تصدير Ultralytics YOLO إلى NCNN#

يتطلب نشر نماذج computer vision على الأجهزة ذات القدرات الحاسوبية المحدودة، مثل الأجهزة المحمولة أو الأنظمة المضمنة، اختياراً دقيقاً للتنسيق. يضمن استخدام تنسيق مُحسَّن قدرة حتى الأجهزة ذات الموارد المحدودة على التعامل مع مهام الرؤية الحاسوبية المتقدمة بكفاءة.

يتيح لك التصدير إلى تنسيق NCNN تحسين نماذج Ultralytics YOLO26 الخاصة بك لتطبيقات خفيفة الوزن تعتمد على الأجهزة. يغطي هذا الدليل كيفية تحويل نماذجك إلى تنسيق NCNN لتحسين الأداء على الأجهزة المحمولة والمضمنة.

لماذا التصدير إلى NCNN؟#

يُعد إطار عمل NCNN، الذي طورته شركة Tencent، إطار عمل عالي الأداء لاستنتاج neural network مُحسَّن خصيصاً لمنصة الأجهزة المحمولة، بما في ذلك الهواتف المحمولة والأجهزة المضمنة وأجهزة إنترنت الأشياء (IoT). يتوافق NCNN مع مجموعة واسعة من المنصات، بما في ذلك Linux وAndroid وiOS وmacOS.

يُعرف NCNN بسرعته الفائقة في المعالجة على وحدات المعالجة المركزية (CPUs) للأجهزة المحمولة، ويتيح نشر نماذج deep learning بسرعة على المنصات المحمولة، مما يجعله خياراً ممتازاً بناء تطبيقات مدعومة بالذكاء الاصطناعي.

الميزات الرئيسية لنماذج NCNN#

توفر نماذج NCNN العديد من الميزات الرئيسية التي تتيح machine learning على الأجهزة، مما يساعد المطورين على نشر النماذج على الأجهزة المحمولة والمضمنة والطرفية (edge devices):

• فعال وعالي الأداء: نماذج NCNN خفيفة الوزن ومُحسَّنة للأجهزة المحمولة والمضمنة مثل Raspberry Pi ذات الموارد المحدودة، مع الحفاظ على accuracy عالية في مهام الرؤية الحاسوبية.

• التقييس (Quantization): يدعم NCNN عملية التقييس، وهي تقنية تقلل من precision لوزن النماذج والتنشيطات لتحسين الأداء وتقليل استهلاك الذاكرة.

• التوافق: تتوافق نماذج NCNN مع أطر عمل التعلم العميق الشهيرة بما في ذلك TensorFlow وCaffe وONNX، مما يتيح للمطورين الاستفادة من النماذج وسير العمل الحالية.

• سهولة الاستخدام: يوفر NCNN أدوات سهلة الاستخدام لتحويل النماذج بين التنسيقات، مما يضمن قابلية التشغيل البيني السلس عبر بيئات التطوير المختلفة.

• تسريع GPU عبر Vulkan: يدعم NCNN تقنية Vulkan لاستدلال مُسرَّع بواسطة GPU عبر العديد من البائعين بما في ذلك AMD و Intel وغيرها من وحدات GPU التي ليست من نوع NVIDIA، مما يتيح النشر عالي الأداء على نطاق أوسع من الأجهزة.

خيارات النشر مع NCNN#

تتوافق نماذج NCNN مع مجموعة متنوعة من منصات النشر:

• النشر على الأجهزة المحمولة: مُحسَّن لنظامي Android و iOS، مما يتيح التكامل السلس في تطبيقات الهاتف المحمول لاستدلال فعال على الجهاز.

• الأنظمة المضمنة وأجهزة إنترنت الأشياء: مثالية للأجهزة محدودة الموارد مثل Raspberry Pi وNVIDIA Jetson. إذا كان الاستنتاج القياسي على Raspberry Pi باستخدام Ultralytics Guide غير كافٍ، فيمكن لـ NCNN توفير تحسينات كبيرة في الأداء.

• النشر على سطح المكتب والخادم: يدعم النشر عبر Linux و Windows و macOS لسير عمل التطوير والتدريب والتقييم.

تسريع GPU عبر Vulkan#

يدعم NCNN تسريع GPU من خلال Vulkan، مما يتيح استدلالًا عالي الأداء على مجموعة واسعة من وحدات GPU بما في ذلك AMD و Intel وبطاقات الرسوميات الأخرى التي ليست من نوع NVIDIA. هذا مفيد بشكل خاص لـ:

• دعم GPU عبر بائعين متعددين: على عكس CUDA، الذي يقتصر على وحدات GPU من NVIDIA، يعمل Vulkan عبر بائعي GPU متعددين.
• أنظمة متعددة وحدات معالجة الرسومات (Multi-GPU): حدد جهاز Vulkan معيناً في الأنظمة التي تحتوي على وحدات معالجة رسومات متعددة باستخدام device="vulkan:0"، وdevice="vulkan:1"، وما إلى ذلك.
• نشر الحافة وسطح المكتب: الاستفادة من تسريع GPU على الأجهزة التي لا يتوفر فيها CUDA.

لاستخدام تسريع Vulkan، حدد جهاز Vulkan عند تشغيل الاستدلال:

from ultralytics import YOLO

# Load the exported NCNN model
ncnn_model = YOLO("./yolo26n_ncnn_model")

# Run inference with Vulkan GPU acceleration (first Vulkan device)
results = ncnn_model("https://ultralytics.com/images/bus.jpg", device="vulkan:0")

# Use second Vulkan device in multi-GPU systems
results = ncnn_model("https://ultralytics.com/images/bus.jpg", device="vulkan:1")

المهام المدعومة#

يدعم تصصدير NCNN جميع مهام Ultralytics السبع. تجزئة الدلالات وتقدير العمق متاحان فقط مع YOLO26، وهي العائلة الوحيدة التي توفر تلك الرؤوس.

التصدير إلى NCNN: تحويل نموذج YOLO26 الخاص بك#

يمكنك توسيع توافق النموذج ومرونة النشر عن طريق تحويل نماذج YOLO26 إلى تنسيق NCNN.

التثبيت#

لتثبيت الحزم المطلوبة، قم بتشغيل:

# Install the required package for YOLO26
pip install ultralytics

للحصول على إرشادات تفصيلية وأفضل الممارسات، راجع Ultralytics Installation guide. إذا واجهت أي صعوبات، فاستشر Common Issues guide الخاصة بنا للحصول على الحلول.

الاستخدام#

تم تصميم جميع نماذج Ultralytics YOLO26 لدعم التصدير خارج الصندوق، مما يسهل دمجها في سيرงาน النشر المفضل لديك. يمكنك عرض القائمة الكاملة لتنسيقات التصدير المدعومة وخيارات التكوين لاختيار الإعداد الأفضل لتطبيقك.

يدعم تنسيق NCNN أوضاع Export وPredict وValidate. قم بتصدير نموذجك، ثم تحميل النموذج المُصدَّر لتشغيل الاستنتاج أو التحقق من داقته.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates '/yolo26n_ncnn_model'

from ultralytics import YOLO

# Load the exported NCNN model
model = YOLO("./yolo26n_ncnn_model")

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

from ultralytics import YOLO

# Load the exported NCNN model
model = YOLO("./yolo26n_ncnn_model")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

وسائط التصدير#

لمزيد من التفاصيل حول عملية التصدير، تفضل بزيارة صفحة وثائق Ultralytics حول التصدير.

نشر نماذج YOLO26 NCNN المصدرة#

بعد تصدير نماذج Ultralytics YOLO26 الخاصة بك إلى تنسيق NCNN، يمكنك نشرها باستخدام طريقة YOLO("yolo26n_ncnn_model/") كما هو موضح في مثال الاستخدام أعلاه. للحصول على تعليمات النشر الخاصة بمنصة معينة، راجع الموارد التالية:

• Android: بناء ودمج نماذج NCNN لـ object detection في تطبيقات Android.

• macOS: نشر نماذج NCNN على أنظمة macOS.

• Linux: نشر نماذج NCNN على أجهزة Linux بما في ذلك Raspberry Pi والأنظمة المضمنة المماثلة.

• Windows x64: نشر نماذج NCNN على Windows x64 باستخدام Visual Studio.

ملخص#

غطى هذا الدليل تصدير نماذج Ultralytics YOLO26 إلى تنسيق NCNN لتحسين الكفاءة والسرعة على الأجهزة ذات الموارد المحدودة.

للحصول على تفاصيل إضافية، راجع official NCNN documentation. للحصول على خيارات تصدير أخرى، تفضل بزيارة integration guide page.

الأسئلة الشائعة#