رؤية YOLO 2026:

تصدير ونشر Axelera AI#

تتعاون Ultralytics مع Axelera AI لإتاحة استدلال عالي الأداء ومنخفض الطاقة على أجهزة Edge AI. قم بتصدير ونشر نماذج Ultralytics YOLO مباشرةً إلى Metis® AIPU باستخدام Voyager SDK.

Axelera AI edge deployment ecosystem for YOLO

توفر Axelera AI تسريعاً مخصصاً للأجهزة لرؤية الكمبيوتر عند الحافة، باستخدام بنية تدفق بيانات احتكارية والحوسبة داخل الذاكرة لتقديم ما يصل إلى 856 TOPS مع استهلاك منخفض للطاقة.

اختيار الجهاز المناسب#

تقدم Axelera AI عوامل شكل متنوعة لتناسب قيود النشر المختلفة. يساعدك الرسم البياني أدناه في تحديد الجهاز الأمثل لنشر Ultralytics YOLO الخاص بك.

graph TD
    A[Start: Select Deployment Target]:::start --> B{Device Type?}:::decide
    B -->|Edge Server / Workstation| C{Throughput Needs?}:::decide
    B -->|Embedded / Robotics| D{Space Constraints?}:::decide
    B -->|Standalone / R&D| E[Dev Kits & Systems]:::proc

    C -->|Max Density <br> 30+ Streams| F[**Metis PCIe x4**<br>856 TOPS]:::out
    C -->|Standard PC <br> Low Profile| G[**Metis PCIe x1**<br>214 TOPS]:::out

    D -->|Drones & Handhelds| H[**Metis M.2**<br>2280 M-Key]:::out
    D -->|High Performance Embedded| I[**Metis M.2 MAX**<br>Extended Thermal]:::out

    E -->|ARM-based All-in-One| J[**Metis Compute Board**<br>RK3588 + AIPU]:::out
    E -->|Prototyping| K[**Arduino Portenta x8**<br>Integration Kit]:::out

    click F "https://store.axelera.ai/"
    click G "https://store.axelera.ai/"
    click H "https://store.axelera.ai/"
    click J "https://store.axelera.ai/"

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

محفظة الأجهزة#

تتم محسن مجموعة أجهزة Axelera لتشغيل Ultralytics YOLO26 والإصدارات السابقة بكفاءة عالية في الإطارات لكل ثانية مقابل الواط.

بطاقات التسريع#

تتيح هذه البطاقات تسريع الذكاء الاصطناعي في الأجهزة المضيفة الحالية، مما يسهل عمليات النشر البنيوية القديمة.

المنتجعامل الشكلالحوسبةالأداء (INT8)التطبيق المستهدف
Metis PCIe x4PCIe Gen3 x164x Metis AIPUs856 TOPSتحليلات الفيديو عالية الكثافة، المدن الذكية
Metis PCIe x1PCIe Gen3 x11x Metis AIPU214 TOPSأجهزة الكمبيوتر الصناعية، إدارة صفوف الانتظار في قطاع التجزئة
Metis M.2M.2 2280 M-Key1x Metis AIPU214 TOPSالطائرات بدون طيار، الروبوتات، الأجهزة الطبية المحمولة
Metis M.2 MAXM.2 22801x Metis AIPU214 TOPSالبيئات التي تتطلب إدارة حرارية متقدمة

الأنظمة المتكاملة#

للحصول على حلول جاهزة، تتعاون Axelera مع المصنعين لتوفير أنظمة تم التحقق منها مسبقاً لـ Metis AIPU.

  • لوحة حوسبة Metis: جهاز حافة مستقل يجمع بين Metis AIPU ووحدة المعالجة المركزية Rockchip RK3588 ARM.
  • محطات العمل: أبراج المؤسسات من Dell (Precision 3460XE) و Lenovo (ThinkStation P360 Ultra).
  • أجهزة الكمبيوتر الصناعية: أنظمة محصنة من Advantech وAetina مصممة لأتمتة التصنيع.

المهام المدعومة#

تقدير العمق غير مدعوم: يطلق رأس العمق عوامل تشغيل لا يمكن لمترجم Metis AIPU خفضها. كما أن تجزئة YOLO26 غير مدعومة بواسطة Ultralytics export أيضاً، ولكن لا يزال من الممكن نشرها من خلال Voyager SDK كما هو موضح أدناه.

المهمةYOLOv8YOLO11YOLO26
Detect
Segment
Semantic
Depth
Classify
Pose
OBB
ملاحظة

لا يتم دعم تجزئة YOLO26 حتى الآن من خلال أمر Ultralytics export. يمكن للمستخدمين الذين يحتاجون إلى YOLO26-seg النشر عبر Voyager SDK باستخدام deploy.py، والذي يوفر حلاً بديلاً في مساحة المستخدم. ستتم إضافة دعم المترجم الأصلي في إصدار قادم.

التثبيت#

متطلبات النظام الأساسي

يتطلب التصدير إلى تنسيق Axelera ما يلي:

  • نظام التشغيل: Linux فقط (يوصى بـ Ubuntu 22.04/24.04)
  • الأجهزة: مُسَرِّع Axelera AI (أجهزة Metis)
  • Python: الإصدارات 3.10 و 3.11 و 3.12 و 3.13
  • اعتماديات النظام: sudo apt install libgl1 (مطلوب بواسطة OpenCV، غير متضمن عبر pip)

تثبيت Ultralytics#

pip install ultralytics

للحصول على إرشادات تفصيلية، راجع دليل تثبيت Ultralytics. إذا واجهت صعوبات، فاستشر دليل المشكلات الشائعة.

تثبيت تعريف Axelera#

  1. أضف مفتاح مستودع Axelera:

    sudo sh -c "curl -fsSL https://software.axelera.ai/artifactory/api/security/keypair/axelera/public | gpg --dearmor -o /etc/apt/keyrings/axelera.gpg"
  2. أضف المستودع إلى apt:

    اختر المقتطف المناسب من الأسفل ليتناسب مع نظام التشغيل المستخدم.

    # Ubuntu 22.04
    sudo sh -c "echo 'deb [signed-by=/etc/apt/keyrings/axelera.gpg] https://software.axelera.ai/artifactory/axelera-apt-source ubuntu22 main' > /etc/apt/sources.list.d/axelera.list"
    # Ubuntu 24.04
    sudo sh -c "echo 'deb [signed-by=/etc/apt/keyrings/axelera.gpg] https://software.axelera.ai/artifactory/axelera-apt-source ubuntu24 main' > /etc/apt/sources.list.d/axelera.list"
  3. قم بتثبيت SDK وتحميل التعريف:

    sudo apt update
    sudo apt install -y metis-dkms=1.5.5
    sudo modprobe metis
حافظ على تزامن برنامج تشغيل النواة (kernel driver) مع الـ SDK.

يتم تثبيت برنامج تشغيل النواة بشكل منفصل عن حزم Python SDK، لذا بعد ترقية SDK (على سبيل المثال من 1.6 إلى 1.7) يجب عليك تثبيت إصدار برنامج التشغيل المطابق. يترك برنامج التشغيل غير المتطابق الجهاز غير متاح: يقوم axdevice بالإبلاغ عن الإصدار المطلوب وفشله في فتح الجهاز.

[libaxldev.c:285] Found kernel driver version 1.4.16, but at least version 1.4.18 is required. Please update the kernel driver
ERROR: AXR_ERROR_CONNECTION_ERROR: Failed to open device metis-0:4:0

قم بتثبيت إصدار برنامج التشغيل الذي يتطابق مع SDK الخاص بك - راجع الخطوة 3: تثبيت برنامج تشغيل نواة Metis. إذا كنت تشغيل بالفعل إصدار SDK سابق على Ubuntu، فقم بتحديث برنامج التشغيل وإعادة تحميل وحدة النواة (لا يلزم إعادة التشغيل):

sudo apt update
sudo apt install -y metis-dkms=1.5.5
sudo rmmod metis
sudo modprobe metis

ثم أعد تشغيل axdevice للتأكد من اكتشاف الجهاز.

التشغيل الأول يقوم بتنزيل SDK تلقائياً

سيقوم أول yolo export format=axelera أو yolo predict مع نموذج Axelera بتنزيل وتثبيت حزم Axelera SDK تلقائياً. قد يستغرق هذا عدة دقائق اعتماداً على سرعة اتصالك، ولا يتم عرض أي تقدم أثناء التنزيل. للتثبيت يدوياً مسبقاً:

pip install axelera-devkit==1.7.0 --extra-index-url https://software.axelera.ai/artifactory/api/pypi/axelera-pypi/simple
pip install axelera-rt==1.7.0 --extra-index-url https://software.axelera.ai/artifactory/api/pypi/axelera-pypi/simple

تصدير نماذج YOLO إلى Axelera#

يدعم تنسيق Axelera أوضاع التصدير والتنبؤ والتحقق. يتم تشغيل الاستدلال والتحقق على أجهزة Axelera Metis AIPU. قم بتصدير نموذجك، ثم تحميل النموذج المصدر لتشغيل الاستدلال أو التحقق من دقته.

التصدير
from ultralytics import YOLO

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

# Export the model to Axelera format
model.export(format="axelera")  # creates 'yolo26n_axelera_model'
التنبؤ
from ultralytics import YOLO

# Load the exported Axelera model
model = YOLO("yolo26n_axelera_model")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
التحقق
from ultralytics import YOLO

# Load the exported Axelera model
model = YOLO("yolo26n_axelera_model")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")
قد يفشل التصدير الأول بعد تحديث الاعتمادية

يتطلب مترجم Axelera numpy<2. إذا كانت بيئتك تحتوي على numpy>=2، فإن أول yolo export سيقوم بخفض تصنيفه تلقائياً ولكن التصدير سيفشل بسبب حالة الوحدة القديمة. ما عليك سوى تشغيل نفس أمر التصدير مرة أخرى - سينجح في التشغيل الثاني.

وسائط التصدير#

الوسيطالنوعالافتراضيالوصف
formatstr'axelera'التنسيق المستهدف لأجهزة Axelera Metis AIPU.
imgszint أو tuple640حجم الصورة لمدخلات النموذج.
batchint1يحدد حجم الاستدلال المفعلي لنموذج التصدير أو الحد الأقصى لعدد الصور التي سيعالجها النموذج المُصدّر في نفس الوقت في وضع predict.
quantizeint أو str8/autoدقة التكميم. مطلوب 8 (INT8) وتمكينه تلقائياً لـ Axelera AIPU. يحل محل علامات half/int8 المهملة. راجع تكميم INT8.
datastrNoneملف YAML لمجموعة بيانات المعايير؛ بينما يأخذ التصنيف بدلاً من ذلك دليل مجموعة بيانات أو اسم مجموعة بيانات مدمجة. إذا تم حذفه، يحدد Ultralytics مجموعة بيانات معايير خاصة بالمهمة.
fractionfloat أو int أو list1.0مجموعة بيانات المعايرة الفرعية كنسبة، أو عدد صور، أو نسب/أعداد [train, val, test]. القوائم المكونة من عنصرين تبقي test ممتلئة، بينما يتخلف 0 عنها (يوصى بـ 100-400 صورة).
devicestrNoneجهاز التصدير: GPU (device=0) أو CPU (device=cpu).

لجميع خيارات التصدير، راجع توثيق وضع التصدير.

هيكل المخرجات#

yolo26n_axelera_model/
├── yolo26n.axm                  # Axelera model file
├── compiler_config_final.toml  # Compiler configuration used for the build
└── metadata.yaml               # Model metadata (classes, image size, etc.)

معايير Axelera AI#

يعمل Metis AIPU على زيادة الإنتاجية مع تقليل استهلاك الطاقة.

النموذجإطارات Metis PCIe في الثانيةإطارات Metis M.2 في الثانية
YOLOv8n847771
YOLO11n746574
YOLO26n648.6484.9

تستند المعايير إلى بيانات Axelera AI. تعتمد الإطارات في الثانية الفعلية على حجم النموذج، وتجميع الدفعات، ودقة الإدخال.

تطبيقات العالم الحقيقي#

تمكّن Ultralytics YOLO على أجهزة Axelera حلول حوسبة حافة متقدمة:

سير العمل الموصى به#

  1. درّب نموذجك باستخدام وضع التدريب من Ultralytics
  2. تصدير إلى تنسيق Axelera باستخدام model.export(format="axelera")
  3. تحقق من الدقة باستخدام yolo val للتأكد من الحد الأدنى من فقدان التكميم
  4. تنبأ باستخدام yolo predict للتحقق النوعي
  5. نشر إلى خط أنابيب شامل عالي الأداء بدون اعتمادية PyTorch - راجع أمثلة YOLO على Voyager SDK لخطوط أنابيب Python القابلة للتركيب باستخدام axelera-rt

فحص سلامة الجهاز#

تحقق من أن جهاز Axelera الخاص بك يعمل بشكل صحيح:

# if axdevice cannot be found, please run at least one inference (see above) to ensure the required packages are installed
axdevice

للحصول على تشخيصات مفصلة، راجع توثيق AxDevice.

أقصى أداء#

يستخدم هذا التكامل تكوين النواة الواحدة للتوافق. للإنتاج الذي يتطلب أقصى إنتاجية، يقدم Axelera Voyager SDK:

  • استخدام متعدد النوى (Metis AIPU رباعي النوى)
  • خطوط أنابيب الاستدلال بالبث المتدفق
  • الاستدلال المبلط للكاميرات ذات الدقة العالية

راجع حكاية النماذج (model-zoo) لمعايير إطارات في الثانية (FPS) أو اتصل بـ Axelera للحصول على دعم الإنتاج.

مشكلات معروفة#

القيود المعروفة
  • قيود طاقة M.2: قد تواجه النماذج الكبيرة أو الكبيرة جداً أخطاء في وقت التشغيل على مسرعات M.2 بسبب قيود مصدر الطاقة.

للحصول على الدعم، تفضل بزيارة مجتمع Axelera.

الأسئلة الشائعة#

  • تدعم Voyager SDK تصدير نماذج YOLOv8 وYOLO11 وYOLO26. راجع المهام المدعومة لمعرفة مدى توفر المهام لكل نموذج.

  • نعم. يمكن تصدير أي نموذج تم تدريبه باستخدام وضع تدريب Ultralytics إلى تنسيق Axelera، بشرط أن يستخدم الطبقات والعمليات المدعومة.

  • تقوم Voyager SDK من Axelera بتكميم النماذج تلقائياً لبنية AIPU مختلطة الدقة. بالنسبة لمعظم مهام اكتشاف الكائنات، تفوق مكاسب الأداء (معدل إطارات أعلى، طاقة أقل) بشكل كبير التأثير الضئيل على mAP. يستغرق التكميم من ثوانٍ إلى عدة ساعات اعتماداً على حجم النموذج. قم بتشغيل yolo val بعد التصدير للتحقق من الدقة.

  • نوصي باستخدام 100 إلى 400 صورة. أكثر من 400 صورة لا تقدم أي فائدة إضافية وتزيد من وقت التكميم. جرب 100 و200 و400 صورة لإيجاد التوازن الأمثل.

  • يتوفر SDK وبرامج التشغيل وأدوات المترجم عبر بوابة مطوري Axelera.

التعليقات