انتقل إلى المحتوى

تعلم كيفية التصدير إلى TFLite Edge TPU تنسيق من YOLOv8 نموذج

قد يكون نشر نماذج رؤية الكمبيوتر على الأجهزة ذات الطاقة الحسابية المحدودة ، مثل الأنظمة المحمولة أو المدمجة ، أمرا صعبا. يؤدي استخدام تنسيق نموذج محسن للحصول على أداء أسرع إلى تبسيط العملية. ال TensorFlow لايت حافة TPU أو حافة TFLite TPU تم تصميم تنسيق النموذج لاستخدام الحد الأدنى من الطاقة مع توفير أداء سريع للشبكات العصبية.

التصدير إلى TFLite Edge TPU تتيح لك ميزة التنسيق تحسين Ultralytics YOLOv8 نماذج للاستدلال عالي السرعة ومنخفض الطاقة. في هذا الدليل ، سنرشدك خلال تحويل نماذجك إلى TFLite Edge TPU ، مما يسهل على نماذجك الأداء الجيد على مختلف الأجهزة المحمولة والمضمنة.

لماذا يجب عليك التصدير إلى TFLite Edge TPU?

تصدير النماذج إلى TensorFlow Edge TPU يجعل مهام التعلم الآلي سريعة وفعالة. تناسب هذه التقنية التطبيقات ذات الطاقة وموارد الحوسبة والاتصال المحدودة. الحافة TPU هو مسرع للأجهزة بواسطة Google. يعمل على تسريع نماذج TensorFlow لايت على أجهزة الحافة. توضح الصورة أدناه مثالاً على العملية المتضمنة.

حافة TFLite TPU

يعمل Edge TPU مع النماذج الكمية. يجعل التكميم الكمي النماذج أصغر وأسرع دون فقدان الكثير من الدقة. إنه مثالي للموارد المحدودة للحوسبة الطرفية، مما يسمح للتطبيقات بالاستجابة بسرعة من خلال تقليل زمن الوصول والسماح بمعالجة البيانات محليًا بشكل سريع، دون الاعتماد على السحابة. تحافظ المعالجة المحلية أيضًا على خصوصية بيانات المستخدم وأمانها نظرًا لعدم إرسالها إلى خادم بعيد.

الميزات الرئيسية لحافة TFLite TPU

فيما يلي الميزات الرئيسية التي تجعل TFLite Edge TPU اختيار تنسيق نموذج رائع للمطورين:

  • أداء محسن على أجهزة الحافة: حافة TFLite TPU يحقق أداء الشبكات العصبية عالية السرعة من خلال التكميم وتحسين النموذج وتسريع الأجهزة وتحسين المترجم. تساهم هندسته المعمارية البسيطة في صغر حجمه وفعاليته من حيث التكلفة.

  • إنتاجية حسابية عالية: حافة TFLite TPU يجمع بين تسريع الأجهزة المتخصصة والتنفيذ الفعال لوقت التشغيل لتحقيق إنتاجية حسابية عالية. إنه مناسب تماما لنشر نماذج التعلم الآلي مع متطلبات الأداء الصارمة على أجهزة الحافة.

  • حسابات المصفوفة الفعالة: TensorFlow حافة TPU تم تحسينه لعمليات المصفوفة ، والتي تعتبر ضرورية لحسابات الشبكة العصبية. هذه الكفاءة هي المفتاح في نماذج التعلم الآلي ، لا سيما تلك التي تتطلب العديد من مضاعفات وتحويلات المصفوفة المعقدة.

خيارات النشر مع حافة TFLite TPU

قبل أن ننتقل إلى كيفية التصدير YOLOv8 نماذج إلى حافة TFLite TPU التنسيق ، دعونا نفهم أين TFLite Edge TPU وعادة ما تستخدم النماذج.

حافة TFLite TPU يقدم خيارات نشر متنوعة لنماذج التعلم الآلي، بما في ذلك:

  • النشر على الجهاز: TensorFlow حافة TPU يمكن نشر النماذج مباشرة على الأجهزة المحمولة والمدمجة. يسمح النشر على الجهاز للنماذج بالتنفيذ مباشرة على الأجهزة ، مما يلغي الحاجة إلى الاتصال السحابي.

  • حوسبة الحافة مع السحابة TensorFlow TPUs: في السيناريوهات التي تتمتع فيها أجهزة الحافة بقدرات معالجة محدودة ، TensorFlow يمكن لوحدات TPU الطرفية إلغاء تحميل مهام الاستدلال إلى الخوادم السحابية المزودة بوحدات TPU.

  • النشر المختلط: يجمع النهج المختلط بين النشر على الجهاز والسحابة ويوفر حلا متعدد الاستخدامات وقابلا للتطوير لنشر نماذج التعلم الآلي. تشمل المزايا المعالجة على الجهاز للاستجابات السريعة والحوسبة السحابية لإجراء حسابات أكثر تعقيدا.

تصدير YOLOv8 نماذج لحافة TFLite TPU

يمكنك توسيع توافق النموذج ومرونة النشر عن طريق التحويل YOLOv8 نماذج ل TensorFlow حافة TPU.

تركيب

لتثبيت الحزمة المطلوبة ، قم بتشغيل:

تركيب

# Install the required package for YOLOv8
pip install ultralytics

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت ، تحقق من Ultralytics دليل التثبيت. أثناء تثبيت الحزم المطلوبة ل YOLOv8، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على حلول ونصائح.

استخدام

قبل الغوص في تعليمات الاستخدام ، من المهم ملاحظة أنه في حين أن جميع Ultralytics YOLOv8 النماذج متاحة للتصدير ، يمكنك التأكد من أن النموذج الذي تحدده يدعم وظائف التصدير هنا.

استخدام

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolov8n_full_integer_quant_edgetpu.tflite'

# Load the exported TFLite Edge TPU model
edgetpu_model = YOLO("yolov8n_full_integer_quant_edgetpu.tflite")

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

# Export a YOLOv8n PyTorch model to TFLite Edge TPU format
yolo export model=yolov8n.pt format=edgetpu  # creates 'yolov8n_full_integer_quant_edgetpu.tflite'

# Run inference with the exported model
yolo predict model=yolov8n_full_integer_quant_edgetpu.tflite source='https://ultralytics.com/images/bus.jpg'

لمزيد من التفاصيل حول خيارات التصدير المدعومة، تفضل بزيارة Ultralytics صفحة الوثائق حول خيارات النشر.

نشر التصدير YOLOv8 حافة TFLite TPU نماذج

بعد تصدير الخاص بك بنجاح Ultralytics YOLOv8 نماذج لحافة TFLite TPU ، يمكنك الآن نشرها. الخطوة الأولى الأساسية والموصى بها لتشغيل TFLite Edge TPU النموذج هو استخدام YOLOطريقة ("model_edgetpu.tflite") ، كما هو موضح في مقتطف شفرة الاستخدام السابق.

ومع ذلك ، للحصول على إرشادات متعمقة حول نشر TFLite Edge الخاص بك TPU النماذج ، ألق نظرة على الموارد التالية:

ملخص

في هذا الدليل ، تعلمنا كيفية التصدير Ultralytics YOLOv8 نماذج لحافة TFLite TPU تنسيق. باتباع الخطوات المذكورة أعلاه ، يمكنك زيادة سرعة وقوة تطبيقات رؤية الكمبيوتر الخاصة بك.

لمزيد من التفاصيل حول الاستخدام ، قم بزيارة حافة TPU الموقع الرسمي.

أيضا ، لمزيد من المعلومات حول أخرى Ultralytics YOLOv8 عمليات التكامل، يرجى زيارة صفحة دليل التكامل الخاصة بنا. هناك ، ستكتشف موارد ورؤى قيمة.

الأسئلة المتداولة

كيف يمكنني تصدير نموذج YOLOv8 إلى تنسيق TFLite Edge TPU ؟

لتصدير نموذج YOLOv8 إلى تنسيق TFLite Edge TPU ، يمكنك اتباع الخطوات التالية:

استخدام

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolov8n_full_integer_quant_edgetpu.tflite'

# Load the exported TFLite Edge TPU model
edgetpu_model = YOLO("yolov8n_full_integer_quant_edgetpu.tflite")

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

# Export a YOLOv8n PyTorch model to TFLite Edge TPU format
yolo export model=yolov8n.pt format=edgetpu  # creates 'yolov8n_full_integer_quant_edgetpu.tflite'

# Run inference with the exported model
yolo predict model=yolov8n_full_integer_quant_edgetpu.tflite source='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 النماذج YOLOv8 إلى TFLite Edge TPU ؟

يوفر تصدير نماذج YOLOv8 إلى TFLite Edge TPU العديد من المزايا:

  • أداء مُحسَّن: تحقيق أداء شبكة عصبية عالية السرعة بأقل استهلاك للطاقة.
  • تقليل زمن الاستجابة: معالجة سريعة للبيانات المحلية دون الحاجة إلى الاعتماد على السحابة.
  • خصوصية محسّنة: تحافظ المعالجة المحلية على خصوصية بيانات المستخدم وأمانها.

وهذا يجعلها مثالية للتطبيقات في حوسبة الحافة، حيث تكون الأجهزة ذات طاقة وموارد حاسوبية محدودة. تعرف على المزيد حول سبب وجوب التصدير.

هل يمكنني نشر نماذج TFLite Edge TPU على الأجهزة المحمولة والأجهزة المدمجة؟

نعم، يمكن نشر نماذج TensorFlow Lite Edge TPU مباشرةً على الأجهزة المحمولة والأجهزة المدمجة. يتيح نهج النشر هذا تنفيذ النماذج مباشرةً على الأجهزة، مما يوفر استدلالاً أسرع وأكثر كفاءة. للحصول على أمثلة للتكامل، راجع دليلنا حول نشر Coral Edge TPU على Raspberry Pi.

ما هي بعض حالات الاستخدام الشائعة لطرازات TFLite Edge TPU ؟

تتضمن حالات الاستخدام الشائعة لطرازات TFLite Edge TPU ما يلي:

  • الكاميرات الذكية: تحسين تحليل الصور والفيديو في الوقت الحقيقي.
  • أجهزة إنترنت الأشياء: تمكين المنزل الذكي والأتمتة الصناعية.
  • الرعاية الصحية: تسريع التصوير والتشخيص الطبي.
  • البيع بالتجزئة: تحسين إدارة المخزون وتحليل سلوك العملاء.

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

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

إذا واجهتك مشاكل أثناء تصدير أو نشر طرازات TFLite Edge TPU ، فارجع إلى دليل المشكلات الشائعة للحصول على نصائح لاستكشاف الأخطاء وإصلاحها. يغطي هذا الدليل المشاكل الشائعة والحلول لمساعدتك على ضمان التشغيل السلس. لمزيد من الدعم، قم بزيارة مركز المساعدة الخاص بنا.



تم الإنشاء 2024-03-13، تم التحديث 2024-07-05
المؤلفون: جلين-جوتشر (5)، برهان-ك (1)، أبيرامي-فينا (1)

التعليقات