تعلم كيفية التصدير إلى تنسيق TFLite Edge TPU من نموذج YOLO26

قد يكون نشر نماذج الرؤية الحاسوبية على الأجهزة ذات القدرة الحسابية المحدودة، مثل الأنظمة المحمولة أو المدمجة، أمرًا صعبًا. استخدام تنسيق نموذج محسّن لأداء أسرع يبسط العملية. تم تصميم تنسيق نموذج TensorFlow Lite Edge TPU أو TFLite Edge TPU لاستخدام طاقة ضئيلة مع توفير أداء سريع للشبكات العصبية.

تتيح لك ميزة التصدير إلى تنسيق TFLite Edge TPU تحسين نماذج Ultralytics YOLO26 الخاصة بك للاستنتاج عالي السرعة ومنخفض الطاقة. في هذا الدليل، سنرشدك خلال تحويل نماذجك إلى تنسيق TFLite Edge TPU، مما يسهل على نماذجك العمل بشكل جيد على مختلف الأجهزة المحمولة والمدمجة.

لماذا يجب عليك التصدير إلى TFLite Edge TPU؟

يجعل تصدير النماذج إلى TensorFlow Edge TPU مهام التعلم الآلي سريعة وفعالة. تناسب هذه التقنية التطبيقات ذات الطاقة المحدودة، وموارد الحوسبة المحدودة، والاتصال المحدود. Edge TPU هو مسرع للأجهزة من Google. وهو يسرع نماذج TensorFlow Lite على أجهزة الحافة. توضح الصورة أدناه مثالاً على العملية المعنية.

يعمل Edge TPU مع النماذج المكممة. التكميم يجعل النماذج أصغر وأسرع دون فقدان الكثير من الدقة. إنه مثالي للموارد المحدودة لحوسبة الحافة، مما يسمح للتطبيقات بالاستجابة بسرعة عن طريق تقليل التأخير والسماح بمعالجة البيانات بسرعة محليًا، 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 محسّن على أجهزة الحافة: يحقق TFLite Edge TPU أداء شبكات عصبية عالي السرعة من خلال التكميم، وتحسين النماذج، وتسريع الأجهزة، وتحسين المترجم. تساهم بنيته التبسيطية في صغر حجمه وكفاءته في التكلفة.

• إنتاجية حسابية عالية: يجمع TFLite Edge TPU بين تسريع الأجهزة المتخصص وتنفيذ وقت التشغيل الفعال لتحقيق إنتاجية حسابية عالية. وهو مناسب تمامًا لنشر نماذج التعلم الآلي ذات متطلبات الأداء الصارمة على أجهزة الحافة.

• حسابات مصفوفات فعالة: تم تحسين TensorFlow Edge TPU لعمليات المصفوفات، والتي تعد حاسمة لحسابات الشبكة العصبية. تعد هذه الكفاءة مفتاحًا في نماذج التعلم الآلي، لا سيما تلك التي تتطلب العديد من عمليات ضرب المصفوفات والتحويلات المعقدة.

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 التعلم الآلي، 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 بالسحابة، إما عن طريق تضمين النموذج في حزمة التطبيق أو تنزيله عند الطلب.

• حوسبة الحافة مع سحابة TensorFlow TPUs: في السيناريوهات التي تتمتع فيها أجهزة الحافة بقدرات معالجة محدودة، يمكن لـ TensorFlow Edge TPUs تفريغ مهام الاستنتاج إلى خوادم سحابية مجهزة بـ TPUs.

• النشر الهجين: يجمع النهج الهجين بين النشر على الجهاز والنشر السحابي ويوفر حلاً متعدد الاستخدامات وقابلاً للتطوير لنشر نماذج التعلم الآلي. تشمل المزايا المعالجة على الجهاز للاستجابات السريعة والحوسبة السحابية لإجراء حسابات أكثر تعقيدًا.

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 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

تم تصميم جميع نماذج Ultralytics YOLO26 لدعم التصدير بشكل مباشر، مما يسهل دمجها في سير عمل النشر المفضل لديك. يمكنك عرض القائمة الكاملة لتنسيقات التصدير المدعومة وخيارات التكوين لاختيار أفضل إعداد لتطبيقك.

from ultralytics import YOLO

# Load the 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")

وسائط التصدير

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

نشر نماذج YOLO26 TFLite Edge TPU المصدرة

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 على Raspberry Pi مع Ultralytics YOLO26: اكتشف كيفية دمج Coral Edge TPUs مع Raspberry Pi للحصول على قدرات تعلم آلي معززة.

• أمثلة الكود: احصل على أمثلة عملية لنشر TensorFlow Edge TPU لبدء مشاريعك.

• تشغيل الاستنتاج على Edge TPU باستخدام Python: استكشف كيفية استخدام واجهة برمجة تطبيقات TensorFlow Lite Python لتطبيقات Edge TPU، بما في ذلك الإعداد وإرشادات الاستخدام.

ملخص

في هذا الدليل، تعلمنا كيفية تصدير نماذج Ultralytics YOLO26 إلى تنسيق TFLite Edge TPU. باتباع الخطوات المذكورة أعلاه، يمكنك زيادة سرعة وقوة تطبيقات الرؤية الحاسوبية الخاصة بك.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة موقع Edge TPU الرسمي.

أيضًا، لمزيد من المعلومات حول تكاملات Ultralytics YOLO26 الأخرى، يرجى زيارة صفحة دليل التكامل الخاصة بنا. هناك، ستكتشف موارد ورؤى قيمة.

الأسئلة الشائعة

كيف أقوم بتصدير نموذج YOLO26 إلى تنسيق TFLite Edge TPU؟

لتصدير نموذج YOLO26 إلى تنسيق TFLite Edge TPU، يمكنك اتباع الخطوات التالية:

from ultralytics import YOLO

# Load the 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 دليل التصدير الخاص بنا.

ما هي فوائد تصدير نماذج YOLO26 إلى TFLite Edge TPU؟

يوفر تصدير نماذج YOLO26 إلى TFLite Edge TPU العديد من الفوائد:

• أداء محسّن: تحقيق أداء شبكة عصبية عالي السرعة مع الحد الأدنى من استهلاك الطاقة.
• تقليل التأخير: معالجة سريعة للبيانات محليًا دون الحاجة إلى الاعتماد على السحابة.
• خصوصية معززة: المعالجة المحلية تحافظ على بيانات المستخدم خاصة وآمنة.

هذا يجعله مثاليًا للتطبيقات في حوسبة الحافة، حيث تمتلك الأجهزة طاقة وموارد حوسبة محدودة. تعرف على المزيد حول سبب وجوب التصدير.

هل يمكنني نشر نماذج TFLite Edge TPU على الأجهزة المحمولة والمدمجة؟

نعم، يمكن نشر نماذج TensorFlow Lite Edge TPU مباشرة على الأجهزة المحمولة والمدمجة. يسمح نهج النشر هذا للنماذج بالتنفيذ مباشرة على الأجهزة، مما يوفر استنتاجًا أسرع وأكثر كفاءة. للحصول على أمثلة للتكامل، تحقق من دليلنا حول نشر Coral Edge TPU على Raspberry Pi.

ما هي بعض حالات الاستخدام الشائعة لنماذج TFLite Edge TPU؟

تشمل حالات الاستخدام الشائعة لنماذج TFLite Edge TPU ما يلي:

• الكاميرات الذكية: تعزيز تحليل الصور والفيديو في الوقت الفعلي.
• أجهزة إنترنت الأشياء (IoT): تمكين المنازل الذكية والأتمتة الصناعية.
• الرعاية الصحية: تسريع التصوير الطبي والتشخيص.
• التجزئة: تحسين إدارة المخزون وتحليل سلوك العملاء.

تستفيد هذه التطبيقات من الأداء العالي واستهلاك الطاقة المنخفض لنماذج TFLite Edge TPU. اكتشف المزيد حول سيناريوهات الاستخدام.

كيف يمكنني استكشاف الأخطاء وإصلاحها أثناء تصدير أو نشر نماذج TFLite Edge TPU؟

إذا واجهت مشكلات أثناء تصدير أو نشر نماذج TFLite Edge TPU، فارجع إلى دليل المشكلات الشائعة الخاص بنا للحصول على نصائح حول استكشاف الأخطاء وإصلاحها. يغطي هذا الدليل المشكلات والحلول الشائعة لمساعدتك على ضمان التشغيل السلس. للحصول على دعم إضافي، تفضل بزيارة مركز المساعدة الخاص بنا.