نشر Ultralytics YOLO على Luxonis OAK#

تشغّل كاميرات Luxonis OAK نماذج Ultralytics YOLO على الجهاز بعد تحويلها باستخدام أدوات Luxonis. هذا سير عمل للنشر اليدوي؛ فـ Luxonis ليست هدف تصدير أصليًا في Ultralytics model.export(format="...").

يغطي هذا الدليل أجهزة RVC2 وRVC4. حوّل النموذج بما يتوافق مع منصة الكاميرا لديك؛ فمخرجات RVC2 وRVC4 غير قابلة للتبادل. وتختلف عائلات النماذج والمهام المدعومة؛ لذا تحقّق من مصفوفة دعم Luxonis Tools قبل التحويل.

ابدأ بنقطة تحقق YOLO مدعومة .pt، مثل yolo26n.pt، أو استخدم نموذجك المدرّب. وتضم حزمة NN Archive الناتجة النموذج والبيانات الوصفية لوقت التشغيل.

التحويل السحابي باستخدام Luxonis Hub#

1. سجّل الدخول إلى Luxonis Hub وافتح التحويل السريع.
2. اختر YOLO، ثم اختر RVC2 أو RVC4، وحمّل نقطة التحقق .pt.
3. حدّد شكل الإدخال ومعاملات التحويل، ثم أرسل طلب التحويل.
4. بعد اكتمال التحويل، انسخ معرّف النموذج المحوّل لاستخدامه في مثال الاستدلال أدناه، أو نزّل NN Archive الخاص به.

لإجراء التحويل تلقائيًا أو استخدام بيانات معايرة مخصصة لـ RVC4، استخدم HubAI SDK. اتبع تعليمات التثبيت في بيئة Python 3.10 أو أحدث. يوفر التحويل التفصيلي إدارة السجل ومجموعات بيانات معايرة مُعرّفة مسبقًا.

التحويل محليًا باستخدام Tools وModelConverter#

استخدم Python 3.10 أو أحدث وDocker. ثبّت Luxonis Tools باتباع تعليمات الإعداد الأصلية، بما في ذلك قيود التبعيات. تجهّز Tools مخرجات YOLO لتحليل Luxonis؛ ولا يغني تصدير ONNX عام عن هذه الخطوة.

# Export the checkpoint to an ONNX NN Archive
tools yolo26n.pt --imgsz "640 640" --output-dir output

# Install the target-platform converter
pip install modelconv==0.6.0

تكتب Tools الملف yolo26n.tar.xz داخل مجلد مؤرّخ زمنيًا ضمن output/. استبدل مسار المثال أدناه بمسار ذلك الملف. لتحويل RVC4 بدقة INT8، أضف صورًا تمثيلية للنشر إلى calibration_images/؛ راجع متطلبات بيانات المعايرة.

modelconverter convert rvc4 --path output/yolo26n_20260807_104858/yolo26n.tar.xz \
  calibration.path calibration_images/

بالنسبة إلى RVC2، استخدم rvc2 بدلًا من rvc4؛ فلا حاجة إلى صور المعايرة للتحويل بدقة FP16. استخدم NN Archive المُجمّع الناتج في مجلد مخرجات ModelConverter للاستدلال، بدلًا من أرشيف ONNX الوسيط. راجع ModelConverter لمعرفة مسارات المخرجات والخيارات الخاصة بكل منصة.

تشغيل الاستدلال على كاميرا OAK#

صِل كاميرا OAK متوافقة وثبّت DepthAI في بيئة Python لديك:

pip install depthai==3.9.0

لاستخدام نموذج Hub خاص، عيّن DEPTHAI_HUB_API_KEY إلى مفتاح API لـ Luxonis Hub قبل تشغيل البرنامج النصي. استبدل your-model-identifier بالمعرّف الموجود في Hub، أو استخدم NN Archive محليًا مُجمّعًا كبديل.

import depthai as dai

model = "your-model-identifier"
# ⁨بدلًا من ذلك، استخدم الملف المحلي المحوّل:⁩
# model = dai.NNArchive("path/to/model.rvc4.tar.xz")

visualizer = dai.RemoteConnection()

with dai.Pipeline() as pipeline:
    camera = pipeline.create(dai.node.Camera).build()
    detection = pipeline.create(dai.node.DetectionNetwork).build(camera, model)

    visualizer.addTopic("rgb", detection.passthrough, group="RGB")
    visualizer.addTopic("detections", detection.out, group="RGB")

    pipeline.start()
    visualizer.registerPipeline(pipeline)

    while pipeline.isRunning():
        if visualizer.waitKey(1) == ord("q"):
            pipeline.stop()

افتح http://localhost:8082 لعرض تدفق RGB وعمليات الكشف. ويدعم DetectionNetwork أيضًا النماذج المتوافقة لـتجزئة المثيلات وتقدير الوضعيات. أما المهام الأخرى، بما فيها التجزئة الدلالية والتصنيف، فاتبع إرشادات الاستدلال الخاصة بالمهمة.

للاطلاع على مسارات عمل العمق المجسّم، راجع مثال الكشف المكاني. قِس أداء نموذجك على الكاميرا المستهدفة باستخدام دليل قياس الأداء؛ إذ يعتمد معدل النقل على النموذج وحجم الإدخال والدقة وإعدادات مسار المعالجة.

الأسئلة الشائعة#