تخطي إلى المحتوى

تعلّم كيفية التصدير إلى تنسيق TFLite Edge TPU من النموذج YOLO11

يمكن أن يكون نشر نماذج الرؤية الحاسوبية على الأجهزة ذات القدرة الحاسوبية المحدودة، مثل الأنظمة المحمولة أو المدمجة، أمرًا صعبًا. يؤدي استخدام تنسيق نموذج مُحسَّن لأداء أسرع إلى تبسيط العملية. تم تصميم تنسيق نموذج TensorFlow Lite Edge TPU أو TFLite Edge TPU لاستخدام الحد الأدنى من الطاقة مع توفير أداء سريع للشبكات العصبية.

تسمح لك خاصية التصدير إلى تنسيق TFLite Edge TPU بتحسين Ultralytics YOLO11 الخاصة بك للاستدلال عالي السرعة ومنخفض الطاقة. في هذا الدليل، سنرشدك في هذا الدليل إلى كيفية تحويل نماذجك إلى تنسيق TFLite Edge TPU ، مما يسهل أداء نماذجك بشكل جيد 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.

TFLite Edge 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 لـ TFLite Edge TPU

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

  • الأداء الأمثل على أجهزة الحافة: يحقق TFLite Edge TPU أداءً عالي السرعة للشبكات العصبية من خلال التكميم وتحسين النموذج وتسريع الأجهزة وتحسين المترجم. وتساهم بنيتها البسيطة في صغر حجمها وفعاليتها من حيث التكلفة.

  • إنتاجية حسابية عالية: يجمع TFLite Edge TPU بين تسريع الأجهزة المتخصصة والتنفيذ الفعال في وقت التشغيل لتحقيق إنتاجية حسابية عالية. وهو مناسب تمامًا لنشر نماذج التعلم الآلي ذات متطلبات الأداء الصارمة على الأجهزة المتطورة.

  • حسابات المصفوفات الفعالة: تم تحسين TensorFlow Edge TPU لعمليات المصفوفات، والتي تعتبر ضرورية لعمليات حساب الشبكات العصبية. هذه الكفاءة هي المفتاح في نماذج التعلم الآلي، خاصةً تلك التي تتطلب العديد من عمليات ضرب المصفوفات والتحويلات المعقدة.

خيارات النشر مع TFLite Edge TPU

قبل أن ننتقل إلى كيفية تصدير النماذج YOLO11 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: TensorFlow يمكن نشر نماذج Edge TPU مباشرة على الأجهزة المحمولة والأجهزة المدمجة. يتيح النشر على الجهاز تنفيذ النماذج مباشرة على الأجهزة، مما يلغي الحاجة إلى الاتصال السحابي.

  • حوسبة الحافة مع سحابة TensorFlow TPUs: في السيناريوهات التي تكون فيها أجهزة الحافة ذات قدرات معالجة محدودة، يمكن لوحدات المعالجة الطرفية TensorFlow Edge TPUs تفريغ مهام الاستدلال إلى الخوادم السحابية المزودة بوحدات معالجة حوسبة حافة.

  • 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 للعمليات الحسابية الأكثر تعقيداً.

تصدير النماذج YOLO11 إلى TFLite Edge TPU

يمكنك توسيع نطاق توافق النماذج ومرونة النشر من خلال تحويل نماذج YOLO11 إلى TensorFlow Edge TPU.

التركيب

لتثبيت الحزمة المطلوبة، قم بتشغيل:

التركيب

# Install the required package for YOLO11
pip install ultralytics

للاطلاع على الإرشادات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل التثبيتUltralytics . أثناء تثبيت الحزم المطلوبة YOLO11 ، إذا واجهت أي صعوبات، راجع دليل المشكلات الشائعة للحصول على الحلول والنصائح.

الاستخدام

قبل الغوص في إرشادات الاستخدام، من المهم ملاحظة أنه على الرغم من أن جميع الطرازاتUltralytics YOLO11 متاحة للتصدير، يمكنك التأكد من أن الطراز الذي تختاره يدعم وظيفة التصدير هنا.

الاستخدام

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolo11n_full_integer_quant_edgetpu.tflite'

# Load the exported TFLite Edge TPU model
edgetpu_model = YOLO("yolo11n_full_integer_quant_edgetpu.tflite")

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

# Export a YOLO11n PyTorch model to TFLite Edge TPU format
yolo export model=yolo11n.pt format=edgetpu  # creates 'yolo11n_full_integer_quant_edgetpu.tflite'

# Run inference with the exported model
yolo predict model=yolo11n_full_integer_quant_edgetpu.tflite source='https://ultralytics.com/images/bus.jpg'

للحصول على مزيد من التفاصيل حول خيارات التصدير المدعومة، يرجى زيارة صفحة التوثيقUltralytics الخاصة بخيارات النشر.

نشر الطرازات المصدرة YOLO11 TFLite Edge TPU

بعد تصدير نماذج Ultralytics YOLO11 الخاصة بك 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 إرشادات متعمقة حول نشر طرازات TFLite Edge TPU ، ألقِ نظرة على الموارد التالية:

الملخص

لقد تعلمنا في هذا الدليل كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق TFLite Edge TPU . باتباع الخطوات المذكورة أعلاه، يمكنك زيادة سرعة وقوة تطبيقات الرؤية الحاسوبية الخاصة بك.

للمزيد من التفاصيل حول الاستخدام، تفضل بزيارة الموقع الإلكتروني الرسمي لـ Edge TPU .

أيضًا، لمزيد من المعلومات حول عمليات التكامل الأخرى Ultralytics YOLO11 ، يُرجى زيارة صفحة دليل التكامل الخاصة بنا. هناك، ستكتشف موارد ورؤى قيّمة.

الأسئلة الشائعة

كيف يمكنني تصدير نموذج YOLO11 إلى تنسيق TFLite Edge TPU ؟

لتصدير نموذج YOLO11 إلى تنسيق TFLite Edge TPU ، يمكنك اتباع الخطوات التالية:

الاستخدام

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolo11n_full_integer_quant_edgetpu.tflite'

# Load the exported TFLite Edge TPU model
edgetpu_model = YOLO("yolo11n_full_integer_quant_edgetpu.tflite")

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

# Export a YOLO11n PyTorch model to TFLite Edge TPU format
yolo export model=yolo11n.pt format=edgetpu  # creates 'yolo11n_full_integer_quant_edgetpu.tflite'

# Run inference with the exported model
yolo predict model=yolo11n_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 YOLO11 إلى TFLite Edge TPU ؟

يوفر تصدير نماذج YOLO11 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 قبل 9 أشهر ✏️ تم التحديث منذ 2 أشهر
ألترالتيكسيستانتست غلين-جوتشر ماثيو نويس رضوان منور برهان-ق أبيرامي-فينا

التعليقات