تعلّم كيفية تصدير نموذج YOLO26 إلى تنسيق TFLite Edge TPU#

قد يكون نشر نماذج الرؤية الحاسوبية على أجهزة محدودة القدرة الحسابية، مثل الأنظمة المحمولة أو المضمنة، أمرًا صعبًا. واستخدام تنسيق نموذج مُحسّن لأداء أسرع يبسّط العملية. صُمم تنسيق نموذج TensorFlow Lite Edge TPU، أو TFLite Edge TPU، لاستهلاك أقل قدر من الطاقة مع تقديم أداء سريع للشبكات العصبية.

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

لماذا ينبغي التصدير إلى TFLite Edge TPU؟#

يتيح تصدير النماذج إلى TensorFlow Edge TPU تنفيذ مهام تعلّم الآلة بسرعة وكفاءة. وتناسب هذه التقنية التطبيقات محدودة الطاقة والموارد الحاسوبية والاتصال. إن Edge TPU مسرّع أجهزة من Google، يسرّع نماذج TensorFlow Lite على الأجهزة الطرفية. وتوضح الصورة أدناه مثالًا على العملية.

يعمل Edge TPU مع النماذج المكمّمة. وتؤدي التكميمات إلى تصغير النماذج وتسريعها دون فقدان قدر كبير من الدقة. وهذا مثالي لموارد الحوسبة الطرفية المحدودة، إذ يتيح للتطبيقات الاستجابة بسرعة عبر خفض زمن الاستجابة ومعالجة البيانات محليًا بسرعة، 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 ممتازًا لتنسيق النماذج للمطورين:

• أداء محسّن على الأجهزة الطرفية: يحقق TFLite Edge TPU أداءً عالي السرعة للشبكات العصبية بفضل التكميم وتحسين النماذج وتسريع الأجهزة وتحسين المترجم. وتسهم بنيته المبسطة في صغر حجمه وانخفاض تكلفته.

• معدل إنتاجية حسابية مرتفع: يجمع TFLite Edge TPU بين تسريع الأجهزة المتخصص والتنفيذ الفعّال لبيئة التشغيل لتحقيق معدل إنتاجية حسابية مرتفع. وهو مناسب تمامًا لنشر نماذج تعلّم الآلة ذات متطلبات الأداء الصارمة على الأجهزة الطرفية.

• عمليات مصفوفية فعّالة: جرى تحسين TensorFlow Edge TPU لتنفيذ العمليات المصفوفية، الضرورية لحسابات الشبكات العصبية. وتُعد هذه الكفاءة أساسية في نماذج تعلّم الآلة، ولا سيما النماذج التي تتطلب عمليات ضرب وتحويل مصفوفات عديدة ومعقدة.

خيارات النشر باستخدام TFLite Edge TPU#

قبل أن نتناول كيفية تصدير نماذج YOLO26 إلى تنسيق TFLite Edge TPU، لنتعرّف إلى المواضع التي تُستخدم فيها نماذج TFLite Edge TPU عادةً.

يوفر TFLite Edge TPU خيارات نشر متنوعة لنماذج تعلّم الآلة، منها:

• النشر على الجهاز: يمكن نشر نماذج TensorFlow Edge TPU مباشرةً على الأجهزة المحمولة والمضمنة. ويتيح النشر على الجهاز تنفيذ النماذج مباشرةً على العتاد، مما يلغي الحاجة إلى الاتصال بالسحابة، سواء بتضمين النموذج في حزمة التطبيق أو بتنزيله عند الحاجة.

• النشر الهجين: يجمع النهج الهجين بين النشر على الجهاز والنشر السحابي، ويوفر حلًا مرنًا وقابلًا للتوسع لنشر نماذج تعلّم الآلة. وتشمل مزاياه المعالجة على الجهاز للاستجابة السريعة والحوسبة السحابية لإجراء العمليات الحسابية الأكثر تعقيدًا.

المهام المدعومة#

يدعم التصدير إلى Edge TPU ستًا من مهام Ultralytics السبع. ولا يتوفر التقسيم الدلالي إلا مع YOLO26، وهي العائلة الوحيدة التي تتضمن هذا الرأس. ولا يُدعم تقدير العمق لأن نموذج INT8 الخاص به يُصدر عامل EXP v2 الذي لا يستطيع مترجم Edge TPU تحليله.

يُسند مترجم Edge TPU العمليات التي يدعمها إلى المسرّع، ويترك بقية العمليات على CPU؛ لذا لا يعني دعم المهمة أن جميع العمليات تُنفّذ على TPU.

تصدير نماذج YOLO26 إلى TFLite Edge TPU#

يمكنك توسيع توافق النماذج ومرونة نشرها بتحويل نماذج YOLO26 إلى TensorFlow Edge TPU.

التثبيت#

لتثبيت الحزمة المطلوبة، شغّل:

# Install the required package for YOLO26
pip install ultralytics

للاطلاع على التعليمات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل تثبيت Ultralytics. إذا واجهت أي صعوبات أثناء تثبيت الحزم المطلوبة لـ YOLO26، فراجع دليل المشكلات الشائعة للاطلاع على الحلول والنصائح.

الاستخدام#

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

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

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26⁩
model = YOLO("yolo26n.pt")

# ⁨صدّر النموذج إلى تنسيق TFLite Edge TPU⁩
model.export(format="edgetpu")  # ⁨ينشئ 'yolo26n_saved_model/yolo26n_full_integer_quant_edgetpu.tflite'⁩

from ultralytics import YOLO

# ⁨حمّل نموذج TFLite Edge TPU المُصدّر⁩
model = YOLO("yolo26n_saved_model/yolo26n_full_integer_quant_edgetpu.tflite")

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

from ultralytics import YOLO

# ⁨حمّل نموذج TFLite Edge TPU المُصدّر⁩
model = YOLO("yolo26n_saved_model/yolo26n_full_integer_quant_edgetpu.tflite")

# ⁨# التحقق من الدقة على مجموعة بيانات COCO8⁩
metrics = model.val(data="coco8.yaml")

وسيطات التصدير#

لمزيد من التفاصيل حول عملية التصدير، تفضّل بزيارة صفحة وثائق Ultralytics حول التصدير.

نشر نماذج YOLO26 المُصدّرة بتنسيق TFLite Edge TPU#

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

للحصول على تعليمات مفصلة حول نشر نماذج TFLite Edge TPU، راجع الموارد التالية:

• Coral Edge TPU على Raspberry Pi باستخدام Ultralytics YOLO26: تعرّف إلى كيفية دمج Coral Edge TPUs مع Raspberry Pi لتعزيز إمكانات تعلّم الآلة.

• أمثلة الشيفرة: اطّلع على أمثلة عملية لنشر TensorFlow Edge TPU لبدء مشاريعك.

• تشغيل الاستدلال على Edge TPU باستخدام Python: تعرّف إلى كيفية استخدام TensorFlow Lite Python API لتطبيقات 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 وكفاءتها.

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

ولمزيد من المعلومات حول عمليات التكامل الأخرى لـ Ultralytics YOLO26، تفضل بزيارة صفحة دليل التكامل. ستجد هناك موارد ورؤى قيّمة.

الأسئلة الشائعة#