تحسين استدلالات YOLO26 باستخدام محرك DeepSparse من Neural Magic

عند نشر نماذج اكتشاف الكائنات مثل Ultralytics YOLO26 على أجهزة مختلفة، قد تواجه مشكلات فريدة مثل التحسين. هنا يأتي دور دمج YOLO26 مع محرك DeepSparse من Neural Magic. إنه يغير طريقة تنفيذ نماذج YOLO26 ويمكّن أداءً بمستوى GPU مباشرةً على وحدات CPU.

يوضح لك هذا الدليل كيفية نشر YOLO26 باستخدام DeepSparse من Neural Magic، وكيفية تشغيل الاستدلالات، وأيضًا كيفية اختبار الأداء لضمان تحسينه.

DeepSparse من Neural Magic

DeepSparse من Neural Magic هو وقت تشغيل للاستدلال مصمم لتحسين تنفيذ الشبكات العصبية على وحدات المعالجة المركزية (CPUs). يطبق تقنيات متقدمة مثل التفرقة والتقليم والتكميم لتقليل المتطلبات الحسابية بشكل كبير مع الحفاظ على الدقة. يقدم DeepSparse حلاً مرنًا لتنفيذ الشبكات العصبية بكفاءة وقابلية للتوسع عبر الأجهزة المختلفة.

فوائد دمج DeepSparse من Neural Magic مع YOLO26

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

• سرعة استدلال محسّنة: تحقق ما يصل إلى 525 إطارًا في الثانية (على YOLO11n)، مما يسرع بشكل كبير من قدرات استدلال YOLO مقارنة بالطرق التقليدية.

• كفاءة نموذج محسّنة: تستخدم تقنيات التقليم (pruning) والتكميم (quantization) لتعزيز كفاءة YOLO26، مما يقلل من حجم النموذج ومتطلبات الحوسبة مع الحفاظ على الدقة.

• أداء عالٍ على وحدات المعالجة المركزية (CPUs) القياسية: يوفر أداءً يضاهي وحدة معالجة الرسوميات (GPU) على وحدات المعالجة المركزية (CPUs)، مما يوفر خيارًا أكثر سهولة وفعالية من حيث التكلفة لمختلف التطبيقات.

• تكامل ونشر مبسطان: توفر أدوات سهلة الاستخدام للتكامل السهل لـ YOLO26 في التطبيقات، بما في ذلك ميزات التعليق التوضيحي للصور والفيديو.

• دعم لأنواع نماذج متنوعة: متوافق مع نماذج YOLO26 القياسية والمحسّنة للتخفيف (sparsity-optimized)، مما يضيف مرونة في النشر.

• حل فعال من حيث التكلفة وقابل للتطوير: يقلل النفقات التشغيلية ويوفر نشرًا قابلاً للتطوير لنماذج الكشف عن الأجسام 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 على النحو التالي:

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

• مبدأ المرجعية الموضعية (Locality of Reference): يستخدم DeepSparse طريقة تنفيذ فريدة، حيث يقسم الشبكة إلى أعمدة Tensor. يتم تنفيذ هذه الأعمدة بعمق، وتناسب تمامًا ذاكرة التخزين المؤقت لوحدة المعالجة المركزية (CPU). يحاكي هذا النهج كفاءة الدماغ، ويقلل من حركة البيانات ويزيد من استخدام ذاكرة التخزين المؤقت لوحدة المعالجة المركزية (CPU).

إنشاء نسخة مخففة (Sparse) من YOLO26 مدربة على مجموعة بيانات مخصصة

SparseZoo، مستودع نماذج مفتوح المصدر من Neural Magic، يقدم مجموعة من نقاط التحقق لنموذج YOLO26 المخفف مسبقًا. مع SparseML، المدمج بسلاسة مع Ultralytics، يمكن للمستخدمين ضبط نقاط التحقق المخففة هذه بسهولة على مجموعات بياناتهم الخاصة باستخدام واجهة سطر أوامر مباشرة.

اطلع على وثائق SparseML YOLO26 من Neural Magic لمزيد من التفاصيل.

الاستخدام: نشر YOLO26 باستخدام DeepSparse

يتضمن نشر YOLO26 باستخدام DeepSparse من Neural Magic بضع خطوات مباشرة. قبل الخوض في تعليمات الاستخدام، تأكد من الاطلاع على مجموعة نماذج YOLO26 التي تقدمها Ultralytics. سيساعدك هذا في اختيار النموذج الأنسب لمتطلبات مشروعك. إليك كيفية 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. يعد تصدير نموذجك إلى هذا التنسيق أمرًا ضروريًا 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

سيحفظ هذا الأمر yolo26n.onnx النموذج على القرص الخاص بك.

الخطوة 3: نشر وتشغيل الاستدلالات

مع نموذج YOLO26 الخاص بك بتنسيق ONNX، يمكنك نشر وتشغيل الاستدلالات 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 على النحو الأمثل على DeepSparse. يمكنك قياس أداء نموذجك لتحليل الإنتاجية (throughput) وزمن 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 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"

يؤدي تشغيل أمر annotate إلى معالجة الصورة المحددة، واكتشاف الكائنات، وحفظ الصورة المشروحة مع مربعات الإحاطة والتصنيفات. سيتم تخزين الصورة المشروحة في مجلد annotation-results. يساعد هذا في توفير تمثيل مرئي لقدرات اكتشاف النموذج.

بعد تشغيل أمر التقييم (eval)، ستتلقى مقاييس إخراج مفصلة مثل الدقة (precision)، والاستدعاء (recall)، وmAP (متوسط الدقة المتوسطة). يوفر هذا نظرة شاملة لأداء نموذجك على مجموعة البيانات وهو مفيد بشكل خاص لضبط وتحسين نماذج YOLO26 الخاصة بك لحالات استخدام محددة، مما يضمن دقة وكفاءة عالية.

ملخص

استكشف هذا الدليل دمج YOLO26 من Ultralytics مع محرك DeepSparse من Neural Magic. وقد أبرز كيف يعزز هذا التكامل أداء YOLO26 على منصات CPU، مقدمًا كفاءة بمستوى GPU وتقنيات تخفيف متقدمة للشبكات العصبية.

لمزيد من المعلومات التفصيلية والاستخدام المتقدم، تفضل بزيارة وثائق DeepSparse من Neural Magic. يمكنك أيضًا استكشاف دليل تكامل YOLO26 ومشاهدة جلسة توضيحية على YouTube.

بالإضافة إلى ذلك، لفهم أوسع لتكاملات YOLO26 المتنوعة، تفضل بزيارة صفحة دليل تكامل Ultralytics، حيث يمكنك اكتشاف مجموعة من إمكانيات التكامل المثيرة الأخرى.

الأسئلة الشائعة

ما هو محرك DeepSparse من Neural Magic وكيف يحسن أداء YOLO26؟

محرك DeepSparse من Neural Magic هو بيئة تشغيل استدلال (inference runtime) مصمم لتحسين تنفيذ الشبكات العصبية على وحدات المعالجة المركزية (CPUs) من خلال تقنيات متقدمة مثل التخفيف (sparsity)، والتقليم (pruning)، والتكميم (quantization). من خلال دمج DeepSparse مع YOLO26، يمكنك تحقيق أداء شبيه بوحدات معالجة الرسوميات (GPU) على وحدات المعالجة المركزية (CPUs) القياسية، مما يعزز بشكل كبير سرعة الاستدلال وكفاءة النموذج والأداء العام مع الحفاظ على الدقة. لمزيد من التفاصيل، اطلع على قسم DeepSparse من Neural Magic.

كيف يمكنني تثبيت الحزم المطلوبة لنشر YOLO26 باستخدام DeepSparse من Neural Magic؟

يعد تثبيت الحزم المطلوبة لنشر YOLO26 باستخدام DeepSparse من Neural Magic أمرًا مباشرًا. يمكنك تثبيتها بسهولة باستخدام CLI. إليك الأمر الذي تحتاج إلى تشغيله:

pip install deepsparse[yolov8]

بمجرد التثبيت، اتبع الخطوات الموضحة في قسم التثبيت لإعداد بيئتك والبدء في استخدام DeepSparse مع YOLO26.

كيف أقوم بتحويل نماذج YOLO26 إلى تنسيق ONNX للاستخدام مع DeepSparse؟

لتحويل نماذج YOLO26 إلى تنسيق ONNX، وهو مطلوب للتوافق مع DeepSparse، يمكنك استخدام أمر CLI التالي:

yolo task=detect mode=export model=yolo26n.pt format=onnx opset=13

سيقوم هذا الأمر بتصدير نموذج YOLO26 الخاص بك (yolo26n.pt) إلى تنسيق (yolo26n.onnx) يمكن استخدامه بواسطة محرك DeepSparse. يمكن العثور على مزيد من المعلومات حول تصدير النموذج في قسم تصدير النموذج.

كيف أقوم باختبار أداء YOLO26 على محرك DeepSparse؟

يساعد قياس أداء YOLO26 على DeepSparse في تحليل الإنتاجية وزمن الاستجابة لضمان تحسين نموذجك. يمكنك استخدام أمر CLI التالي لتشغيل اختبار الأداء:

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

سيوفر لك هذا الأمر مقاييس أداء حيوية. لمزيد من التفاصيل، راجع قسم قياس الأداء.

لماذا يجب أن أستخدم DeepSparse من Neural Magic مع YOLO26 لمهام اكتشاف الكائنات؟

يوفر دمج DeepSparse من Neural Magic مع YOLO26 العديد من الفوائد:

• سرعة استدلال محسّنة: تحقق ما يصل إلى 525 إطارًا في الثانية (على YOLO11n)، مما يوضح قدرات DeepSparse على التحسين.
• كفاءة نموذج مُحسَّنة: تستخدم تقنيات التخفيف والتقليم والقياس لتقليل حجم النموذج والاحتياجات الحسابية مع الحفاظ على الدقة.
• أداء عالٍ على وحدات المعالجة المركزية (CPUs) القياسية: يوفر أداءً مشابهاً لوحدة معالجة الرسومات (GPU) على أجهزة وحدة المعالجة المركزية (CPU) فعالة من حيث التكلفة.
• تكامل مبسط: أدوات سهلة الاستخدام لسهولة النشر والتكامل.
• المرونة: يدعم نماذج YOLO26 القياسية والمحسّنة للتخفيف (sparsity-optimized).
• فعالية من حيث التكلفة: يقلل النفقات التشغيلية من خلال الاستخدام الفعال للموارد.

للاطلاع بشكل أعمق على هذه المزايا، يرجى زيارة قسم فوائد دمج DeepSparse من Neural Magic مع YOLO26.

📅 تم الإنشاء قبل 2 أعوام ✏️ تم التحديث قبل 7 أيام

تعليقات