تعلم كيفية التصدير إلى تنسيق TFLite Edge TPU من نموذج YOLO26#
يعد نشر نماذج الرؤية الحاسوبية على الأجهزة ذات القدرات الحسابية المحدودة، مثل الأجهزة المحمولة أو الأنظمة المضمنة، أمراً معقداً. إن استخدام تنسيق نموذج محسّن لأداء أسرع يسهل العملية. تم تصميم تنسيق نموذج TensorFlow Lite Edge TPU أو TFLite Edge TPU لاستخدام الحد الأدنى من الطاقة مع توفير أداء سريع للشبكات العصبية.
تتيح لك ميزة التصدير إلى تنسيق TFLite Edge TPU تحسين نماذج Ultralytics YOLO26 الخاصة بك من أجل الاستدلال عالي السرعة ومنخفض الطاقة. في هذا الدليل، سنرشدك خلال تحويل نماذجك إلى تنسيق TFLite Edge TPU، مما يسهل على نماذجك أداء بشكل جيد على مختلف الأجهزة المحمولة والمضمنة.
لماذا يجب عليك التصدير إلى TFLite Edge TPU؟#
يؤدي تصدير النماذج إلى TensorFlow Edge TPU إلى جعل مهام machine learning سريعة وفعالة. تناسب هذه التقنية التطبيقات ذات الطاقة المحدودة والموارد الحسابية والاتصال. Edge TPU هو مسرع للأجهزة من Google. فهو يسرع نماذج TensorFlow Lite على أجهزة الحافة. توضح الصورة أدناه مثالاً على العملية المعنية.
يعمل Edge TPU مع النماذج المُكمّمة. تجعل الكممة النماذج أصغر حجمًا وأسرع دون فقدان كبير في accuracy. إنها مثالية للموارد المحدودة للحوسبة الطرفية، مما يسمح للتطبيقات بالاستجابة بسرعة عن طريق تقليل زمن الوصول والسماح بمعالجة البيانات السريعة محليًا، دون الاعتماد على السحابة. تحافظ المعالجة المحلية أيضًا على خصوصية بيانات المستخدم وأمانها نظراً لعدم إرسالها إلى خادم بعيد.
الميزات الرئيسية لـ TFLite Edge TPU#
فيما يلي الميزات الرئيسية التي تجعل TFLite Edge TPU خياراً رائعاً لتنسيق النماذج للمطورين:
-
أداء مُحسَّن على أجهزة الحافة: يحقق TFLite Edge TPU أداء شبكة عصبية عالي السرعة من خلال التكميم، وتحسين النموذج، وتسريع الأجهزة، وتحسين المترجم. تساهم بنيته البسيطة في صغر حجمه وفعاليته من حيث التكلفة.
-
إنتاجية حوسبية عالية: يجمع TFLite Edge TPU بين تسريع الأجهزة المتخصص وتنفيذ وقت التشغيل الفعال لتحقيق إنتاجية حوسبية عالية. إنه مناسب تماماً لنشر نماذج تعلم الآلة ذات متطلبات الأداء الصارمة على أجهزة الحافة.
-
حسابات المصفوفات الفعالة: تم تحسين TensorFlow Edge TPU لعمليات المصفوفات، والتي تعتبر حاسمة لحسابات neural network. هذه الكفاءة هي المفتاح في نماذج التعلم الآلي، لا سيما تلك التي تتطلب ضرب ومصفوفات وتحويلات متعددة ومعقدة.
خيارات النشر مع TFLite Edge TPU#
قبل أن ننتقل إلى كيفية تصدير نماذج YOLO26 إلى تنسيق TFLite Edge TPU، دعنا نفهم أين تُستخدم نماذج TFLite Edge TPU عادةً.
يوفر TFLite Edge TPU خيارات نشر متنوعة لنماذج تعلم الآلة، بما في ذلك:
-
النشر على الجهاز: يمكن نشر نماذج TensorFlow Edge TPU مباشرة على الأجهزة المحمولة والمدمجة. يسمح النشر على الجهاز للنماذج بالتنفيذ مباشرة على الأجهزة، مما يلغي الحاجة إلى الاتصال السحابي، إما عن طريق تضمين النموذج في حزمة التطبيق أو تنزيله عند الطلب.
-
حوسبة الحافة مع TensorFlow TPUs السحابية: في السيناريوهات التي تكون فيها أجهزة الحافة ذات قدرات معالجة محدودة، يمكن لـ TensorFlow Edge TPUs تفريغ مهام الاستدلال إلى خوادم سحابية مجهزة بـ TPUs.
-
ال نشر الهجين: يجمع النهج الهجين بين النشر على الجهاز والسحابي ويقدم حلاً مرنًا وقابلاً للتطوير لنشر نماذج التعلم الآلي. تشمل المزايا المعالجة على الجهاز للاستجابات السريعة وcloud computing للحسابات الأكثر تعقيدًا.
المهام المدعومة#
يدعم تصدير Edge TPU ست مهام من أصل سبع مهام لـ Ultralytics. يتوفر التجزئة الدلالية فقط مع YOLO26، العائلة الوحيدة التي توفر هذا الرأس. لا يتم دعم تقدير العمق لأن نموذج INT8 الخاص به يصدر عامل EXP v2 لا يمكن لمُصنّف Edge TPU تحليله.
يقوم مُصنِّف Edge TPU بتعيين العمليات التي يدعمها على المسرِّع ويترك الباقي على وحدة المعالجة المركزية (CPU)، لذا فإن دعم المهام لا يعني بالضرورة تشغيل كل عملية على TPU.
تصدير نماذج YOLO26 إلى TFLite Edge TPU#
يمكنك توسيع توافق النموذج ومرونة النشر عن طريق تحويل نماذج YOLO26 إلى TensorFlow Edge TPU.
التثبيت#
لتثبيت الحزمة المطلوبة، قم بتشغيل:
# Install the required package for YOLO26
pip install ultralyticsللحصول على إرشادات 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#
تم تصميم جميع نماذج Ultralytics YOLO26 لدعم التصدير خارج الصندوق، مما يسهل دمجها في سيرงาน النشر المفضل لديك. يمكنك عرض القائمة الكاملة لتنسيقات التصدير المدعومة وخيارات التكوين لاختيار الإعداد الأفضل لتطبيقك.
يدعم تنسيق TFLite Edge TPU أوضاع Export وPredict وValidate. يتم تشغيل الاستدلال والتحقق على أجهزة Coral Edge TPU. قم بتصدير نموذجك، ثم قم بتحميل النموذج المصدر لتشغيل 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#
| الوسيط | النوع | الافتراضي | الوصف |
|---|---|---|---|
format | str | 'edgetpu' | التنسيق المستهدف للنموذج المصدر، والذي يحدد التوافق مع بيئات النشر المختلفة. |
imgsz | int أو tuple | 640 | حجم الصورة المطلوب لإدخال النموذج. يمكن أن يكون رقماً صحيحاً للصور المربعة أو صفاً (tuple) (height, width) لأبعاد محددة. |
quantize | int أو str | 8/auto | دقة الكممة. يلزم استخدام 8 (INT8) ويتم تمكينه تلقائيًا لـ Edge TPU، مما يؤدي إلى ضغط النموذج وتسريع الاستدلال مع الحد الأدنى من فقدان accuracy على أجهزة الحافة. يحل محل علامات half/int8 المهملة. |
opset | int | None | يحدد إصدار ONNX opset للرسم البياني الوسيط ONNX. في حال عدم تحديده، يتم استخدام أحدث إصدار مدعوم. |
data | str | None | مسار ملف YAML للـdataset، وهو أمر أساسي للكمية (quantization)؛ بينما يتطلب التصنيف مجلد مجموعة بيانات أو اسم مجموعة بيانات مدمجة بدلاً من ذلك. إذا تم تخطيه باستخدام quantize=8، فإن Ultralytics تحدد مجموعة بيانات المعايرة الافتراضية لمهمة النموذج. |
fraction | float أو int أو list | 1.0 | مجموعة فرعية للمعايرة كنسبة، أو عدد صور، أو نسب/أعداد [train, val, test]. قوائم العنصرين تترك test بالكامل، بينما 0 تتخطاها. |
device | str | None | يحدد الجهاز للتصدير: وحدة المعالجة المركزية CPU (device=cpu). |
يرجى التأكد من استخدام جهاز x86 يعمل بنظام Linux عند التصدير إلى EdgeTPU.
لمزيد من التفاصيل حول عملية التصدير، تفضل بزيارة صفحة وثائق Ultralytics حول التصدير.
نشر نماذج YOLO26 TFLite Edge TPU المُصدَّرة#
بعد تصدير نماذج Ultralytics YOLO26 بنجاح إلى تنسيق TFLite Edge TPU، يمكنك الآن نشرها. الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج TFLite Edge TPU هي استخدام طريقة YOLO("model_edgetpu.tflite")، كما هو موضح في مقتطف كود الاستخدام السابق.
ومع ذلك، للحصول على تعليمات متعمقة حول نشر نماذج TFLite Edge TPU الخاصة بك، ألقِ نظرة على الموارد التالية:
-
Coral Edge TPU on a Raspberry Pi with Ultralytics YOLO26: اكتشف كيفية دمج Coral Edge TPUs مع Raspberry Pi لتحسين إمكانيات التعلم الآلي.
-
Code Examples: الوصول إلى أمثلة عملية لنشر TensorFlow Edge TPU لبدء مشاريعك.
-
Run Inference on the Edge TPU with Python: استكشف كيفية استخدام واجهة برمجة تطبيقات TensorFlow Lite Python لتطبيقات Edge TPU، بما في ذلك إرشادات الإعداد والاستخدام.
ملخص#
في هذا الدليل، تعلمنا كيفية تصدير نماذج Ultralytics YOLO26 إلى تنسيق TFLite Edge TPU. باتباع الخطوات المذكورة أعلاه، يمكنك زيادة سرعة وقوة تطبيقات computer vision الخاصة بك.
لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة Edge TPU official website.
أيضًا، لمزيد من المعلومات حول عمليات التكامل الأخرى لـ Ultralytics YOLO26، يرجى زيارة integration guide page. وهناك، ستكتشف موارد ورؤى قيّمة.
الأسئلة الشائعة#
لتصدير نموذج YOLO26 إلى تنسيق TFLite Edge TPU، يمكنك اتباع هذه الخطوات:
الاستخدامfrom 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' # Load the exported TFLite Edge TPU model edgetpu_model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite") # Run inference results = edgetpu_model("https://ultralytics.com/images/bus.jpg")للحصول على تفاصيل كاملة حول تصدير النماذج إلى تنسيقات أخرى، راجع export guide.
يوفر تصدير نماذج YOLO26 إلى TFLite Edge TPU العديد من المزايا:
- أداء مُحسَّن: تحقيق أداء شبكة عصبية عالي السرعة مع الحد الأدنى من استهلاك الطاقة.
- زمن استجابة أقل: معالجة سريعة للبيانات محلياً دون الحاجة إلى الاعتماد على السحابة.
- خصوصية محسنة: تحافظ المعالجة المحلية على خصوصية بيانات المستخدم وأمانها.
هذا ما يجعله مثاليًا للتطبيقات في edge computing، حيث تمتلك الأجهزة طاقة وموارد حسابية محدودة. اعرف المزيد حول why you should export.
نعم، يمكن نشر نماذج TensorFlow Lite Edge TPU مباشرة على الأجهزة المحمولة والمضمنة. يتيح نهج النشر هذا للنماذج التنفيذ مباشرة على الأجهزة، مما يوفر استدلالًا أسرع وأكثر كفاءة. للحصول على أمثلة التكامل، تحقق من guide on deploying Coral Edge TPU on Raspberry Pi.
تشمل حالات الاستخدام الشائعة لنماذج TFLite Edge TPU ما يلي:
- الكاميرات الذكية: تعزيز تحليل الصور والفيديو في الوقت الفعلي.
- أجهزة IoT: تمكين المنازل الذكية والأتمتة الصناعية.
- الرعاية الصحية: تسريع التصوير الطبي والتشخيص.
- تجارة التجزئة: تحسين إدارة المخزون وتحليل سلوك العملاء.
تستفيد هذه التطبيقات من الأداء العالي واستهلاك الطاقة المنخفض لنماذج TFLite Edge TPU. اكتشف المزيد حول usage scenarios.
إذا واجهت مشكلات أثناء تصدير أو نشر نماذج TFLite Edge TPU، فارجع إلى Common Issues guide للحصول على نصائح حول استكشاف الأخطاء وإصلاحها. يغطي هذا الدليل المشكلات الشائعة والحلول لمساعدتك في ضمان تشغيل سلس. للحصول على دعم إضافي، تفضل بزيارة Help Center.