Link to this sectionتحسين 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 يأتي دور تكامل YOLO26 مع محرك DeepSparse من Neural Magic، حيث يغير طريقة تنفيذ نماذج YOLO26 ويُمكّن من تحقيق أداء بمستوى وحدات معالجة الرسومات (GPU) مباشرة على وحدات المعالجة المركزية (CPU).

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

Link to this sectionمحرك DeepSparse من Neural Magic#

DeepSparse من Neural Magic هو بيئة تشغيل للاستنتاج مصممة لتحسين تنفيذ الشبكات العصبية على وحدات المعالجة المركزية (CPU). يطبق تقنيات متقدمة مثل التناثر (sparsity)، والتقليم (pruning)، والتكميم (quantization) لتقليل المتطلبات الحسابية بشكل كبير مع الحفاظ على الدقة. يوفر DeepSparse حلاً مرناً لتنفيذ الشبكات العصبية بكفاءة وقابلية للتوسع عبر أجهزة مختلفة.

Link to this sectionفوائد 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 نموذج محسنة: يستخدم التقليم والتكميم لتعزيز 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.

Link to this sectionكيف 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 من شبكات التعلم العميق، مما يؤدي إلى نماذج أصغر وأسرع دون المساس بالدقة. تقلل هذه التقنية من حجم الشبكة واحتياجاتها 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.

Link to this sectionإنشاء نسخة متناثرة من YOLO26 مدربة على مجموعة بيانات مخصصة#

SparseZoo، وهو مستودع نماذج مفتوح المصدر من Neural Magic، يقدم مجموعة من نقاط فحص نماذج YOLO26 المتناثرة مسبقاً. باستخدام SparseML، والمتكامل بسلاسة مع Ultralytics، يمكن للمستخدمين ضبط نقاط الفحص المتناثرة هذه على مجموعات بياناتهم الخاصة بسهولة باستخدام واجهة سطر أوامر مباشرة.

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

Link to this sectionالاستخدام: نشر YOLO26 باستخدام DeepSparse#

يتضمن نشر YOLO26 باستخدام DeepSparse من Neural Magic بضع خطوات مباشرة. قبل الغوص في تعليمات الاستخدام، تأكد من إلقاء نظرة على مجموعة نماذج YOLO26 التي تقدمها Ultralytics. سيساعدك هذا في اختيار النموذج الأكثر ملاءمة لمتطلبات مشروعك. إليك كيفية البدء.

Link to this sectionالخطوة 1: التثبيت#

لتثبيت الحزم المطلوبة، قم بتشغيل:

# Install the required packages
pip install deepsparse[yolov8]

Link to this sectionالخطوة 2: تصدير YOLO26 إلى تنسيق ONNX#

يتطلب محرك DeepSparse نماذج YOLO26 بتنسيق ONNX. يعد تصدير نموذجك إلى هذا التنسيق أمراً ضرورياً 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

سيقوم هذا الأمر بحفظ نموذج yolo26n.onnx على قرصك.

Link to this sectionالخطوة 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)

Link to this sectionالخطوة 4: قياس الأداء#

من المهم التحقق من أن نموذج YOLO26 الخاص بك يعمل بشكل مثالي على DeepSparse. يمكنك قياس أداء نموذجك لتحليل معدل الإنتاجية ووقت الاستجابة:

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

Link to this sectionالخطوة 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 (eval)، ستحصل على مقاييس إخراج مفصلة مثل الدقة، الاستدعاء، وmAP (متوسط متوسط الدقة). يوفر هذا نظرة شاملة على أداء نموذجك على مجموعة البيانات وهو مفيد بشكل خاص لضبط وتحسين نماذج YOLO26 الخاصة بك لحالات استخدام محددة، مما يضمن دقة وكفاءة عاليتين.

Link to this sectionملخص#

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.

للحصول على معلومات أكثر تفصيلاً واستخدام متقدم، تفضل بزيارة وثائق DeepSparse من Neural Magic. يمكنك أيضاً استكشاف دليل تكامل YOLO26 ومشاهدة 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 الأخرى المثيرة.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هو محرك DeepSparse من Neural Magic وكيف يعمل على تحسين أداء YOLO26؟#

محرك DeepSparse من Neural Magic هو بيئة تشغيل استنتاج مصممة لتحسين تنفيذ الشبكات العصبية على وحدات المعالجة المركزية من خلال تقنيات متقدمة مثل التناثر، والتقليم، والتكميم. من خلال دمج DeepSparse مع YOLO26، يمكنك تحقيق أداء يشبه وحدات معالجة الرسومات على وحدات المعالجة المركزية القياسية، مما يعزز بشكل كبير سرعة الاستنتاج وكفاءة النموذج والأداء العام مع الحفاظ على الدقة. لمزيد من التفاصيل، تحقق من قسم DeepSparse من Neural Magic.

Link to this sectionكيف يمكنني تثبيت الحزم اللازمة لنشر YOLO26 باستخدام DeepSparse من Neural Magic؟#

تثبيت الحزم المطلوبة لنشر YOLO26 مع DeepSparse من Neural Magic مباشر. يمكنك تثبيتها بسهولة باستخدام واجهة سطر الأوامر (CLI). إليك الأمر الذي تحتاج إلى تشغيله:

pip install deepsparse[yolov8]

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

Link to this sectionكيف أقوم بتحويل نماذج YOLO26 إلى تنسيق ONNX للاستخدام مع DeepSparse؟#

لتحويل نماذج YOLO26 إلى تنسيق ONNX، وهو أمر 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.

Link to this sectionكيف أقوم بقياس أداء YOLO26 على محرك DeepSparse؟#

يساعدك قياس أداء YOLO26 على DeepSparse في تحليل الإنتاجية ووقت الاستجابة للتأكد من أن نموذجك محسّن. 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.

Link to this sectionلماذا يجب أن أستخدم DeepSparse من Neural Magic مع YOLO26 لمهام اكتشاف الكائنات؟#

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

• سرعة استنتاج محسنة: يحقق ما يصل إلى 525 إطاراً في الثانية (على YOLO11n)، مما يوضح قدرات التحسين في DeepSparse.
• كفاءة نموذج محسنة: يستخدم تقنيات التناثر والتقليم والتكميم لتقليل حجم النموذج والاحتياجات الحسابية مع الحفاظ على الدقة.
• أداء عالٍ على وحدات المعالجة المركزية القياسية: يوفر أداءً يشبه وحدات معالجة الرسومات على أجهزة وحدات المعالجة المركزية فعالة من حيث التكلفة.
• تكامل مبسط: أدوات سهلة الاستخدام للنشر والتكامل السهل.
• المرونة: يدعم كلاً من نماذج YOLO26 القياسية ونماذج YOLO26 المحسنة بالتناثر.
• فعال من حيث التكلفة: يقلل من النفقات التشغيلية من خلال الاستخدام الفعال للموارد.

للحصول على فهم أعمق لهذه المزايا، قم بزيارة قسم فوائد تكامل DeepSparse من Neural Magic مع YOLO26.