كيفية التصدير إلى NCNN من YOLO11 للنشر السلس من

يمكن أن يكون نشر نماذج الرؤية الحاسوبية على الأجهزة ذات القدرة الحاسوبية المحدودة، مثل الأنظمة المحمولة أو المدمجة، أمرًا صعبًا. تحتاج إلى التأكد من استخدام تنسيق مُحسَّن لتحقيق الأداء الأمثل. هذا يضمن أنه حتى الأجهزة ذات طاقة المعالجة المحدودة يمكنها التعامل مع مهام الرؤية الحاسوبية المتقدمة بشكل جيد.

تسمح لك ميزة التصدير إلى تنسيق NCNN بتحسين Ultralytics YOLO11 للتطبيقات القائمة على الأجهزة خفيفة الوزن. في هذا الدليل، سنرشدك في هذا الدليل إلى كيفية تحويل نماذجك إلى تنسيق NCNN ، مما يسهل أداء نماذجك بشكل جيد 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 معروف بسرعة معالجته السريعة على وحدات المعالجة المركزية للأجهزة المحمولة ويتيح النشر السريع لنماذج التعلُّم العميق على منصات الأجهزة المحمولة. وهذا يجعل من السهل إنشاء تطبيقات ذكية، مما يجعل قوة الذكاء الاصطناعي في متناول يدك.

الميزات الرئيسية لنماذج NCNN

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

• كفاءة وأداء عالٍ: صُممت نماذج NCNN لتكون فعالة وخفيفة الوزن، ومُحسّنة للتشغيل على الأجهزة المحمولة والمضمنة مثل Raspberry Pi ذات الموارد المحدودة. كما يمكنها تحقيق أداء عالٍ بدقة عالية في مختلف المهام القائمة على الرؤية الحاسوبية.

• التكميم: غالبًا ما تدعم نماذج NCNN التكميم وهي تقنية تقلل من دقة أوزان النموذج وتفعيلاته. يؤدي ذلك إلى مزيد من التحسينات في الأداء ويقلل من بصمة الذاكرة.

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

• سهولة الاستخدام: صُممت نماذج NCNN لسهولة دمجها في مختلف التطبيقات، وذلك بفضل توافقها مع أطر التعلم العميق الشائعة. بالإضافة إلى ذلك، يوفر موقع NCNN أدوات سهلة الاستخدام لتحويل النماذج بين التنسيقات المختلفة، مما يضمن قابلية التشغيل البيني السلس عبر مشهد التطوير.

خيارات النشر مع NCNN

قبل أن نلقي نظرة على الكود الخاص بتصدير النماذج YOLO11 إلى تنسيق NCNN ، دعونا نفهم كيف تُستخدم النماذج NCNN عادةً.

NCNN تتوافق النماذج، 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 والخادم: قابلة للنشر في بيئات سطح المكتب والخوادم عبر أنظمة Linux وWindows وmacOS، مما يدعم التطوير والتدريب والتقييم بقدرات حاسوبية أعلى.

التصدير إلى NCNN: تحويل نموذج YOLO11 الخاص بك

يمكنك توسيع نطاق توافق النماذج ومرونة النشر من خلال تحويل النماذج YOLO11 إلى تنسيق NCNN .

التركيب

لتثبيت الحزم المطلوبة، قم بتشغيل

# Install the required package for YOLO11
pip install ultralytics

للاطلاع على الإرشادات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل التثبيتUltralytics . أثناء تثبيت الحزم المطلوبة YOLO11 ، إذا واجهت أي صعوبات، راجع دليل المشكلات الشائعة للحصول على الحلول والنصائح.

الاستخدام

قبل الغوص في إرشادات الاستخدام، من المهم ملاحظة أنه على الرغم من أن جميع الطرازاتUltralytics YOLO11 متاحة للتصدير، يمكنك التأكد من أن الطراز الذي تختاره يدعم وظيفة التصدير هنا.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates '/yolo11n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("./yolo11n_ncnn_model")

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

# Export a YOLO11n PyTorch model to NCNN format
yolo export model=yolo11n.pt format=ncnn  # creates '/yolo11n_ncnn_model'

# Run inference with the exported model
yolo predict model='./yolo11n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

للحصول على مزيد من التفاصيل حول خيارات التصدير المدعومة، يرجى زيارة صفحة التوثيقUltralytics الخاصة بخيارات النشر.

نشر النماذج المصدّرة YOLO11 NCNN النماذج

بعد تصدير نماذج Ultralytics YOLO11 الخاصة بك بنجاح إلى تنسيق NCNN ، يمكنك الآن نشرها. الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج NCNN هي استخدام طريقة YOLO("./model_ncnn_ncnn_model")، كما هو موضح في مقتطف رمز الاستخدام السابق. ومع ذلك، للحصول على إرشادات متعمقة حول نشر نماذج NCNN الخاصة بك في إعدادات أخرى مختلفة، ألقِ نظرة على الموارد التالية:

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

• macOS: فهم كيفية استخدام نماذج NCNN لأداء المهام من خلال نظام التشغيل macOS.

• لينكس: استكشف هذه الصفحة للتعرف على كيفية نشر نماذج NCNN على أجهزة محدودة الموارد مثل Raspberry Pi وغيرها من الأجهزة المماثلة.

• ويندوز x64 باستخدام VS2017: استكشف هذه المدونة لمعرفة كيفية نشر نماذج NCNN على نظام التشغيل ويندوز x64 باستخدام Visual Studio Community 2017.

الملخص

في هذا الدليل، تناولنا تصدير النماذج Ultralytics YOLO11 إلى تنسيق NCNN . تُعد خطوة التحويل هذه ضرورية لتحسين كفاءة وسرعة نماذج YOLO11 ، مما يجعلها أكثر فعالية ومناسبة لبيئات الحوسبة محدودة الموارد.

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

أيضًا، إذا كنت مهتمًا باستكشاف خيارات التكامل الأخرى لـ Ultralytics YOLO11 ، فتأكد من زيارة صفحة دليل التكامل للحصول على مزيد من الأفكار والمعلومات.

الأسئلة الشائعة

كيف يمكنني تصدير النماذج Ultralytics YOLO11 إلى تنسيق NCNN ؟

لتصدير نموذجك Ultralytics YOLO11 إلى تنسيق NCNN ، اتبع الخطوات التالية:

• Python: استخدام export من فئة YOLO .

  from ultralytics import YOLO
  
  # Load the YOLO11 model
  model = YOLO("yolo11n.pt")
  
  # Export to NCNN format
  model.export(format="ncnn")  # creates '/yolo11n_ncnn_model'
  

• CLI: استخدام yolo مع الأمر export الحجة.

  yolo export model=yolo11n.pt format=ncnn  # creates '/yolo11n_ncnn_model'
  

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

ما هي مزايا تصدير نماذج YOLO11 إلى NCNN ؟

يوفر تصدير نماذجك Ultralytics YOLO11 إلى NCNN العديد من الفوائد:

• الكفاءة: تم تحسين النماذج NCNN للأجهزة المحمولة والأجهزة المدمجة، 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.
• متعدد المنصات: متوافق مع الأطر 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 المدعومةلنشر 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 YOLO11 NCNN على Android ؟

لنشر نماذج YOLO11 الخاصة بك على Android:

1. بناء ل Android: اتبع دليل البناءNCNN 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 YOLO11 NCNN .

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

📅 تم الإنشاء قبل 9 أشهر ✏️ تم التحديث منذ 2 أشهر

التعليقات