تصدير Intel OpenVINO#

في هذا الدليل، نتناول تصدير نماذج YOLO26 إلى تنسيق OpenVINO، الذي قد يوفر تسريعًا يصل إلى 3 أضعاف على CPU، بالإضافة إلى تسريع استدلال YOLO على أجهزة Intel GPU وNPU.

OpenVINO، اختصارًا لمجموعة أدوات الاستدلال المرئي المفتوح وتحسين الشبكات العصبية، هي مجموعة أدوات شاملة لتحسين نماذج استدلال الذكاء الاصطناعي ونشرها. وعلى الرغم من أن الاسم يتضمن كلمة «مرئي»، فإن OpenVINO تدعم أيضًا مهامًا إضافية متنوعة، منها اللغة والصوت والسلاسل الزمنية وغيرها.

المهام المدعومة#

يدعم تصدير OpenVINO جميع مهام Ultralytics السبع. ولا يتوفر التقسيم الدلالي وتقدير العمق إلا مع YOLO26، وهي العائلة الوحيدة التي تتضمن هذين الرأسين.

التثبيت#

ثبّت تبعيات تصدير OpenVINO باستخدام:

pip install "ultralytics[export-openvino]"

تتضمن ultralytics[export] هذه التبعيات أيضًا، وتُثبَّت تلقائيًا عند الحاجة إليها أثناء التصدير.

أمثلة الاستخدام#

يدعم تنسيق OpenVINO أوضاع التصدير والتنبؤ والتحقق. صدّر النموذج، ثم حمّل النموذج المُصدَّر لإجراء الاستدلال أو للتحقق من دقته على CPU أو GPU مدمجة/منفصلة أو NPU من Intel.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26⁩
model = YOLO("yolo26n.pt")

# ⁨تصدير النموذج بتنسيق OpenVINO⁩
model.export(format="openvino")  # creates 'yolo26n_openvino_model/'

from ultralytics import YOLO

# ⁨حمّل نموذج OpenVINO المُصدَّر⁩
model = YOLO("yolo26n_openvino_model/")

# ⁨تنفيذ الاستدلال⁩
results = model("https://ultralytics.com/images/bus.jpg")

# ⁨أجرِ الاستدلال على جهاز محدد؛ الأجهزة المتاحة: ["intel:gpu", "intel:npu", "intel:cpu"]⁩
results = model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

from ultralytics import YOLO

# ⁨حمّل نموذج OpenVINO المُصدَّر⁩
model = YOLO("yolo26n_openvino_model/")

# ⁨# التحقق من الدقة على مجموعة بيانات COCO8⁩
metrics = model.val(data="coco8.yaml")

وسيطات التصدير#

لمزيد من التفاصيل حول عملية التصدير، تفضّل بزيارة صفحة وثائق Ultralytics حول التصدير.

مزايا OpenVINO#

1. الأداء: يوفر OpenVINO استدلالًا عالي الأداء من خلال الاستفادة من إمكانات وحدات CPU وGPU المدمجة والمنفصلة وFPGA من Intel.
2. دعم التنفيذ غير المتجانس: يوفر OpenVINO واجهة API تتيح كتابة التطبيق مرة واحدة ونشره على أي جهاز Intel مدعوم (CPU وGPU وFPGA وVPU وغيرها).
3. مُحسِّن النماذج: يوفر OpenVINO مُحسِّنًا للنماذج يستورد النماذج من أُطر التعلّم العميق الشائعة، مثل PyTorch وTensorFlow وTensorFlow Lite وKeras وONNX وPaddlePaddle وCaffe، ويحوّلها ويحسّنها.
4. سهولة الاستخدام: تتضمن مجموعة الأدوات مجموعة كبيرة من دفاتر الشروحات التعليمية (بما فيها تحسين YOLO26) التي تشرح جوانب مختلفة من مجموعة الأدوات.

بنية تصدير OpenVINO#

عند تصدير نموذج إلى تنسيق OpenVINO، ينتج عن ذلك دليل يتضمن ما يلي:

1. ملف XML: يصف البنية الطوبولوجية للشبكة.
2. ملف BIN: يحتوي على البيانات الثنائية للأوزان والانحيازات.
3. ملف البيانات الوصفية: يحتوي metadata.yaml على بيانات وصفية للنموذج، مثل أسماء الفئات وحجم الصورة والمهمة، وتقرأها Ultralytics عند تحميل النموذج.

يمكنك استخدام هذه الملفات لإجراء الاستدلال باستخدام OpenVINO Runtime.

استخدام تصدير OpenVINO في النشر#

بعد تصدير نموذجك بنجاح إلى تنسيق OpenVINO، يتوفر أمامك خياران أساسيان لإجراء الاستدلال:

1. استخدم حزمة ultralytics، التي توفر واجهة API عالية المستوى وتغلّف OpenVINO Runtime.

2. استخدم الحزمة الأصلية openvino لمزيد من التحكم المتقدم أو المخصص في سلوك الاستدلال.

الاستدلال باستخدام Ultralytics#

تتيح لك حزمة ultralytics إجراء الاستدلال بسهولة باستخدام نموذج OpenVINO المُصدَّر عبر أسلوب predict. ويمكنك أيضًا تحديد الجهاز المستهدف (مثل intel:gpu وintel:npu وintel:cpu) باستخدام وسيطة device.

from ultralytics import YOLO

# ⁨حمّل نموذج OpenVINO المُصدَّر⁩
ov_model = YOLO("yolo26n_openvino_model/")  # ⁨مسار نموذج OpenVINO المُصدَّر⁩
# ⁨أجرِ الاستدلال باستخدام النموذج المُصدَّر⁩
ov_model.predict(device="intel:gpu")  # ⁨حدّد الجهاز الذي تريد إجراء الاستدلال عليه⁩

هذا النهج مثالي للنمذجة الأولية السريعة أو النشر عندما لا تحتاج إلى تحكم كامل في مسار الاستدلال.

الاستدلال باستخدام OpenVINO Runtime#

يوفر OpenVINO Runtime واجهة API موحدة للاستدلال عبر جميع أجهزة Intel المدعومة. كما يوفر إمكانات متقدمة مثل موازنة الأحمال بين أجهزة Intel والتنفيذ غير المتزامن. لمزيد من المعلومات حول إجراء الاستدلال، راجع دفاتر YOLO26.

تذكّر أنك ستحتاج إلى ملفي XML وBIN، بالإضافة إلى أي إعدادات خاصة بالتطبيق، مثل حجم الإدخال ومعامل المقياس للتطبيع وغيرها، لإعداد النموذج واستخدامه مع Runtime على النحو الصحيح.

في تطبيق النشر الخاص بك، ستنفّذ عادةً الخطوات التالية:

1. هيّئ OpenVINO بإنشاء core = Core().
2. حمّل النموذج باستخدام الأسلوب core.read_model().
3. جمّع النموذج باستخدام الدالة core.compile_model().
4. جهّز الإدخال (صورة أو نص أو صوت وغيرها).
5. أجرِ الاستدلال باستخدام compiled_model(input_data).

للاطلاع على خطوات أكثر تفصيلًا ومقتطفات برمجية، راجع وثائق OpenVINO أو البرنامج التعليمي لواجهة API.

معايير أداء YOLO26 على OpenVINO#

قاس فريق Ultralytics أداء YOLO26 عبر تنسيقات نماذج متنوعة ودرجات الدقة، وقيّم السرعة والدقة على أجهزة Intel مختلفة متوافقة مع OpenVINO.

Intel® Core™ Ultra#

تمثل سلسلة Intel® Core™ Ultra™ معيارًا جديدًا في الحوسبة عالية الأداء، وقد صُممت لتلبية المتطلبات المتغيرة للمستخدمين المعاصرين، من اللاعبين وصنّاع المحتوى إلى المتخصصين الذين يستفيدون من الذكاء الاصطناعي. ولا تقتصر هذه المجموعة من الجيل التالي على كونها سلسلة تقليدية من وحدات CPU؛ إذ تجمع بين أنوية CPU قوية وإمكانات GPU مدمجة عالية الأداء ووحدة معالجة عصبية (NPU) مخصصة ضمن شريحة واحدة، لتقدم حلًا موحدًا لأعباء الحوسبة المتنوعة والكثيفة.

يرتكز تصميم Intel® Core Ultra™ على بنية هجينة تتيح أداءً استثنائيًا عبر مهام المعالجة التقليدية وأعباء العمل المسرّعة بواسطة GPU والعمليات القائمة على الذكاء الاصطناعي. ويعزز تضمين NPU استدلال الذكاء الاصطناعي على الجهاز، مما يتيح تعلّم الآلة ومعالجة البيانات بسرعة وكفاءة أعلى عبر مجموعة واسعة من التطبيقات.

تضم عائلة Core Ultra™ طُرزًا متنوعة مصممة لتلبية احتياجات الأداء المختلفة، مع خيارات تتراوح بين التصاميم الموفرة للطاقة والطرز عالية القدرة التي تحمل الرمز «H»، وهي مثالية لأجهزة الكمبيوتر المحمولة والتصاميم المدمجة التي تتطلب قدرة حوسبة كبيرة. ويستفيد المستخدمون في جميع طرز السلسلة من تكامل CPU وGPU وNPU، بما يوفر كفاءة واستجابة وقدرات تعدد مهام ملحوظة.

باعتبارها جزءًا من الابتكار المستمر لدى Intel، تضع سلسلة Core Ultra™ معيارًا جديدًا للحوسبة المُهيأة للمستقبل. ومع توفر طرز متعددة وظهور المزيد منها لاحقًا، تؤكد هذه السلسلة التزام Intel بتقديم حلول متطورة للجيل التالي من الأجهزة الذكية المعززة بالذكاء الاصطناعي.

أُجريت القياسات أدناه على Intel® Core™ Ultra™ X7 358H وIntel® Core™ Ultra™ 7 258V وIntel® Core™ Ultra™ 7 155H بدقة FP32 وFP16 وINT8.

Intel® Core™ Ultra™ X7 358H#

معايير الأداء

وحدة Intel® Arc™ GPU مدمجةوحدة CPU من Intel® Panther Lakeوحدة NPU Intel® AI Boost مدمجة

نتائج القياس التفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (MB)	metrics/mAP50-95(B)	وقت الاستدلال (ms/im)
YOLO26n	PyTorch (CPU)	FP32	✅	5.3	0.4765	29.28
YOLO26n	OpenVINO	FP32	✅	9.7	0.4762	4.09
YOLO26n	OpenVINO	FP16	✅	5.1	0.4762	4.03
YOLO26n	OpenVINO	INT8	✅	3.2	0.4634	4.24
YOLO26s	PyTorch (CPU)	FP32	✅	19.5	0.5703	59.32
YOLO26s	OpenVINO	FP32	✅	36.7	0.5616	5.08
YOLO26s	OpenVINO	FP16	✅	18.7	0.5616	5.14
YOLO26s	OpenVINO	INT8	✅	10.0	0.5462	4.47
YOLO26m	PyTorch (CPU)	FP32	✅	42.2	0.6196	143.21
YOLO26m	OpenVINO	FP32	✅	78.4	0.6166	7.1
YOLO26m	OpenVINO	FP16	✅	39.5	0.6166	7.06
YOLO26m	OpenVINO	INT8	✅	20.6	0.6055	5.61
YOLO26l	PyTorch (CPU)	FP32	✅	50.7	0.6215	181.16
YOLO26l	OpenVINO	FP32	✅	95.3	0.6205	8.45
YOLO26l	OpenVINO	FP16	✅	48.1	0.6205	8.49
YOLO26l	OpenVINO	INT8	✅	25.2	0.5938	6.25
YOLO26x	PyTorch (CPU)	FP32	✅	113.2	0.6512	379.75
YOLO26x	OpenVINO	FP32	✅	213.3	0.6568	13.03
YOLO26x	OpenVINO	FP16	✅	107.1	0.6568	12.98
YOLO26x	OpenVINO	INT8	✅	54.8	0.6385	8.74

Intel® Core™ Ultra™ 7 258V#

معايير الأداء

وحدة Intel® Arc™ GPU مدمجةوحدة CPU من Intel® Lunar Lakeوحدة NPU Intel® AI Boost مدمجة

نتائج القياس التفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (MB)	metrics/mAP50-95(B)	وقت الاستدلال (ms/im)
YOLO26n	PyTorch (CPU)	FP32	✅	5.3	0.4765	27.33
YOLO26n	OpenVINO	FP32	✅	9.6	0.4764	3.33
YOLO26n	OpenVINO	FP16	✅	5.1	0.4764	3.34
YOLO26n	OpenVINO	INT8	✅	3.2	0.4634	3.46
YOLO26s	PyTorch (CPU)	FP32	✅	19.5	0.5703	60.2
YOLO26s	OpenVINO	FP32	✅	36.7	0.5616	4.66
YOLO26s	OpenVINO	FP16	✅	18.6	0.5616	4.65
YOLO26s	OpenVINO	INT8	✅	10.0	0.5462	3.99
YOLO26m	PyTorch (CPU)	FP32	✅	42.2	0.6196	152.87
YOLO26m	OpenVINO	FP32	✅	78.4	0.6168	9.03
YOLO26m	OpenVINO	FP16	✅	39.5	0.6168	8.98
YOLO26m	OpenVINO	INT8	✅	20.6	0.6055	5.7
YOLO26l	PyTorch (CPU)	FP32	✅	50.7	0.6215	201.57
YOLO26l	OpenVINO	FP32	✅	95.3	0.6203	11.32
YOLO26l	OpenVINO	FP16	✅	48.1	0.6203	11.36
YOLO26l	OpenVINO	INT8	✅	25.2	0.5938	7.45
YOLO26x	PyTorch (CPU)	FP32	✅	113.2	0.6512	431.04
YOLO26x	OpenVINO	FP32	✅	213.2	0.6568	19.08
YOLO26x	OpenVINO	FP16	✅	107.1	0.6568	19.63
YOLO26x	OpenVINO	INT8	✅	54.8	0.6385	13.69

Intel® Core™ Ultra™ 7 155H#

معايير الأداء

وحدة Intel® Arc™ GPU مدمجةوحدة CPU من Intel® Meteor Lake

نتائج القياس التفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (MB)	metrics/mAP50-95(B)	وقت الاستدلال (ms/im)
YOLO26n	PyTorch (CPU)	FP32	✅	5.3	0.4765	33.19
YOLO26n	OpenVINO	FP32	✅	9.6	0.4758	9.13
YOLO26n	OpenVINO	FP16	✅	5.1	0.4758	9.07
YOLO26n	OpenVINO	INT8	✅	3.2	0.4573	5.79
YOLO26s	PyTorch (CPU)	FP32	✅	19.5	0.5703	70.92
YOLO26s	OpenVINO	FP32	✅	36.7	0.5616	16.37
YOLO26s	OpenVINO	FP16	✅	18.6	0.5616	16.65
YOLO26s	OpenVINO	INT8	✅	10.0	0.545	9.27
YOLO26m	PyTorch (CPU)	FP32	✅	42.2	0.6196	192.45
YOLO26m	OpenVINO	FP32	✅	78.4	0.6167	34.47
YOLO26m	OpenVINO	FP16	✅	39.5	0.6167	35.71
YOLO26m	OpenVINO	INT8	✅	20.6	0.6039	15.46
YOLO26l	PyTorch (CPU)	FP32	✅	50.7	0.6215	239.19
YOLO26l	OpenVINO	FP32	✅	95.3	0.621	43.24
YOLO26l	OpenVINO	FP16	✅	48.1	0.621	43.4
YOLO26l	OpenVINO	INT8	✅	25.2	0.5999	19.72
YOLO26x	PyTorch (CPU)	FP32	✅	113.2	0.6512	511.89
YOLO26x	OpenVINO	FP32	✅	213.2	0.6552	79.49
YOLO26x	OpenVINO	FP16	✅	107.1	0.6552	79.45
YOLO26x	OpenVINO	INT8	✅	54.8	0.642	34.66

إعادة إنتاج نتائجنا#

لإعادة إجراء اختبارات الأداء التي أجرتها Ultralytics أعلاه على جميع تنسيقات التصدير، شغّل هذا الرمز:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26n بصيغة PyTorch⁩
model = YOLO("yolo26n.pt")

# ⁨اختبر سرعة YOLO26n ودقته على مجموعة البيانات COCO128 بجميع تنسيقات التصدير⁩
results = model.benchmark(data="coco128.yaml")

الخلاصة#

تُظهر نتائج قياس الأداء بوضوح فوائد تصدير نموذج YOLO26 إلى تنسيق OpenVINO. وعبر مختلف النماذج ومنصات الأجهزة، يتفوق تنسيق OpenVINO باستمرار على التنسيقات الأخرى من حيث سرعة الاستدلال، مع الحفاظ على دقة مماثلة.

تؤكد نتائج القياس فعالية OpenVINO كأداة لنشر نماذج التعلّم العميق. فمن خلال تحويل النماذج إلى تنسيق OpenVINO، يستطيع المطورون تحقيق تحسينات كبيرة في الأداء، مما يسهّل نشر هذه النماذج في التطبيقات الواقعية.

للاطلاع على مزيد من المعلومات التفصيلية والتعليمات حول استخدام OpenVINO، راجع الوثائق الرسمية لـ OpenVINO.

الأسئلة الشائعة#