تحسين عمليات الاستدلال لنماذج YOLO26 باستخدام محرك DeepSparse من Neural Magic#

عند نشر نماذج كشف الأجسام مثل Ultralytics YOLO26 على أجهزة متنوعة، قد تواجه تحديات فريدة مثل التحسين. وهنا يأتي دور تكامل YOLO26 مع محرك DeepSparse من Neural Magic؛ إذ يغيّر طريقة تنفيذ نماذج YOLO26 ويتيح أداءً بمستوى GPU مباشرةً على وحدات CPU.

يوضح هذا الدليل كيفية نشر YOLO26 باستخدام DeepSparse من Neural Magic، وتشغيل عمليات الاستدلال، وكذلك قياس الأداء لضمان تحسينه.

DeepSparse من Neural Magic#

DeepSparse من Neural Magic هو وقت تشغيل للاستدلال مصمم لتحسين تنفيذ الشبكات العصبية على وحدات CPU. ويطبّق تقنيات متقدمة مثل التناثر والتقليم والتكميم لتقليل المتطلبات الحاسوبية بدرجة كبيرة مع الحفاظ على الدقة. يوفر DeepSparse حلًا مرنًا لتنفيذ الشبكات العصبية بكفاءة وقابلية للتوسع عبر أجهزة متنوعة.

مزايا دمج DeepSparse من Neural Magic مع YOLO26#

قبل التعمق في كيفية نشر YOLO26 باستخدام DeepSparse، لنتعرّف على فوائد استخدام DeepSparse. تشمل أبرز المزايا ما يلي:

• تعزيز سرعة الاستدلال: يحقق ما يصل إلى 525 FPS (على YOLOv8n)، مما يسرّع قدرات الاستدلال في YOLO بدرجة كبيرة مقارنةً بالأساليب التقليدية.

• كفاءة محسّنة للنموذج: يستخدم التقليم والتكميم لتعزيز كفاءة YOLO26، وتقليل حجم النموذج ومتطلباته الحاسوبية مع الحفاظ على الدقة.

• أداء عالٍ على وحدات CPU القياسية: يوفر أداءً شبيهًا بأداء GPU على وحدات CPU، ما يجعله خيارًا أيسر وأكثر فعالية من حيث التكلفة لمختلف التطبيقات.

• تكامل ونشر مبسّطان: يوفر أدوات سهلة الاستخدام لتيسير دمج YOLO26 في التطبيقات، بما فيها ميزات التعليق التوضيحي على الصور ومقاطع الفيديو.

• دعم أنواع مختلفة من النماذج: متوافق مع نماذج YOLO القياسية والنماذج المحسّنة بالتناثر، مما يضيف مرونة إلى النشر.

• حل فعّال من حيث التكلفة وقابل للتوسع: يقلل النفقات التشغيلية ويوفر إمكانية نشر نماذج متقدمة لكشف الأجسام على نطاق واسع.

كيف تعمل تقنية DeepSparse من Neural Magic؟#

تستلهم تقنية DeepSparse من Neural Magic كفاءة الدماغ البشري في حوسبة الشبكات العصبية. وتعتمد مبدأين أساسيين من الدماغ على النحو التالي:

• التناثر: تتضمن عملية إنشاء نموذج متناثر تقليم المعلومات الزائدة من شبكات التعلم العميق، مما ينتج نماذج أصغر وأسرع دون المساس بالدقة. وتقلل هذه التقنية حجم الشبكة واحتياجاتها الحاسوبية بدرجة كبيرة.

• محلية المرجع: يستخدم DeepSparse أسلوب تنفيذ فريدًا يقسّم الشبكة إلى أعمدة Tensor. وتُنفّذ هذه الأعمدة بترتيب العمق، بحيث تلائم ذاكرة التخزين المؤقت لوحدة CPU بالكامل. ويحاكي هذا النهج كفاءة الدماغ، إذ يقلل نقل البيانات إلى أدنى حد ويزيد الاستفادة من ذاكرة التخزين المؤقت لوحدة CPU.

إنشاء إصدار متناثر من YOLO26 مدرّب على مجموعة بيانات مخصصة#

يوفر SparseZoo، وهو مستودع نماذج مفتوح المصدر من Neural Magic، مجموعة من نقاط التحقق لنماذج YOLOv8 المُعدّة مسبقًا لتكون متناثرة. وباستخدام SparseML، المدمج بسلاسة مع Ultralytics، يمكن للمستخدمين ضبط نقاط التحقق المتناثرة هذه بدقة على مجموعات بياناتهم الخاصة بسهولة عبر واجهة سطر أوامر بسيطة.

راجع وثائق SparseML YOLOv8 من Neural Magic لمزيد من التفاصيل.

الاستخدام: نشر YOLO26 باستخدام DeepSparse#

يتطلب نشر YOLO26 باستخدام DeepSparse من Neural Magic بضع خطوات بسيطة. قبل التعمق في تعليمات الاستخدام، احرص على الاطلاع على مجموعة نماذج YOLO26 التي توفرها Ultralytics. سيساعدك ذلك على اختيار النموذج الأنسب لمتطلبات مشروعك. إليك كيفية البدء.

الخطوة 1: التثبيت#

لتثبيت الحزم المطلوبة، شغّل:

# Install the required packages
pip install deepsparse[yolov8]

الخطوة 2: تصدير YOLO26 إلى تنسيق ONNX#

يتطلب محرك DeepSparse نماذج YOLO26 بتنسيق ONNX. ويُعد تصدير النموذج إلى هذا التنسيق أمرًا ضروريًا لضمان التوافق مع DeepSparse. استخدم الأمر التالي لتصدير نماذج YOLO26:

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

سيحفظ هذا الأمر النموذج yolo26n.onnx على القرص.

الخطوة 3: النشر وتشغيل الاستدلال#

باستخدام نموذج YOLO26 بتنسيق ONNX، يمكنك نشره وتشغيل الاستدلال باستخدام DeepSparse. ويمكن إجراء ذلك بسهولة عبر واجهة Python API سهلة الاستخدام:

from deepsparse import Pipeline

# ⁨حدّد مسار نموذج YOLO26 بتنسيق ONNX⁩
model_path = "path/to/yolo26n.onnx"

# ⁨أعِدّ مسار DeepSparse⁩
yolo_pipeline = Pipeline.create(task="yolov8", model_path=model_path)

# ⁨شغّل النموذج على صورك⁩
images = ["path/to/image.jpg"]
pipeline_outputs = yolo_pipeline(images=images)

الخطوة 4: قياس الأداء#

من المهم التحقق من أن نموذج YOLO26 يعمل على النحو الأمثل على DeepSparse. يمكنك قياس الأداء لنموذجك لتحليل معدل النقل وزمن الاستجابة:

# 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 لدمج YOLO26 عمليًا في التطبيقات، مثل إضافة التعليقات التوضيحية إلى الصور وتقييم مجموعات 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"

يعالج تشغيل الأمر annotate الصورة التي تحددها، ويكتشف الأجسام، ويحفظ الصورة التي أُضيفت إليها التعليقات التوضيحية مع مربعات الإحاطة والتصنيفات. تُخزَّن الصورة المشروحة في مجلد annotation-results. ويساعد ذلك على تقديم تمثيل مرئي لقدرات النموذج على الكشف.

بعد تشغيل الأمر eval، ستتلقى مقاييس مفصلة للنتائج مثل الدقة الإيجابية والاستدعاء وmAP (متوسط الدقة). ويقدم ذلك نظرة شاملة على أداء نموذجك على مجموعة البيانات، وهو مفيد على وجه الخصوص لضبط نماذج YOLO26 وتحسينها لحالات استخدام محددة، بما يضمن دقة وكفاءة عاليتين.

الملخص#

تناول هذا الدليل دمج YOLO26 من Ultralytics مع DeepSparse Engine من Neural Magic. وسلّط الضوء على كيفية تعزيز هذا الدمج أداء YOLO26 على منصات CPU، وتوفير كفاءة تضاهي GPU وتقنيات متقدمة لزيادة تناثر الشبكات العصبية.

للحصول على معلومات أكثر تفصيلاً واستخدام متقدم، تفضّل بزيارة مستودع DeepSparse من Neural Magic. ويمكنك أيضًا استكشاف دليل دمج YOLOv8 ومشاهدة جلسة شرح تفصيلي على YouTube.

وللاطلاع على فهم أوسع لعمليات دمج YOLO26 المتنوعة، تفضّل بزيارة صفحة دليل الدمج من Ultralytics، حيث يمكنك اكتشاف مجموعة من إمكانات الدمج الأخرى.

الأسئلة الشائعة#