رؤية YOLO لعام 2026:

نشر Luxonis OAK لنظام Ultralytics YOLO#

كاميرات Luxonis OAK تشغل نماذج Ultralytics YOLO على الجهاز بعد التحويل باستخدام أدوات Luxonis. هذه عملية نشر يدوية؛ وليست Luxonis هدفاً أصلياً لـ Ultralytics model.export(format="...").

يغطي هذا الدليل أجهزة RVC2 و RVC4. قم بالتحويل لمنصة كاميرتك: ملفات RVC2 و RVC4 ليست قابلة للتبديل. تختلف عائلات النماذج المدعومة والمهام؛ تحقق من مصفوفة دعم أدوات Luxonis قبل التحويل.

ابدأ بنقطة تحقق YOLO .pt مدعومة، مثل yolo26n.pt، أو نموذجك المُدرب الخاص. أرشيف الشبكة العصبية NN Archive المحول يجمع النموذج وبيانات تعريف وقت التشغيل.

التحويل السحابي باستخدام Luxonis Hub#

  1. سجل الدخول إلى Luxonis Hub وافتح التحويل السريع Quick Conversion.
  2. حدد YOLO، واختر RVC2 أو RVC4، وقم بتحميل نقطة التحقق .pt الخاصة بك.
  3. اضبط شكل الإدخال ومعلمات التحويل، ثم أرسل التحويل.
  4. بعد الاكتمال، انسخ معرف النموذج المحول لمثال الاستدلال أدناه، أو قم بتنزيل أرشيف الشبكة العصبية NN Archive الخاص به.

ل التحويل التلقائي أو بيانات معايرة RVC4 المخصصة، استخدم HubAI SDK. اتبع تعليمات التثبيت الخاصة به في بيئة Python 3.10+. يوفر التحويل المفصل Detailed Conversion إدارة السجل ومجموعات بيانات المعايرة المحددة مسبقاً.

التحويل المحلي باستخدام Tools و ModelConverter#

استخدم Python 3.10+ و Docker. قم بتثبيت أدوات Luxonis Tools باستخدام تعليمات الإعداد الأساسية الخاصة بها، بما في ذلك قيود التبعيات. تقوم أدوات Tools بإعداد مخرجات YOLO لتحليل Luxonis؛ ولا يحل تصدير ONNX العام محل 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 أدوات Tools yolo26n.tar.xz داخل دليل مؤرخ بختم زمني تحت output/. استبدل مسار المثال أدناه بهذا الملف. لتحويل RVC4 INT8، املأ calibration_images/ بصور نشر نموذجية؛ انظر متطلبات بيانات المعايرة.

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

بالنسبة لـ RVC2، استخدم rvc2 بدلاً من rvc4؛ صور المعايرة غير مطلوبة لتحويل FP16 الخاص به. استخدم أرشيف الشبكة العصبية NN Archive المُترجم الناتج من دليل مخرجات ModelConverter للاستدلال، بدلاً من أرشيف ONNX الوسيط. انظر ModelConverter لمعرفة مسارات الإخراج والخيارات الخاصة بالمنصة.

تشغيل الاستدلال على كاميرا OAK#

قم بتوصيل كاميرا OAK متوافقة وقم بتثبيت DepthAI في بيئة Python الخاصة بك:

pip install depthai==3.9.0

ل نموذج Hub خاص، اضبط DEPTHAI_HUB_API_KEY على مفتاح واجهة برمجة تطبيقات Luxonis Hub قبل تشغيل النص البرمجي. استبدل your-model-identifier بالمعرف من Hub، أو استخدم بديل أرشيف الشبكة العصبية NN Archive المحلي المترجم.

import depthai as dai

model = "your-model-identifier"
# Alternatively, use your converted local artifact:
# 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 والاكتشافات. يدعم DetectionNetwork أيضاً تجزيء المثيلات instance segmentation والنماذج الوضع pose المتوافقة. بالنسبة للمهام الأخرى، بما في ذلك التجزيء الدلالي والتصنيف، اتبع إرشادات الاستدلال الخاصة بالمهمة.

ل خطوط أنابيب العمق المجسم، انظر مثال الاكتشاف المكاني. قس نموذجك على الكاميرا المستهدفة باستخدام دليل القياس المقارن؛ تعتمد الإنتاجية على النموذج، وحجم الإدخال، والدقة، وتكوين خط الأنابيب.

المساهمون
KLklemen19991

التعليقات