تحسين عمليات استدلال 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 يأتي تكامل YOLO26 مع محرك DeepSparse من Neural Magic. إذ يغيّر هذا التكامل طريقة تنفيذ نماذج YOLO26، ويمكّن من تحقيق أداء بمستوى GPU مباشرةً على وحدات CPU.

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

DeepSparse من Neural Magic#

يُعد DeepSparse من Neural Magic بيئة تشغيل للاستدلال مصممة لتحسين تنفيذ الشبكات العصبية على وحدات CPU. ويطبّق تقنيات متقدمة مثل التناثر والتقليم والتكميم لتقليل المتطلبات الحسابية بدرجة كبيرة مع الحفاظ على الدقة. ويوفر DeepSparse حلاً مرناً لتنفيذ الشبكات العصبية بكفاءة وقابلية للتوسع عبر أجهزة مختلفة.

فوائد دمج DeepSparse من Neural Magic مع YOLO26#

قبل التعمق في كيفية نشر YOLO26 باستخدام DeepSparse، دعونا نفهم فوائد استخدام DeepSparse. تشمل بعض المزايا الرئيسية ما يلي:

• سرعة استدلال محسّنة: يحقق ما يصل إلى 525 FPS (على YOLO11n)، مما يسرّع بدرجة كبيرة قدرات استدلال YOLO مقارنةً بالأساليب التقليدية.

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

• أداء عالٍ على وحدات CPU القياسية: يقدّم أداءً شبيهاً بأداء GPU على وحدات CPU، مما يوفر خياراً أسهل وصولاً وأكثر فعالية من حيث التكلفة لمختلف التطبيقات.

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

• دعم أنواع مختلفة من النماذج: متوافق مع نماذج YOLO26 القياسية والنماذج المحسّنة بالتناثر، مما يضيف مرونة في النشر.

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

كيف تعمل تقنية DeepSparse من Neural Magic؟#

تستمد تقنية DeepSparse من Neural Magic إلهامها من كفاءة الدماغ البشري في إجراء العمليات الحسابية للشبكات العصبية. وتعتمد مبدأين أساسيين من الدماغ، كما يلي:

• التناثر: تتضمن عملية إحداث التناثر تقليم المعلومات الزائدة من شبكات التعلم العميق، مما يؤدي إلى نماذج أصغر وأسرع من دون المساس بالدقة. وتقلل هذه التقنية حجم الشبكة واحتياجاتها الحسابية بدرجة كبيرة.

• محلية المرجع: يستخدم DeepSparse أسلوباً فريداً للتنفيذ، إذ يقسم الشبكة إلى أعمدة Tensor. وتُنفّذ هذه الأعمدة بطريقة عمقية، بحيث تلائم ذاكرة التخزين المؤقت لوحدة CPU بالكامل. ويحاكي هذا النهج كفاءة الدماغ، من خلال تقليل حركة البيانات إلى أدنى حد وتعظيم الاستفادة من ذاكرة التخزين المؤقت لوحدة CPU.

إنشاء نسخة متناثرة من YOLO26 مدرّبة على مجموعة بيانات مخصصة#

يوفر SparseZoo، وهو مستودع نماذج مفتوح المصدر من Neural Magic، مجموعة من نقاط التحقق لنماذج YOLO26 ذات التناثر المسبق. وباستخدام SparseML، المتكامل بسلاسة مع Ultralytics، يمكن للمستخدمين ضبط نقاط التحقق المتناثرة هذه بدقة على مجموعات بياناتهم الخاصة بسهولة، باستخدام واجهة سطر أوامر مباشرة.

اطّلع 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 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 نموذجك إلى هذا التنسيق ضرورياً للتوافق 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 نموذج yolo26n.onnx على القرص.

الخطوة 3: نشر عمليات الاستدلال وتشغيلها#

بعد أن يصبح نموذج YOLO26 بتنسيق ONNX، يمكنك نشر عمليات الاستدلال وتشغيلها باستخدام DeepSparse. ويمكن تنفيذ ذلك بسهولة من خلال واجهة Python API البديهية:

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 يعمل بأفضل أداء على DeepSparse. يمكنك قياس أداء النموذج 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 عملياً في التطبيقات، مثل التعليق التوضيحي على 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"

يؤدي تشغيل الأمر annotate إلى معالجة الصورة المحددة، واكتشاف الكائنات، وحفظ الصورة المشروحة مع المربعات المحيطة والتصنيفات. وستُخزّن الصورة المشروحة في مجلد annotation-results. ويساعد ذلك على توفير تمثيل مرئي لقدرات النموذج في الاكتشاف.

بعد تشغيل الأمر eval، ستتلقى مقاييس إخراج مفصلة مثل الدقة والاسترجاع وmAP (متوسط الدقة). ويوفر ذلك نظرة شاملة على أداء نموذجك على مجموعة البيانات، ويكون مفيداً بوجه خاص لضبط نماذج YOLO26 وتحسينها لحالات استخدام محددة، بما يضمن دقة وكفاءة عاليتين.

الملخص#

استكشف هذا الدليل دمج YOLO26 من Ultralytics مع محرك DeepSparse من Neural Magic. وسلّط الضوء على كيفية تعزيز هذا التكامل لأداء YOLO26 على منصات CPU، من خلال توفير كفاءة بمستوى GPU وتقنيات متقدمة لتناثر الشبكات العصبية.

للحصول على معلومات أكثر تفصيلاً والاستخدام المتقدم، تفضل بزيارة مستودع DeepSparse التابع لـ Neural Magic. يمكنك أيضاً استكشاف دليل تكامل YOLO26 ومشاهدة جلسة شرح توضيحية على يوتيوب.

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

الأسئلة الشائعة#