تعلّم تصدير النموذج إلى تنسيق TFLite Edge TPU من نموذج YOLO26#

قد يكون نشر نماذج الرؤية الحاسوبية على الأجهزة ذات القدرة الحسابية المحدودة، مثل الأنظمة المحمولة أو المضمّنة، أمرًا معقدًا. ويساعد استخدام تنسيق نموذج مُحسّن لتحقيق أداء أسرع على تبسيط العملية. صُمّم تنسيق نموذج TensorFlow Lite Edge TPU أو TFLite Edge TPU لاستخدام أقل قدر من الطاقة مع توفير أداء سريع للشبكات العصبية.

تتيح ميزة التصدير إلى تنسيق TFLite Edge TPU تحسين نماذج Ultralytics YOLO26 للاستدلال عالي السرعة ومنخفض استهلاك الطاقة. في هذا الدليل، سنرشدك خلال تحويل نماذجك إلى تنسيق TFLite Edge TPU، مما يسهّل على نماذجك تحقيق أداء جيد على مختلف الأجهزة المحمولة والمضمّنة.

لماذا ينبغي تصدير النموذج إلى TFLite Edge TPU؟#

يؤدي تصدير النماذج إلى TensorFlow Edge TPU إلى جعل مهام التعلّم الآلي سريعة وفعّالة. وتناسب هذه التقنية التطبيقات ذات الطاقة والموارد الحاسوبية والاتصال المحدود. يُعد Edge TPU مسرّعًا عتاديًا من Google. وهو يسرّع نماذج TensorFlow Lite على الأجهزة الطرفية. وتوضح الصورة أدناه مثالًا على العملية المعنية.

يعمل Edge TPU مع النماذج المُكمّمة. وتجعل الكمّية النماذج أصغر وأسرع من دون فقدان كبير في الدقة. وهي مثالية للموارد المحدودة في الحوسبة الطرفية، إذ تتيح للتطبيقات الاستجابة بسرعة من خلال تقليل زمن الاستجابة ومعالجة البيانات محليًا بسرعة، من دون الاعتماد على السحابة. كما تحافظ المعالجة المحلية على خصوصية بيانات المستخدم وأمانها، لأنها لا تُرسل إلى خادم بعيد.

الميزات الرئيسية لـ TFLite Edge TPU#

فيما يلي الميزات الرئيسية التي تجعل TFLite Edge TPU خيارًا رائعًا لتنسيق النماذج للمطورين:

• أداء مُحسّن على الأجهزة الطرفية: يحقق TFLite Edge TPU أداءً عالي السرعة للشبكات العصبية من خلال التكميم وتحسين النموذج والتسريع العتادي وتحسين المصرّف. وتسهم بنيته المبسطة في صغر حجمه وكفاءته من حيث التكلفة.

• إنتاجية حسابية عالية: يجمع TFLite Edge TPU بين التسريع العتادي المتخصص والتنفيذ الفعّال أثناء التشغيل لتحقيق إنتاجية حسابية عالية. وهو مناسب تمامًا لنشر نماذج التعلّم الآلي ذات متطلبات الأداء الصارمة على الأجهزة الطرفية.

• حسابات فعّالة للمصفوفات: جرى تحسين TensorFlow Edge TPU لعمليات المصفوفات، وهي عمليات أساسية لحسابات الشبكات العصبية. وتُعد هذه الكفاءة مهمة في نماذج التعلّم الآلي، ولا سيما تلك التي تتطلب عددًا كبيرًا من عمليات ضرب المصفوفات والتحويلات المعقدة.

خيارات النشر باستخدام TFLite Edge TPU#

قبل أن ننتقل إلى كيفية تصدير نماذج YOLO26 إلى تنسيق TFLite Edge TPU، دعونا نفهم أين تُستخدم نماذج TFLite Edge TPU عادةً.

يوفر TFLite Edge TPU خيارات نشر متنوعة لنماذج التعلّم الآلي، بما في ذلك:

• النشر على الجهاز: يمكن نشر نماذج TensorFlow Edge TPU مباشرةً على الأجهزة المحمولة والمضمّنة. ويتيح النشر على الجهاز للنماذج التنفيذ مباشرةً على العتاد، مما يلغي الحاجة إلى الاتصال بالسحابة، سواءً عبر تضمين النموذج في حزمة التطبيق أو تنزيله عند الطلب.

• النشر الهجين: يجمع النهج الهجين بين النشر على الجهاز والنشر السحابي، ويوفر حلًا مرنًا وقابلًا للتوسّع لنشر نماذج التعلّم الآلي. وتشمل مزاياه المعالجة على الجهاز للاستجابات السريعة والحوسبة السحابية للحسابات الأكثر تعقيدًا.

المهام المدعومة#

يدعم تصدير Edge TPU ستًا من مهام Ultralytics السبع. ويتوفر التقسيم الدلالي مع YOLO26 فقط، وهي العائلة الوحيدة التي تتضمن ذلك الرأس. ولا يُدعم تقدير العمق لأن نموذجه INT8 يُصدر عامل EXP v2 الذي لا يستطيع مصرّف Edge TPU تحليله.

يُسند مصرّف Edge TPU العمليات التي يدعمها إلى المسرّع، ويُبقي العمليات المتبقية على CPU، ولذلك لا يعني دعم المهمة تشغيل كل عملية على TPU.

تصدير نماذج YOLO26 إلى TFLite Edge TPU#

يمكنك توسيع توافق النماذج ومرونة النشر من خلال تحويل نماذج YOLO26 إلى TensorFlow Edge TPU.

التثبيت#

لتثبيت الحزمة المطلوبة، نفّذ:

# Install the required package for YOLO26
pip install ultralytics

للحصول على تعليمات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل تثبيت Ultralytics. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على الحلول والنصائح.

الاستخدام#

صُممت جميع نماذج Ultralytics YOLO26 لدعم التصدير مباشرةً، مما يسهّل دمجها في سير عمل النشر المفضل لديك. يمكنك عرض القائمة الكاملة لتنسيقات التصدير المدعومة وخيارات الإعداد لاختيار الإعداد الأنسب لتطبيقك.

يدعم تنسيق TFLite Edge TPU أوضاع التصدير والتنبؤ والتحقق. ويُجرى الاستدلال والتحقق على عتاد Coral Edge TPU. صدّر نموذجك، ثم حمّل النموذج المُصدّر لإجراء الاستدلال أو التحقق من دقته.

from ultralytics import YOLO

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

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolo26n_full_integer_quant_edgetpu.tflite'

from ultralytics import YOLO

# Load the exported TFLite Edge TPU model
model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

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

from ultralytics import YOLO

# Load the exported TFLite Edge TPU model
model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

وسائط التصدير#

لمزيد من التفاصيل حول عملية التصدير، تفضل بزيارة صفحة توثيق Ultralytics حول التصدير.

نشر نماذج YOLO26 المُصدّرة بصيغة TFLite Edge TPU#

بعد تصدير نماذج Ultralytics YOLO26 إلى تنسيق TFLite Edge TPU بنجاح، يمكنك الآن نشرها. تتمثل الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج TFLite Edge TPU في استخدام الطريقة YOLO("model_edgetpu.tflite")، كما هو موضح في مقتطف التعليمات البرمجية السابق للاستخدام.

ومع ذلك، للحصول على إرشادات مفصلة حول نشر نماذج TFLite Edge TPU، اطلع على الموارد التالية:

• Coral Edge TPU على Raspberry Pi مع Ultralytics YOLO26: تعرّف على كيفية دمج Coral Edge TPU مع Raspberry Pi لتعزيز إمكانات التعلّم الآلي.

• أمثلة التعليمات البرمجية: يمكنك الوصول إلى أمثلة عملية لنشر TensorFlow Edge TPU لبدء مشروعاتك.

• إجراء الاستدلال على Edge TPU باستخدام Python: استكشف كيفية استخدام Python API لـ TensorFlow Lite في تطبيقات Edge TPU، بما في ذلك إرشادات الإعداد والاستخدام.

الملخص#

في هذا الدليل، تعلّمنا كيفية تصدير نماذج Ultralytics YOLO26 إلى تنسيق TFLite Edge TPU. وباتباع الخطوات المذكورة أعلاه، يمكنك زيادة سرعة تطبيقات الرؤية الحاسوبية وتقليل استهلاكها للطاقة.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة الموقع الرسمي لـ Coral Edge TPU.

ولمزيد من المعلومات حول عمليات تكامل Ultralytics YOLO26 الأخرى، يرجى زيارة صفحة دليل التكامل. وستجد هناك موارد ورؤى قيّمة.

الأسئلة الشائعة#