كيفية التصدير إلى NCNN من YOLOv8 للنشر السلس

قد يكون نشر نماذج رؤية الكمبيوتر على الأجهزة ذات الطاقة الحسابية المحدودة ، مثل الأنظمة المحمولة أو المدمجة ، أمرا صعبا. تحتاج إلى التأكد من استخدام تنسيق محسن للحصول على الأداء الأمثل. هذا يضمن أنه حتى الأجهزة ذات قوة المعالجة المحدودة يمكنها التعامل مع مهام رؤية الكمبيوتر المتقدمة بشكل جيد.

التصدير إلى NCNN تتيح لك ميزة التنسيق تحسين Ultralytics YOLOv8 نماذج للتطبيقات القائمة على الأجهزة خفيفة الوزن. في هذا الدليل ، سنرشدك إلى كيفية تحويل نماذجك إلى ملف NCNN ، مما يسهل على نماذجك الأداء الجيد على مختلف الأجهزة المحمولة والمضمنة.

لماذا يجب عليك التصدير إلى NCNN?

إطار العمل NCNN الذي طورته شركة Tencent، هو إطار عمل حوسبة استدلالية للشبكات العصبية عالي الأداء مُحسَّن خصيصًا للمنصات المحمولة، بما في ذلك الهواتف المحمولة والأجهزة المدمجة وأجهزة إنترنت الأشياء. NCNN متوافق مع مجموعة واسعة من المنصات، بما في ذلك لينكس و Android و iOS و macOS.

NCNN تشتهر بسرعة المعالجة السريعة على وحدات المعالجة المركزية المحمولة وتتيح النشر السريع لنماذج التعلم العميق على الأنظمة الأساسية المتنقلة. هذا يجعل من السهل إنشاء تطبيقات ذكية ، مما يجعل قوة الذكاء الاصطناعي في متناول يدك.

الميزات الرئيسية ل NCNN نماذج

NCNN تقدم الطرز مجموعة واسعة من الميزات الرئيسية التي تتيح التعلم الآلي على الجهاز من خلال مساعدة المطورين على تشغيل نماذجهم على الأجهزة المحمولة والمضمنة وأجهزة الحافة:

• كفاءة وأداء عالي: NCNN تم تصميم النماذج لتكون فعالة وخفيفة الوزن ، ومحسنة للتشغيل على الأجهزة المحمولة والأجهزة المدمجة مثل Raspberry Pi بموارد محدودة. يمكنهم أيضا تحقيق أداء عال بدقة عالية في مختلف المهام القائمة على رؤية الكمبيوتر.

• التكميم: NCNN غالبا ما تدعم النماذج التكميم وهي تقنية تقلل من دقة أوزان النموذج وتنشيطه. هذا يؤدي إلى مزيد من التحسينات في الأداء ويقلل من بصمة الذاكرة.

• التوافق: NCNN تتوافق النماذج مع أطر التعلم العميق الشائعة مثل TensorFlow، و Caffe ، و ONNX. يسمح هذا التوافق للمطورين باستخدام النماذج الحالية وسير العمل بسهولة.

• سهل الاستخدام: NCNN تم تصميم النماذج لسهولة الاندماج في التطبيقات المختلفة ، وذلك بفضل توافقها مع أطر التعلم العميق الشائعة. الاضافه الي ذلك NCNN يوفر أدوات سهلة الاستخدام لتحويل النماذج بين تنسيقات مختلفة ، مما يضمن قابلية التشغيل البيني السلس عبر مشهد التطوير.

خيارات النشر مع NCNN

قبل أن ننظر إلى رمز التصدير YOLOv8 نماذج إلى NCNN التنسيق ، دعونا نفهم كيف NCNN عادة ما تستخدم النماذج.

NCNN تتوافق الطرز المصممة لتحقيق الكفاءة والأداء مع مجموعة متنوعة من منصات النشر:

• النشر على الأجهزة المحمولة: تم تحسينه خصيصًا لـ Android و iOS ، مما يسمح بالتكامل السلس في تطبيقات الهاتف المحمول للاستدلال الفعال على الجهاز.

• الأنظمة المدمجة وأجهزة إنترنت الأشياء: إذا وجدت أن تشغيل الاستدلال على جهاز Raspberry Pi مع الدليلUltralytics ليس بالسرعة الكافية، فإن التبديل إلى نموذج NCNN المصدّر يمكن أن يساعد في تسريع الأمور. NCNN رائع لأجهزة مثل Raspberry Pi و NVIDIA Jetson، خاصة في المواقف التي تحتاج فيها إلى معالجة سريعة على الجهاز مباشرةً.

• نشر سطح المكتب والخوادم: يمكن نشره في بيئات سطح المكتب والخوادم عبر Linux و Windows و macOS ، مما يدعم التطوير والتدريب والتقييم بقدرات حسابية أعلى.

تصدير إلى NCNNتحويل الخاص بك: YOLOv8 نموذج

يمكنك توسيع توافق النموذج ومرونة النشر عن طريق التحويل YOLOv8 نماذج ل NCNN تنسيق.

تركيب

لتثبيت الحزم المطلوبة ، قم بتشغيل:

# Install the required package for YOLOv8
pip install ultralytics

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت ، تحقق من Ultralytics دليل التثبيت. أثناء تثبيت الحزم المطلوبة ل YOLOv8، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على حلول ونصائح.

استخدام

قبل الغوص في تعليمات الاستخدام ، من المهم ملاحظة أنه في حين أن جميع Ultralytics YOLOv8 النماذج متاحة للتصدير ، يمكنك التأكد من أن النموذج الذي تحدده يدعم وظائف التصدير هنا.

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates '/yolov8n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("./yolov8n_ncnn_model")

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

# Export a YOLOv8n PyTorch model to NCNN format
yolo export model=yolov8n.pt format=ncnn  # creates '/yolov8n_ncnn_model'

# Run inference with the exported model
yolo predict model='./yolov8n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

لمزيد من التفاصيل حول خيارات التصدير المدعومة، تفضل بزيارة Ultralytics صفحة الوثائق حول خيارات النشر.

نشر التصدير YOLOv8 NCNN نماذج

بعد تصدير الخاص بك بنجاح Ultralytics YOLOv8 نماذج ل NCNN ، يمكنك الآن نشرها. الخطوة الأولى الأساسية والموصى بها لتشغيل NCNN النموذج هو الاستفادة من YOLOطريقة ("./model_ncnn_model") ، كما هو موضح في مقتطف شفرة الاستخدام السابق. ومع ذلك ، للحصول على إرشادات متعمقة حول نشر NCNN النماذج في إعدادات أخرى مختلفة ، ألق نظرة على الموارد التالية:

• Android: تشرح هذه المدونة كيفية استخدام نماذج NCNN لأداء مهام مثل اكتشاف الكائنات من خلال تطبيقات Android .

• macOS: فهم كيفية الاستخدام NCNN نماذج لأداء المهام من خلال macOS.

• Linux: استكشف هذه الصفحة لمعرفة كيفية النشر NCNN نماذج على أجهزة محدودة الموارد مثل Raspberry Pi وغيرها من الأجهزة المماثلة.

• Windows x64 باستخدام VS2017: استكشف هذه المدونة لمعرفة كيفية النشر NCNN نماذج على ويندوز x64 باستخدام مجتمع Visual Studio 2017.

ملخص

في هذا الدليل ، تجاوزنا التصدير Ultralytics YOLOv8 نماذج إلى NCNN تنسيق. خطوة التحويل هذه ضرورية لتحسين كفاءة وسرعة YOLOv8 النماذج ، مما يجعلها أكثر فعالية وملاءمة لبيئات الحوسبة محدودة الموارد.

للحصول على تعليمات مفصلة حول الاستخدام ، يرجى الرجوع إلى رسمي NCNN الوثائق.

أيضا ، إذا كنت مهتما باستكشاف خيارات تكامل أخرى ل Ultralytics YOLOv8، تأكد من زيارة صفحة دليل التكامل للحصول على مزيد من الأفكار والمعلومات.

الأسئلة المتداولة

كيف يمكنني تصدير النماذج Ultralytics YOLOv8 إلى تنسيق NCNN ؟

لتصدير نموذج Ultralytics YOLOv8 الخاص بك إلى تنسيق NCNN ، اتبع الخطوات التالية:

• Python: استخدام export من فئة YOLO .

  from ultralytics import YOLO
  
  # Load the YOLOv8 model
  model = YOLO("yolov8n.pt")
  
  # Export to NCNN format
  model.export(format="ncnn")  # creates '/yolov8n_ncnn_model'
  

• CLI: استخدام yolo مع الأمر export جدال.

  yolo export model=yolov8n.pt format=ncnn  # creates '/yolov8n_ncnn_model'
  

للاطلاع على خيارات التصدير التفصيلية، راجع صفحة التصدير في الوثائق.

ما هي مزايا تصدير نماذج YOLOv8 إلى NCNN ؟

يوفر تصدير نماذجك Ultralytics YOLOv8 إلى NCNN العديد من الفوائد:

• الكفاءة: تم تحسين النماذج NCNN للأجهزة المحمولة والمضمنة، مما يضمن أداءً عاليًا حتى مع محدودية الموارد الحاسوبية.
• التكميم: يدعم NCNN تقنيات مثل التكميم الذي يحسن سرعة النموذج ويقلل من استخدام الذاكرة.
• توافق واسع النطاق: يمكنك نشر نماذج NCNN على منصات متعددة، بما في ذلك Android و iOS و Linux و macOS.

لمزيد من التفاصيل، راجع قسم التصدير إلى NCNN في الوثائق.

لماذا يجب أن أستخدم NCNN لتطبيقات الذكاء الاصطناعي على هاتفي المحمول؟

NCNNتم تطويره من قِبل Tencent، وهو مُحسَّن خصيصًا لمنصات الأجهزة المحمولة. تشمل الأسباب الرئيسية لاستخدام NCNN ما يلي:

• أداء عالٍ: مصمم للمعالجة الفعالة والسريعة على وحدات المعالجة المركزية المحمولة.
• عبر المنصات: متوافق مع أطر العمل الشائعة مثل TensorFlow و ONNX ، مما يسهل تحويل النماذج ونشرها عبر منصات مختلفة.
• دعم المجتمع: يضمن دعم المجتمع النشط التحسينات والتحديثات المستمرة.

لفهم المزيد، يرجى الاطلاع على نظرة عامة علىNCNN في الوثائق.

ما هي المنصات المدعومة لنشر نموذج NCNN ؟

NCNN متعدد الاستخدامات ويدعم العديد من المنصات:

• الهاتف المحمول Android iOS .
• الأنظمة المدمجة وأجهزة إنترنت الأشياء: أجهزة مثل Raspberry Pi و NVIDIA Jetson.
• سطح المكتب والخوادم: لينكس وويندوز وماك أو إس.

إذا لم يكن تشغيل النماذج على جهاز Raspberry Pi سريعًا بما فيه الكفاية، فإن التحويل إلى تنسيق NCNN يمكن أن يسرع الأمور كما هو مفصل في دليل Raspberry Pi.

كيف يمكنني نشر نماذج Ultralytics YOLOv8 NCNN على Android ؟

لنشر نماذج YOLOv8 الخاصة بك على Android:

1. بناء ل Android: اتبع دليل البناء NCNN Build for Android.
2. التكامل مع تطبيقك: استخدم NCNN Android SDK لدمج النموذج المُصدَّر في تطبيقك للاستدلال الفعال على الجهاز.

للاطلاع على الإرشادات خطوة بخطوة، راجع دليلنا الخاص بنشر النماذج YOLOv8 NCNN .

لمزيد من الأدلة المتقدمة وحالات الاستخدام، قم بزيارة صفحة التوثيقUltralytics .

التعليقات