Link to this sectionتصدير Hailo لنماذج Ultralytics YOLO#

تستخدم سلسلة أدوات Hailo ملفات HEF للمنصات المدمجة بما في ذلك Raspberry Pi AI Kit و AI HAT+، والكاميرات الصناعية، وبوابات الحافة (edge gateways)، وأجهزة الكمبيوتر المزودة بـ AI.

يشرح هذا الدليل كيفية تصدير نماذج الكشف Ultralytics YOLO إلى تنسيق HEF (تنسيق Hailo القابل للتنفيذ) الخاص بـ Hailo باستخدام حزمة تطوير البرامج Hailo Dataflow Compiler (DFC). يبدأ سير العمل من نموذج YOLO بتنسيق .pt ، ويتم التصدير إلى ONNX، ثم التجميع باستخدام أدوات Hailo لإنتاج ملف .hef جاهز لمسرعات Hailo-8 و Hailo-8L و Hailo-15.

Link to this sectionمتى تستخدم Hailo HEF#

HEF هو ملف مجمع يتم استهلاكه بواسطة HailoRT على أجهزة Hailo المستهدفة. استخدم هذا الدليل فقط عندما تتطلب أجهزة النشر الخاصة بك تنسيق Hailo HEF تحديداً. إذا كنت لا تزال في مرحلة اختيار أجهزة الحافة أو أهداف التصدير، ابدأ بتنسيقات تصدير Ultralytics المباشرة الأحدث مثل Axelera AI أو DeepX، والتي توفر سير عمل تصدير مدعوم عبر model.export(...) وخيارات أداء أفضل لكل واط مقارنة بنشر Hailo القديم.

يعد HEF مشابهاً في دوره أثناء النشر لتنسيقات خاصة بالأجهزة مثل RKNN لمسرعات Rockchip NPUs، و IMX500 لكاميرات Raspberry Pi AI، و Qualcomm QNN لمسرعات Snapdragon NPUs، ولكنه لا يتم إنتاجه حالياً مباشرة بواسطة Ultralytics.

يكون سير العمل هذا مناسباً عندما تحتاج إلى:

• توافق Raspberry Pi AI Kit: يتم استخدام Hailo-8L في المجموعات الرسمية Raspberry Pi AI Kit و AI HAT+.
• المعالجة اللاحقة بواسطة HailoRT: يمكن لـ HailoRT تضمين non-maximum suppression الخاص بـ YOLO في مسار الاستدلال المجمع.
• التجميع بتنسيق INT8: يقوم Hailo DFC بعملية تكميم (quantization) للنموذج باستخدام صور معايرة تمثيلية لإنتاج رسم بياني INT8 لأجهزة Hailo. تعرف على المزيد حول model quantization.

Link to this sectionتنسيق تصدير Hailo HEF#

HEF هو ملف قابل للتنفيذ خاص بالأجهزة يتم إنتاجه بواسطة Hailo Dataflow Compiler. يحتوي على الرسم البياني للنموذج المكمم، وتخصيص الذاكرة، والجدولة، والمعالجة اللاحقة الاختيارية المهيأة لبنية Hailo المستهدفة. على عكس تنسيقات Export mode القياسية في YOLO التي يتم إنتاجها مباشرة بواسطة model.export(format=...) ، يستخدم تجميع HEF حالياً مساراً من مرحلتين:

1. تصدير YOLO إلى ONNX باستخدام Ultralytics.
2. استخدام أدوات Hailo DFC لتحليل وتحسين وتكميم وتجميع نموذج ONNX إلى HEF.

يتوسع سير العمل الكامل ليشمل المسار التالي:

YOLO (.pt) -> ONNX -> HAR (parse) -> HAR (optimize/quantize) -> HEF (compile)

1. التصدير إلى ONNX باستخدام Export mode من Ultralytics
2. تحليل نموذج ONNX إلى تنسيق HAR الوسيط الخاص بـ Hailo
3. تحميل نص برمجي للنموذج (.alls) مع توجيهات التطبيع والمعالجة اللاحقة
4. المعايرة والتكميم باستخدام صور تمثيلية
5. التجميع إلى ملف HEF قابل للنشر

Link to this sectionالمهام المدعومة#

يركز هذا الدليل على نماذج الكشف عن الكائنات (object detection) في Ultralytics YOLO، لأن نص النموذج الخاص بـ Hailo وتهيئة NMS مخصصة لرأس الكشف.

بالنسبة لعمليات تجزئة المثيلات (instance segmentation)، والتجزئة الدلالية (semantic segmentation)، والوضعية (pose)، و OBB، وعمليات نشر التصنيف، قارن بين تنسيقات الحافة الأخرى في جدول Export mode أو استخدم مسار ONNX عام حيث يدعم وقت التشغيل المستهدف المهمة المطلوبة.

Link to this sectionملاحظات التوافق#

يعتمد توافق تصدير Hailo على رأس النموذج، وحجم صورة الإدخال، وعدد الفئات، وبنية Hailo، ونص النموذج (.alls)، وتهيئة NMS. تُعد الملفات الثابتة من Hailo Model Zoo مراجع مفيدة، لكنها ليست قوالب شاملة. على سبيل المثال، ملف NMS JSON الذي تم إنشاؤه لنموذج YOLO11n بـ 80 فئة من COCO ليس صحيحاً لنموذج مخصص بـ 3 فئات أو لحجم صورة ثابت imgsz مختلف.

Link to this sectionالتثبيت#

Link to this sectionالخطوة 1: تثبيت Ultralytics#

pip install ultralytics

Link to this sectionالخطوة 2: تثبيت Hailo DFC SDK#

يعتبر Hailo DFC مطلوباً للتحليل والتحسين والتجميع. قم بتنزيل ملف Python wheel من Hailo Developer Zone (يتطلب تسجيلاً مجانياً) وقم بتثبيته:

pip install /path/to/hailo_sdk_client-*.whl

Link to this sectionمثال على تصدير YOLO11n HEF#

يقوم النص البرمجي أدناه بتجميع نموذج كشف YOLO11n من .pt إلى .hef بحجم إدخال ثابت يبلغ 640 بكسل. يتم التصدير إلى ONNX باستخدام Ultralytics، ثم التجميع باستخدام Hailo DFC باستخدام COCO128 كمجموعة بيانات معايرة صغيرة.

قبل تشغيل النص البرمجي، قم بتنزيل ملف تهيئة NMS المطابق لـ YOLO11n من Hailo Model Zoo أو أنشئ ملف Hailo NMS JSON الخاص بك للنموذج. أعد استخدام هذا النص البرمجي كنقطة بداية معروفة لـ YOLO11n؛ تحتاج النماذج المخصصة إلى عقد نهائية مطابقة، وتوجيهات .alls ، وإعدادات NMS.

import random

import numpy as np
from hailo_sdk_client import ClientRunner
from PIL import Image

from ultralytics import YOLO
from ultralytics.data.utils import check_det_dataset
from ultralytics.utils import DATASETS_DIR

# Configuration
MODEL = "yolo11n"
HW_ARCH = "hailo8"  # hailo8 | hailo8l | hailo15h
IMGSZ = 640
CALIB_IMAGES = 128
NMS_CONFIG = "yolo11n_nms_config.json"  # Download or generate for your exact model.

# YOLO11 detection head end nodes. See "Supported Models and End Nodes" for YOLOv8 and other families.
END_NODES = [
    "/model.23/cv2.0/cv2.0.2/Conv",
    "/model.23/cv3.0/cv3.0.2/Conv",
    "/model.23/cv2.1/cv2.1.2/Conv",
    "/model.23/cv3.1/cv3.1.2/Conv",
    "/model.23/cv2.2/cv2.2.2/Conv",
    "/model.23/cv3.2/cv3.2.2/Conv",
]

# Step 1: Export to ONNX
model = YOLO(f"{MODEL}.pt")
model.export(format="onnx", imgsz=IMGSZ, opset=11)  # creates an ONNX file named after MODEL

# Step 2: Parse ONNX with Hailo DFC
# The DFC prints the detected end nodes after parsing; use them if unsure.
runner = ClientRunner(hw_arch=HW_ARCH)
runner.translate_onnx_model(f"{MODEL}.onnx", end_node_names=END_NODES)

# Step 3: Load model script (normalization + HailoRT NMS)
# The conv layer names are generated by DFC and can change for other model sizes/families.
alls = (
    "normalization1 = normalization([0.0, 0.0, 0.0], [255.0, 255.0, 255.0])\n"
    "change_output_activation(conv54, sigmoid)\n"
    "change_output_activation(conv65, sigmoid)\n"
    "change_output_activation(conv80, sigmoid)\n"
    f'nms_postprocess("{NMS_CONFIG}", meta_arch=yolov8, engine=cpu)\n'
    "allocator_param(width_splitter_defuse=disabled)"
)
runner.load_model_script(alls)

# Step 4: Build calibration dataset (auto-downloads COCO128)
check_det_dataset("coco128.yaml")
calib_dir = DATASETS_DIR / "coco128" / "images" / "train2017"
image_files = list(calib_dir.glob("*.jpg")) + list(calib_dir.glob("*.png"))
if not image_files:
    raise FileNotFoundError(f"No calibration images found in {calib_dir}")

calibset = np.zeros((CALIB_IMAGES, IMGSZ, IMGSZ, 3), dtype=np.float32)
for i in range(CALIB_IMAGES):
    img = Image.open(random.choice(image_files)).convert("RGB").resize((IMGSZ, IMGSZ))
    calibset[i] = np.array(img, dtype=np.float32)

# Step 5: Optimize and quantize
runner.optimize(calibset)
runner.save_har(f"{MODEL}.o.har")  # optional intermediate HAR

# Step 6: Compile to HEF
hef = runner.compile()
with open(f"{MODEL}.hef", "wb") as f:
    f.write(hef)

print(f"Compiled HEF saved to: {MODEL}.hef")

ملف HEF الناتج، مثل yolo11n.hef ، جاهز للنشر على جهاز Hailo متوافق. إذا كنت تقوم بالتجميع لـ Raspberry Pi AI Kit، فقم بتعيين HW_ARCH = "hailo8l" قبل تشغيل خطوة التجميع.

Link to this sectionتفصيل خطوة بخطوة#

Link to this sectionالخطوة 1: التصدير إلى ONNX#

يقوم Ultralytics بتصدير نموذجك المدرب إلى تنسيق ONNX، والذي يستقبله Hailo DFC كمدخلات. قم بتعيين opset=11 لضمان توافق DFC الواسع.

from ultralytics import YOLO

MODEL = "yolo11n"
model = YOLO(f"{MODEL}.pt")
model.export(format="onnx", imgsz=640, opset=11)

Link to this sectionالخطوة 2: تحليل نموذج ONNX#

تقوم استدعاءات translate_onnx_model بتحويل رسم ONNX البياني إلى تمثيل HAR الوسيط الخاص بـ Hailo. تخبر قائمة end_node_names أداة DFC بمكان قطع الرسم البياني قبل NMS حتى يتمكن Hailo من إرفاق معالجة الأجهزة الخاصة به.

from hailo_sdk_client import ClientRunner

runner = ClientRunner(hw_arch="hailo8")
runner.translate_onnx_model(f"{MODEL}.onnx", end_node_names=END_NODES)

Link to this sectionالخطوة 3: تحميل نص النموذج#

يقوم نص النموذج (.alls) بتهيئة تطبيع الإدخال، وتنشيط المخرجات، والمعالجة اللاحقة NMS. ينطبق إعداد meta_arch=yolov8 على كل من YOLOv8 و YOLO11 نظراً لمشاركتهما نفس تخطيط رأس الكشف.

MODEL = "yolo11n"
NMS_CONFIG = "yolo11n_nms_config.json"
alls = (
    "normalization1 = normalization([0.0, 0.0, 0.0], [255.0, 255.0, 255.0])\n"
    "change_output_activation(conv54, sigmoid)\n"
    "change_output_activation(conv65, sigmoid)\n"
    "change_output_activation(conv80, sigmoid)\n"
    f'nms_postprocess("{NMS_CONFIG}", meta_arch=yolov8, engine=cpu)\n'
    "allocator_param(width_splitter_defuse=disabled)"
)
runner.load_model_script(alls)

Link to this sectionالخطوة 4: بناء مجموعة بيانات المعايرة#

تتطلب عملية التكميم INT8 مجموعة تمثيلية من الصور. يستخدم النص البرمجي أدناه COCO128، الذي يقوم Ultralytics بتنزيله تلقائياً عبر check_det_dataset:

from ultralytics.data.utils import check_det_dataset
from ultralytics.utils import DATASETS_DIR

check_det_dataset("coco128.yaml")  # downloads to DATASETS_DIR if not present
calib_dir = DATASETS_DIR / "coco128" / "images" / "train2017"

Link to this sectionالخطوة 5: التحسين والتكميم#

runner.optimize(calibset)
runner.save_har(f"{MODEL}.o.har")  # optional intermediate checkpoint

تطبق هذه الخطوة الضبط الدقيق المدرك للتكميم وتحليل ضجيج الطبقة. يوصى بشدة باستخدام GPU؛ بدونها، قد تستغرق هذه الخطوة عدة ساعات.

Link to this sectionالخطوة 6: التجميع إلى HEF#

hef = runner.compile()
with open(f"{MODEL}.hef", "wb") as f:
    f.write(hef)

Link to this sectionالنماذج المدعومة والعقد النهائية#

بالنسبة لنماذج الكشف، تحدد end_node_names مخرجات رأس الكشف في ONNX التي يجب على Hailo تجميعها قبل إرفاق معالجة NMS اللاحقة. تختلف هذه الأسماء حسب البنية ويمكن أن تتغير عند تغير الرسم البياني المصدر.

Link to this sectionYOLO11 و YOLOv8#

تتشارك YOLO11 و YOLOv8 نفس رأس الكشف المفصول. يختلف فهرس الطبقة بواحد بين العائلتين:

عقد نهاية YOLO11 (جميع الأحجام: n, s, m, l, x):

END_NODES = [
    "/model.23/cv2.0/cv2.0.2/Conv",
    "/model.23/cv3.0/cv3.0.2/Conv",
    "/model.23/cv2.1/cv2.1.2/Conv",
    "/model.23/cv3.1/cv3.1.2/Conv",
    "/model.23/cv2.2/cv2.2.2/Conv",
    "/model.23/cv3.2/cv3.2.2/Conv",
]

عقد نهاية YOLOv8 (جميع الأحجام: n, s, m, l, x):

END_NODES = [
    "/model.22/cv2.0/cv2.0.2/Conv",
    "/model.22/cv3.0/cv3.0.2/Conv",
    "/model.22/cv2.1/cv2.1.2/Conv",
    "/model.22/cv3.1/cv3.1.2/Conv",
    "/model.22/cv2.2/cv2.2.2/Conv",
    "/model.22/cv3.2/cv3.2.2/Conv",
]

Link to this sectionهياكل أخرى#

بالنسبة لبنى الكشف الأخرى، قم بتشغيل خطوة التحليل بدون end_node_names أولاً، واقرأ العقد المقترحة من مخرجات سجل DFC، ثم أعد التشغيل مع تلك العقد:

# First pass: let the DFC suggest end nodes
runner = ClientRunner(hw_arch=HW_ARCH)
runner.translate_onnx_model(f"{MODEL}.onnx")
# Check the printed log for: "[info] In order to use HailoRT post-processing..."

تتوفر نصوص .alls محددة مسبقاً وملفات تهيئة NMS للعديد من متغيرات YOLO في Hailo Model Zoo.

Link to this sectionبنى الأجهزة المدعومة#

اضبط HW_ARCH في البرنامج النصي ليتوافق مع جهازك المستهدف قبل التجميع.

Link to this sectionتشغيل الاستنتاج على أجهزة Hailo#

بمجرد حصولك على ملف .hef، انسخه إلى جهازك الذي يعمل بنظام Hailo وقم بتشغيل الاستنتاج باستخدام واجهة برمجة تطبيقات Python الخاصة بـ HailoRT (حزمة hailo_platform). على عكس خطوات تصدير DFC، يعمل الاستنتاج مباشرة على جهاز الحافة (edge device).

Link to this sectionالخطوة 1: تثبيت HailoRT على الجهاز#

على الجهاز المستهدف، قم بتثبيت HailoRT وروابط Python. بالنسبة لمستخدمي Raspberry Pi AI Kit و AI HAT+، يقوم دليل برنامج Raspberry Pi AI الرسمي بتثبيت HailoRT، وبرنامج تشغيل الجهاز، وروابط Python باستخدام:

sudo apt install dkms
sudo apt install hailo-all

بالنسبة لأجهزة Hailo غير التابعة لـ Raspberry Pi، قم بتثبيت حزمة HailoRT التي تتوافق مع جهازك وبرنامج التشغيل وإصدار SDK من منطقة مطوري Hailo.

تستخدم أجهزة AI HAT+ 2 حزمة Raspberry Pi مختلفة (hailo-h10-all) وسير عمل Hailo-10H. اتبع دليل برنامج Raspberry Pi AI لهذا الجيل من الأجهزة.

Link to this sectionالخطوة 2: فحص سريع#

قبل تشغيل استنتاج Python، تأكد من التعرف على جهاز Hailo:

hailortcli fw-control identify

يجب أن ترى نوع الجهاز وإصدار البرنامج الثابت والرقم التسلسلي مطبوعين.

Link to this sectionالخطوة 3: تشغيل الاستنتاج#

يقوم البرنامج النصي أدناه بتشغيل اكتشاف الكائنات على صورة واحدة باستخدام ملف HEF المجمع وواجهة برمجة تطبيقات Python الخاصة بـ hailo_platform. وهو يتعامل مع المعالجة المسبقة، والاستنتاج، ورسم صناديق التحديد (bounding boxes) من مخرجات NMS الخاصة بـ HailoRT.

import numpy as np
from hailo_platform import (
    HEF,
    ConfigureParams,
    FormatType,
    HailoStreamInterface,
    InferVStreams,
    InputVStreamParams,
    OutputVStreamParams,
    VDevice,
)
from PIL import Image, ImageDraw

# Configuration
MODEL = "yolo11n"
HEF_PATH = f"{MODEL}.hef"  # path to your compiled HEF file
SOURCE = "bus.jpg"  # image path
IMGSZ = 640
CONF = 0.25

COCO_NAMES = [
    "person",
    "bicycle",
    "car",
    "motorcycle",
    "airplane",
    "bus",
    "train",
    "truck",
    "boat",
    "traffic light",
    "fire hydrant",
    "stop sign",
    "parking meter",
    "bench",
    "bird",
    "cat",
    "dog",
    "horse",
    "sheep",
    "cow",
    "elephant",
    "bear",
    "zebra",
    "giraffe",
    "backpack",
    "umbrella",
    "handbag",
    "tie",
    "suitcase",
    "frisbee",
    "skis",
    "snowboard",
    "sports ball",
    "kite",
    "baseball bat",
    "baseball glove",
    "skateboard",
    "surfboard",
    "tennis racket",
    "bottle",
    "wine glass",
    "cup",
    "fork",
    "knife",
    "spoon",
    "bowl",
    "banana",
    "apple",
    "sandwich",
    "orange",
    "broccoli",
    "carrot",
    "hot dog",
    "pizza",
    "donut",
    "cake",
    "chair",
    "couch",
    "potted plant",
    "bed",
    "dining table",
    "toilet",
    "tv",
    "laptop",
    "mouse",
    "remote",
    "keyboard",
    "cell phone",
    "microwave",
    "oven",
    "toaster",
    "sink",
    "refrigerator",
    "book",
    "clock",
    "vase",
    "scissors",
    "teddy bear",
    "hair drier",
    "toothbrush",
]

# Load HEF and connect to device
hef = HEF(HEF_PATH)
params = VDevice.create_params()
target = VDevice(params)

configure_params = ConfigureParams.create_from_hef(hef, interface=HailoStreamInterface.PCIe)
network_groups = target.configure(hef, configure_params)
network_group = network_groups[0]
network_group_params = network_group.create_params()

# Setup I/O virtual streams
input_vstreams_params = InputVStreamParams.make(network_group, quantized=False, format_type=FormatType.FLOAT32)
output_vstreams_params = OutputVStreamParams.make(network_group, quantized=False, format_type=FormatType.FLOAT32)

# Preprocess
orig = Image.open(SOURCE).convert("RGB")
ow, oh = orig.size
resized = orig.resize((IMGSZ, IMGSZ))
input_data = np.expand_dims(np.array(resized, dtype=np.float32), axis=0)  # (1,640,640,3)
input_name = hef.get_input_vstream_infos()[0].name

# Inference
with InferVStreams(network_group, input_vstreams_params, output_vstreams_params) as pipeline:
    with network_group.activate(network_group_params):
        pipeline.send({input_name: input_data})
        raw = pipeline.recv()

# Parse HailoRT NMS output and draw results
# When compiled with nms_postprocess the HEF outputs detections grouped by
# class: shape (batch, num_classes, max_dets, 5) where 5 = [y1,x1,y2,x2,score]
draw = ImageDraw.Draw(orig)
output_key = next(iter(raw.keys()))
batch_dets = raw[output_key][0]  # shape: (num_classes, max_dets, 5)

for cls_idx, cls_dets in enumerate(batch_dets):
    for det in cls_dets:
        score = float(det[4])
        if score < CONF:
            continue
        y1, x1, y2, x2 = det[:4]
        # Scale from model coords (0-640) back to original image size
        x1 = int(x1 * ow / IMGSZ)
        y1 = int(y1 * oh / IMGSZ)
        x2 = int(x2 * ow / IMGSZ)
        y2 = int(y2 * oh / IMGSZ)
        label = f"{COCO_NAMES[cls_idx]} {score:.2f}"
        draw.rectangle([x1, y1, x2, y2], outline="red", width=2)
        draw.text((x1 + 2, y1 + 2), label, fill="red")

orig.save("output.jpg")
print("Saved output.jpg")

Link to this sectionRaspberry Pi AI Kit و AI HAT+#

يستخدم Raspberry Pi AI Kit و 13 TOPS AI HAT+ جهاز Hailo-8L. لاستخدام أي من الجهازين:

1. اضبط HW_ARCH = "hailo8l" قبل تجميع ملف HEF الخاص بك على جهاز x86.
2. انسخ ملف .hef إلى جهاز Raspberry Pi الخاص بك.
3. قم بتثبيت HailoRT باتباع دليل برنامج Raspberry Pi AI الرسمي.
4. قم بتشغيل برنامج الاستنتاج أعلاه.

للحصول على استنتاج يعتمد على الكاميرا على Raspberry Pi، توفر أمثلة picamera2 Hailo نصوصاً برمجية جاهزة للاستخدام للاكتشاف المباشر باستخدام وحدة الكاميرا. يمكنك أيضاً مقارنة مسارات نشر Raspberry Pi في دليل Coral Edge TPU على Raspberry Pi و دليل تكامل Sony IMX500.

Link to this sectionاستنتاج الفيديو باستخدام TAPPAS#

بالنسبة لخطوط أنابيب الفيديو ذات الإنتاجية العالية، توفر TAPPAS عناصر GStreamer التي تقوم ببث الفيديو عبر شريحة Hailo في الوقت الفعلي:

MODEL=yolo11n
gst-launch-1.0 filesrc location=video.mp4 ! decodebin ! \
  hailonet hef-path=${MODEL}.hef ! \
  hailofilter function-name=yolov8 ! \
  hailooverlay ! autovideosink

اطلع على وثائق TAPPAS للحصول على خيارات تكوين خط الأنابيب الكاملة.

Link to this sectionملخص#

غطى هذا الدليل سير العمل الكامل لتصدير نماذج اكتشاف Ultralytics YOLO إلى تنسيق Hailo HEF:

1. التصدير إلى ONNX باستخدام Ultralytics (model.export(format="onnx")).
2. تحليل نموذج ONNX باستخدام Hailo DFC وتحديد العقد النهائية لرأس الاكتشاف.
3. تكوين التطبيع و NMS عبر برنامج نصي للنموذج.
4. التقدير الكمي باستخدام مجموعة بيانات معايرة (COCO128 عبر Ultralytics).
5. التجميع إلى ملف .hef جاهز لـ Hailo-8 أو Hailo-8L أو Hailo-15.

لمزيد من التفاصيل، راجع منطقة مطوري Hailo، و وثائق Hailo، و Hailo Model Zoo. بالنسبة لأهداف تصدير Ultralytics الأخرى، راجع أدلة ONNX و OpenVINO و TensorRT و NCNN و TFLite Edge TPU و RKNN و Sony IMX500 و Qualcomm QNN ذات الصلة. لمقارنة سرعة ودقة النموذج المُصدر عبر التنسيقات، استخدم وضع القياس المعياري. للحصول على القائمة الكاملة للتنسيقات والخيارات، تفضل بزيارة وثائق وضع التصدير و صفحة دليل عمليات التكامل.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي أجهزة Hailo المدعومة؟#

يدعم Hailo DFC كلاً من Hailo-8 (hailo8) و Hailo-8L (hailo8l) و Hailo-15H (hailo15h). راجع جدول بنى الأجهزة المدعومة للحصول على قيمة HW_ARCH المطابقة.

Link to this sectionما هي نماذج Ultralytics التي يمكن تصديرها؟#

يركز هذا الدليل على نماذج الاكتشاف. راجع المهام المدعومة لنطاق المهام، و ملاحظات التوافق لحدود توافق النموذج، و النماذج المدعومة والعقد النهائية للحصول على أمثلة للعقد النهائية في YOLO11 و YOLOv8.

Link to this sectionلماذا يستخدم برنامج النموذج meta_arch=yolov8 لـ YOLO11؟#

يستخدم YOLO11 نفس بنية رأس الاكتشاف المنفصلة مثل YOLOv8. يستخدم Hailo DFC meta_arch=yolov8 لتكوين NMS لكلتا عائلتي النماذج.

Link to this sectionهل أحتاج إلى GPU لخطوة التحسين؟#

يوصى بشدة باستخدام GPU للضبط الدقيق الواعي بالتقدير الكمي في runner.optimize(). بدون GPU، تستمر العملية في العمل ولكنها تكون أبطأ بشكل ملحوظ (عدة ساعات مقابل 10-20 دقيقة تقريباً باستخدام GPU).

Link to this sectionكيف يمكنني العثور على العقد النهائية الصحيحة لنموذجي؟#

قم بتشغيل runner.translate_onnx_model(...) دون تحديد end_node_names، ثم استخدم عقد رأس الاكتشاف المقترحة التي يطبعها DFC. راجع بنى أخرى للحصول على أمر المثال.

Link to this sectionمن أين يمكنني الحصول على Hailo DFC SDK وملفات تكوين NMS؟#

تتوفر عجلة Python لـ Hailo DFC SDK من منطقة مطوري Hailo، بينما تتوفر ملفات .alls المحددة مسبقاً وملفات تكوين NMS من Hailo Model Zoo.