تحسين استنتاجات YOLO26 باستخدام محرك DeepSparse من Neural Magic#

عند نشر نماذج اكتشاف الكائنات مثل Ultralytics YOLO26 على أجهزة مختلفة، قد تواجه مشكلات فريدة مثل التحسين. وهنا يبرز دور تكامل YOLO26 مع محرك DeepSparse من Neural Magic. فهو يغير طريقة تنفيذ نماذج YOLO26 ويمكن من تحقيق أداء بمستوى وحدة معالجة الرسوميات (GPU) مباشرة على وحدات المعالجة المركزية (CPUs).

يوضح هذا الدليل كيفية نشر YOLO26 باستخدام DeepSparse من Neural Magic، وكيفية تشغيل الاستنتاجات، وكذلك كيفية قياس الأداء لضمان تحسينه.

محرك DeepSparse من Neural Magic#

DeepSparse من Neural Magic هو وقت تشغيل استدلال مصمم لتحسين تنفيذ الشبكات العصبية على وحدات المعالجة المركزية (CPUs). وهو يطبق تقنيات متقدمة مثل التناثر (sparsity)، والتقليم (pruning)، والتقييس (quantization) لتقليل المتطلبات الحسابية بشكل كبير مع الحفاظ على الدقة. يقدم DeepSparse حلاً مرنًا لتنفيذ الشبكات العصبية بكفاءة وقابلية للتوسع عبر الأجهزة المختلفة.

فوائد تكامل DeepSparse من Neural Magic مع YOLO26#

قبل الغوص في كيفية نشر YOLO26 باستخدام DeepSparse، دعنا نفهم فوائد استخدام DeepSparse. تتضمن بعض المزايا الرئيسية ما يلي:

• سرعة استنتاج محسنة: يحقق ما يصل إلى 525 إطاراً في الثانية (على YOLO11n)، مما يسرع بشكل كبير قدرات الاستنتاج لـ YOLO مقارنة بالطرق التقليدية.

• كفاءة النموذج المحسنة: يستخدم التقليم والتقييس لتحسين كفاءة YOLO26، مما يقلل من حجم النموذج والمتطلبات الحسابية مع الحفاظ على الدقة.

• أداء عالٍ على وحدات المعالجة المركزية القياسية: يقدم أداءً مشابهاً لوحدات معالجة الرسومات (GPU) على وحدات المعالجة المركزية (CPU)، مما يوفر خياراً أكثر سهولة وفعالية من حيث التكلفة لمختلف التطبيقات.

• تكامل ونشر مبسط: يوفر أدوات سهلة الاستخدام لتكامل YOLO26 في التطبيقات، بما في ذلك ميزات التعليق التوضيحي على الصور والفيديو.

• دعم لأنواع نماذج مختلفة: متوافق مع كل من نماذج YOLO26 القياسية ونماذج YOLO26 المحسنة بالتناثر، مما يضيف مرونة في النشر.

• حل فعال من حيث التكلفة وقابل للتوسع: يقلل من النفقات التشغيلية ويوفر نشراً قابلاً للتوسع لنماذج اكتشاف الكائنات المتقدمة.

كيف تعمل تقنية DeepSparse من Neural Magic؟#

تقنية DeepSparse من Neural Magic مستوحاة من كفاءة الدماغ البشري في حساب الشبكات العصبية. وهي تتبنى مبدأين رئيسيين من الدماغ كما يلي:

• التناثر (Sparsity): تتضمن عملية التناثر تقليم المعلومات الزائدة عن الحاجة من شبكات التعلم العميق، مما يؤدي إلى نماذج أصغر وأسرع دون المساس بالدقة. تقلل هذه التقنية من حجم الشبكة والاحتياجات الحسابية بشكل كبير.

• محلية المرجع (Locality of Reference): يستخدم DeepSparse طريقة تنفيذ فريدة، حيث يقوم بتقسيم الشبكة إلى أعمدة موتر (Tensor Columns). يتم تنفيذ هذه الأعمدة بعمق، بحيث تتناسب تماماً مع ذاكرة التخزين المؤقت لوحدة المعالجة المركزية. يحاكي هذا النهج كفاءة الدماغ، مما يقلل من نقل البيانات ويعظم الاستفادة من ذاكرة التخزين المؤقت لوحدة المعالجة المركزية.

إنشاء نسخة متناثرة من YOLO26 مدربة على مجموعة بيانات مخصصة#

يقدم SparseZoo، وهو مستودع نماذج مفتوح المصدر من Neural Magic، مجموعة من نقاط بررسی نماذج YOLO26 المتاحة مسبقاً بالتناثر. باستخدام SparseML، المدمج بسلاسة مع Ultralytics، يمكن للمستخدمين ضبط هذه النقاط المتناثرة بسهولة على مجموعات بياناتهم المحددة باستخدام واجهة سطر أوامر بسيطة.

تحقق من توثيق SparseML YOLO26 من Neural Magic لمزيد من التفاصيل.

الاستخدام: نشر YOLO26 باستخدام DeepSparse#

يتطلب نشر YOLO26 باستخدام DeepSparse من Neural Magic بضع خطوات بسيطة. قبل الغوص في تعليمات الاستخدام، تأكد من الاطلاع على مجموعة نماذج YOLO26 التي تقدمها Ultralytics. سيساعدك هذا في اختيار النموذج الأكثر ملاءمة لمتطلبات مشروعك. إليك كيف يمكنك البدء.

الخطوة 1: التثبيت#

لتثبيت الحزم المطلوبة، قم بتشغيل:

# Install the required packages
pip install deepsparse[yolov8]

الخطوة 2: تصدير YOLO26 إلى تنسيق ONNX#

يتطلب محرك DeepSparse نماذج YOLO26 بتنسيق ONNX format. يعد تصدير نموذجك إلى هذا التنسيق أمرًا أساسيًا للتوافق مع DeepSparse. استخدم الأمر التالي لتصدير نماذج YOLO26:

# Export YOLO26 model to ONNX format
yolo task=detect mode=export model=yolo26n.pt format=onnx opset=13

سيوفر هذا الأمر نموذج yolo26n.onnx على قرصك.

الخطوة 3: النشر وتشغيل الاستنتاجات#

مع وجود نموذج YOLO26 الخاص بك بتنسيق ONNX، يمكنك النشر وتشغيل الاستنتاجات باستخدام DeepSparse. يمكن القيام بذلك بسهولة باستخدام واجهة برمجة تطبيقات Python البديهية الخاصة بهم:

from deepsparse import Pipeline

# Specify the path to your YOLO26 ONNX model
model_path = "path/to/yolo26n.onnx"

# Set up the DeepSparse Pipeline
yolo_pipeline = Pipeline.create(task="yolov8", model_path=model_path)

# Run the model on your images
images = ["path/to/image.jpg"]
pipeline_outputs = yolo_pipeline(images=images)

الخطوة 4: قياس الأداء#

من المهم التحقق من أن نموذج YOLO26 الخاص بك يعمل بشكل مثالي على DeepSparse. يمكنك إجراء قياس الأداء (benchmark) لنموذجك لتحليل الإنتاجية ومدة الاستجابة (latency):

# Benchmark performance
deepsparse.benchmark model_path="path/to/yolo26n.onnx" --scenario=sync --input_shapes="[1,3,640,640]"

الخطوة 5: ميزات إضافية#

يوفر DeepSparse ميزات إضافية للتكامل العملي لـ YOLO26 في التطبيقات، مثل التعليق التوضيحي للصور وتقييم مجموعة البيانات.

# For image annotation
deepsparse.yolov8.annotate --source "path/to/image.jpg" --model_filepath "path/to/yolo26n.onnx"

# For evaluating model performance on a dataset
deepsparse.yolov8.eval --model_path "path/to/yolo26n.onnx"

يؤدي تشغيل أمر التعليق التوضيحي إلى معالجة صورتك المحددة، واكتشاف الكائنات، وحفظ الصورة المعلق عليها مع مربعات الإحاطة والتصنيفات. سيتم تخزين الصورة المعلق عليها في مجلد annotation-results. يساعد هذا في توفير تمثيل مرئي لقدرات الكشف الخاصة بالنموذج.

بعد تشغيل أمر التقييم، ستتلقى مقاييس إخراج مفصلة مثل الدقة (precision) و الاستدعاء (recall) و mAP (متوسط الدقة). يوفر هذا نظرة شاملة على أداء نموذجك على مجموعة البيانات وهو مفيد بشكل خاص لضبط وتحسين نماذج YOLO26 لحالات الاستخدام المحددة، مما يضمن دقة وكفاءة عالية.

ملخص#

استكشف هذا الدليل تكامل YOLO26 من Ultralytics مع محرك DeepSparse من Neural Magic. وسلط الضوء على كيفية تعزيز هذا التكامل لأداء YOLO26 على منصات وحدات المعالجة المركزية، مما يوفر كفاءة بمستوى وحدات معالجة الرسومات وتقنيات متقدمة لتناثر الشبكات العصبية.

لمزيد من المعلومات التفصيلية والاستخدام المتقدم، تفضل بزيارة توثيق DeepSparse بواسطة Neural Magic. يمكنك أيضًا استكشاف دليل تكامل YOLO26 و مشاهدة جلسة توضيحية على YouTube.

بالإضافة إلى ذلك، للحصول على فهم أوسع لتكاملات YOLO26 المختلفة، تفضل بزيارة صفحة دليل تكامل Ultralytics، حيث يمكنك اكتشاف مجموعة من إمكانيات التكامل المثيرة الأخرى.

الأسئلة الشائعة#