكنك زيارة موقعهم الإلكتروني.

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف أقوم بإعداد Ultralytics YOLO26 على Raspberry Pi دون استخدام Docker؟#

لإعداد Ultralytics YOLO26 على Raspberry Pi بدون Docker، اتبع الخطوات التالية:

1. قم بتحديث قائمة الحزم وتثبيت pip:

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

2. قم بتثبيت حزمة Ultralytics مع التبعيات الاختيارية:

   pip install ultralytics[export]

3. أعد تشغيل الجهاز لتطبيق التغييرات:

   sudo reboot

للحصول على تعليمات مفصلة، راجع قسم البدء بدون Docker.

Link to this sectionلماذا يجب أن أستخدم تنسيق NCNN الخاص بـ Ultralytics YOLO26 على Raspberry Pi لمهام الذكاء الاصطناعي؟#

تنسيق NCNN الخاص بـ Ultralytics YOLO26 محسن للغاية للمنصات المحمولة والمضمنة، مما يجعله مثالياً لتشغيل مهام الذكاء الاصطناعي على أجهزة Raspberry Pi. يزيد NCNN من أداء الاستدلال من خلال الاستفادة من بنية ARM، مما يوفر معالجة أسرع وأكثر كفاءة مقارنة بالتنسيقات الأخرى. لمزيد من التفاصيل حول خيارات التصدير المدعومة، قم بزيارة صفحة وثائق Ultralytics حول خيارات النشر.

Link to this sectionكيف يمكنني تحويل نموذج YOLO26 إلى تنسيق NCNN للاستخدام على Raspberry Pi؟#

يمكنك تحويل نموذج PyTorch YOLO26 إلى تنسيق NCNN باستخدام أوامر Python أو CLI:

from ultralytics import YOLO

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

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolo26n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolo26n_ncnn_model")

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

لمزيد من التفاصيل، انظر قسم استخدام NCNN على Raspberry Pi.

Link to this sectionما هي الاختلافات في الأجهزة بين Raspberry Pi 4 و Raspberry Pi 5 ذات الصلة بتشغيل YOLO26؟#

تشمل الاختلافات الرئيسية:

• CPU: يستخدم Raspberry Pi 4 نظام Broadcom BCM2711، بمعالج Cortex-A72 64-bit SoC، بينما يستخدم Raspberry Pi 5 نظام Broadcom BCM2712، بمعالج Cortex-A76 64-bit SoC.
• أقصى تردد للمعالج (CPU): يحتوي Raspberry Pi 4 على تردد أقصى يبلغ 1.8GHz، بينما يصل Raspberry Pi 5 إلى 2.4GHz.
• الذاكرة: يوفر Raspberry Pi 4 ما يصل إلى 8GB من ذاكرة LPDDR4-3200 SDRAM، بينما يتميز Raspberry Pi 5 بذاكرة LPDDR4X-4267 SDRAM، المتوفرة في إصدارات 4GB و 8GB.

تساهم هذه التحسينات في تحقيق معايير أداء أفضل لنماذج YOLO26 على Raspberry Pi 5 مقارنة بـ Raspberry Pi 4. راجع جدول مقارنة سلسلة Raspberry Pi لمزيد من التفاصيل.

Link to this sectionكيف يمكنني إعداد وحدة كاميرا Raspberry Pi للعمل مع Ultralytics YOLO26؟#

هناك طريقتان لإعداد كاميرا Raspberry Pi لاستدلال YOLO26:

1. استخدام picamera2:

   import cv2
   from picamera2 import Picamera2
   
   from ultralytics import YOLO
   
   picam2 = Picamera2()
   picam2.preview_configuration.main.size = (1280, 720)
   picam2.preview_configuration.main.format = "RGB888"
   picam2.preview_configuration.align()
   picam2.configure("preview")
   picam2.start()
   
   model = YOLO("yolo26n.pt")
   
   while True:
       frame = picam2.capture_array()
       results = model(frame)
       annotated_frame = results[0].plot()
       cv2.imshow("Camera", annotated_frame)
   
       if cv2.waitKey(1) == ord("q"):
           break
   
   cv2.destroyAllWindows()

2. استخدام بث TCP:

   rpicam-vid -n -t 0 --inline --listen -o tcp://127.0.0.1:8888

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   results = model("tcp://127.0.0.1:8888")

للحصول على تعليمات إعداد مفصلة، قم بزيارة قسم الاستدلال باستخدام الكاميرا.