Link to this sectionتصدير Intel OpenVINO#

في هذا الدليل، نغطي تصدير نماذج YOLO26 إلى تنسيق OpenVINO، والذي يمكن أن يوفر تسريعاً يصل إلى 3 أضعاف على CPU، بالإضافة إلى تسريع استنتاج YOLO على أجهزة GPU و NPU من Intel.

OpenVINO، اختصار لمجموعة أدوات التحسين للمرئيات والاستنتاج والشبكات العصبية، هي مجموعة أدوات شاملة لتحسين ونشر نماذج استنتاج الذكاء الاصطناعي. على الرغم من أن الاسم يحتوي على كلمة "مرئي"، إلا أن OpenVINO يدعم أيضاً العديد من المهام الإضافية بما في ذلك اللغة، والصوت، والسلاسل الزمنية، وغيرها.

Link to this sectionأمثلة الاستخدام#

يدعم تنسيق OpenVINO أوضاع Export و Predict و Validate. قم بتصدير النموذج الخاص بك، ثم قم بتحميل النموذج المصدر لإجراء الاستنتاج أو التحقق من دقته على Intel CPU، أو GPU مدمج/منفصل، أو NPU.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to OpenVINO format
model.export(format="openvino")  # creates 'yolo26n_openvino_model/'

from ultralytics import YOLO

# Load the exported OpenVINO model
model = YOLO("yolo26n_openvino_model/")

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

# Run inference on a specific device, available devices: ["intel:gpu", "intel:npu", "intel:cpu"]
results = model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

from ultralytics import YOLO

# Load the exported OpenVINO model
model = YOLO("yolo26n_openvino_model/")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionوسائط التصدير#

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

Link to this sectionفوائد OpenVINO#

1. الأداء: يقدم OpenVINO استنتاجاً عالي الأداء من خلال الاستفادة من قوة وحدات المعالجة المركزية (CPUs) من Intel، ووحدات معالجة الرسومات (GPUs) المدمجة والمنفصلة، وFPGAs.
2. دعم التنفيذ غير المتجانس: يوفر OpenVINO واجهة برمجة تطبيقات (API) للكتابة مرة واحدة والنشر على أي أجهزة Intel مدعومة (CPU، GPU، FPGA، VPU، إلخ).
3. محسن النماذج: يوفر OpenVINO محسن نماذج يقوم باستيراد وتحويل وتحسين النماذج من أطر عمل التعلم العميق الشهيرة مثل PyTorch، وTensorFlow، وTensorFlow Lite، وKeras، وONNX، وPaddlePaddle، وCaffe.
4. سهولة الاستخدام: تأتي مجموعة الأدوات مع مجموعة كبيرة من دفاتر التعليمات (بما في ذلك تحسين YOLO26) التي تعلم جوانب مختلفة من مجموعة الأدوات.

Link to this sectionهيكل تصدير OpenVINO#

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

1. ملف XML: يصف طوبولوجيا الشبكة.
2. ملف BIN: يحتوي على البيانات الثنائية للأوزان والتحيزات.
3. ملف التعيين (Mapping file): يحتفظ بتعيين موترات مخرجات النموذج الأصلي بأسماء موترات OpenVINO.

يمكنك استخدام هذه الملفات لتشغيل الاستنتاج باستخدام محرك استنتاج OpenVINO.

Link to this sectionاستخدام تصدير OpenVINO في النشر#

بمجرد تصدير نموذجك بنجاح إلى تنسيق OpenVINO، لديك خياران رئيسيان لتشغيل الاستنتاج:

1. استخدام حزمة ultralytics، التي توفر واجهة برمجة تطبيقات عالية المستوى وتغلف وقت تشغيل OpenVINO.

2. استخدام حزمة openvino الأصلية للتحكم الأكثر تقدماً أو تخصيصاً في سلوك الاستنتاج.

Link to this sectionالاستنتاج باستخدام Ultralytics#

تسمح لك حزمة ultralytics بتشغيل الاستنتاج بسهولة باستخدام نموذج OpenVINO المصدر عبر طريقة التنبؤ (predict). يمكنك أيضاً تحديد الجهاز المستهدف (على سبيل المثال، intel:gpu، intel:npu، intel:cpu) باستخدام وسيط الجهاز.

from ultralytics import YOLO

# Load the exported OpenVINO model
ov_model = YOLO("yolo26n_openvino_model/")  # the path of your exported OpenVINO model
# Run inference with the exported model
ov_model.predict(device="intel:gpu")  # specify the device you want to run inference on

هذا النهج مثالي للنماذج الأولية السريعة أو النشر عندما لا تحتاج إلى تحكم كامل في خط أنابيب الاستنتاج.

Link to this sectionالاستنتاج مع وقت تشغيل OpenVINO#

يوفر وقت تشغيل OpenVINO واجهة برمجة تطبيقات موحدة للاستنتاج عبر جميع أجهزة Intel المدعومة. كما يوفر قدرات متقدمة مثل موازنة التحميل عبر أجهزة Intel والتنفيذ غير المتزامن. لمزيد من المعلومات حول تشغيل الاستنتاج، راجع دفاتر YOLO26.

تذكر أنك ستحتاج إلى ملفات XML و BIN بالإضافة إلى أي إعدادات خاصة بالتطبيق مثل حجم المدخلات، وعامل القياس للتطبيع، وما إلى ذلك، لإعداد النموذج واستخدامه بشكل صحيح مع وقت التشغيل.

في تطبيق النشر الخاص بك، ستقوم عادةً بالخطوات التالية:

1. تهيئة OpenVINO عن طريق إنشاء core = Core().
2. تحميل النموذج باستخدام طريقة core.read_model().
3. تجميع النموذج باستخدام دالة core.compile_model().
4. تجهيز المدخلات (صورة، نص، صوت، إلخ).
5. تشغيل الاستنتاج باستخدام compiled_model(input_data).

لمزيد من الخطوات التفصيلية ومقتطفات التعليمات البرمجية، راجع وثائق OpenVINO أو برنامج تعليمي لواجهة برمجة التطبيقات.

Link to this sectionمعايير قياس YOLO26 في OpenVINO#

قام فريق Ultralytics بقياس YOLO26 عبر تنسيقات نماذج ودقة مختلفة، مقيماً السرعة والدقة على أجهزة Intel المختلفة المتوافقة مع OpenVINO.

Link to this sectionIntel® Core™ Ultra#

تمثل سلسلة Intel® Core™ Ultra™ معياراً جديداً في الحوسبة عالية الأداء، وهي مصممة لتلبية المتطلبات المتطورة للمستخدمين المعاصرين - من اللاعبين والمبدعين إلى المحترفين الذين يستفيدون من الذكاء الاصطناعي. هذا الجيل القادم من التشكيلة هو أكثر من مجرد سلسلة معالجات تقليدية؛ فهو يجمع بين نوى وحدة معالجة مركزية قوية، وقدرات وحدة معالجة رسومات عالية الأداء مدمجة، ووحدة معالجة عصبية (NPU) مخصصة داخل شريحة واحدة، مما يوفر حلاً موحداً لأعباء عمل الحوسبة المتنوعة والمكثفة.

في قلب بنية Intel® Core Ultra™ يوجد تصميم هجين يتيح أداءً استثنائياً عبر مهام المعالجة التقليدية، وأعباء العمل المسرعة بواسطة GPU، والعمليات القائمة على الذكاء الاصطناعي. يؤدي تضمين NPU إلى تعزيز استنتاج الذكاء الاصطناعي على الجهاز، مما يتيح تعلم آلي ومعالجة بيانات أسرع وأكثر كفاءة عبر مجموعة واسعة من التطبيقات.

تتضمن عائلة Core Ultra™ نماذج متنوعة مصممة خصيصاً لاحتياجات أداء مختلفة، مع خيارات تتراوح من التصميمات الموفرة للطاقة إلى المتغيرات عالية الطاقة التي تحمل علامة "H" - وهي مثالية لأجهزة الكمبيوتر المحمولة وعوامل الشكل المدمجة التي تتطلب قوة حوسبة جادة. عبر التشكيلة، يستفيد المستخدمون من تآزر تكامل CPU و GPU و NPU، مما يوفر كفاءة ملحوظة واستجابة وقدرات تعدد مهام.

كجزء من ابتكار Intel المستمر، تضع سلسلة Core Ultra™ معياراً جديداً للحوسبة الجاهزة للمستقبل. مع توفر نماذج متعددة والمزيد في الأفق، تؤكد هذه السلسلة التزام Intel بتقديم حلول متطورة للجيل القادم من الأجهزة الذكية المعززة بالذكاء الاصطناعي.

تم تشغيل القياسات أدناه على Intel® Core™ Ultra™ X7 358H، وIntel® Core™ Ultra™ 7 258V وIntel® Core™ Ultra™ 7 155H بدقة FP32 و FP16 و INT8.

Link to this sectionIntel® Core™ Ultra™ X7 358H#

قياسات الأداء

وحدة معالجة رسومات Intel® Arc™ مدمجةIntel® Panther Lake CPUIntegrated Intel® AI Boost NPU

نتائج قياس الأداء التفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (ميغابايت)	metrics/mAP50-95(B)	وقت الاستنتاج (ملي ثانية/صورة)
YOLO26n	PyTorch (CPU)	FP32	✅	5.3	0.4765	25.18
YOLO26n	OpenVINO	FP32	✅	9.6	0.4763	2.67
YOLO26n	OpenVINO	FP16	✅	5.1	0.4763	2.64
YOLO26n	OpenVINO	INT8	✅	3.2	0.4625	2.73
YOLO26s	PyTorch (CPU)	FP32	✅	19.5	0.5703	50.09
YOLO26s	OpenVINO	FP32	✅	36.7	0.5615	3.57
YOLO26s	OpenVINO	FP16	✅	18.6	0.5615	3.55
YOLO26s	OpenVINO	INT8	✅	10.0	0.547	3.09
YOLO26m	PyTorch (CPU)	FP32	✅	42.2	0.6196	135.1
YOLO26m	OpenVINO	FP32	✅	78.3	0.6168	5.64
YOLO26m	OpenVINO	FP16	✅	39.5	0.6168	5.85
YOLO26m	OpenVINO	INT8	✅	20.5	0.5994	4.14
YOLO26l	PyTorch (CPU)	FP32	✅	50.7	0.6215	169.75
YOLO26l	OpenVINO	FP32	✅	95.3	0.6206	8.14
YOLO26l	OpenVINO	FP16	✅	48.1	0.6206	8.18
YOLO26l	OpenVINO	INT8	✅	25.2	0.5999	4.67
YOLO26x	PyTorch (CPU)	FP32	✅	113.2	0.6512	407.56
YOLO26x	OpenVINO	FP32	✅	213.2	0.6569	13.11
YOLO26x	OpenVINO	FP16	✅	107.1	0.6569	13.15
YOLO26x	OpenVINO	INT8	✅	54.8	0.6374	9.24

Link to this sectionIntel® Core™ Ultra™ 7 258V#

قياسات الأداء

وحدة معالجة رسومات Intel® Arc™ مدمجةIntel® Lunar Lake CPUIntegrated Intel® AI Boost NPU

نتائج قياس الأداء التفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (ميغابايت)	metrics/mAP50-95(B)	وقت الاستنتاج (ملي ثانية/صورة)
YOLO26n	PyTorch (CPU)	FP32	✅	5.3	0.4765	31.43
YOLO26n	OpenVINO	FP32	✅	9.6	0.4762	3.57
YOLO26n	OpenVINO	FP16	✅	5.1	0.4762	3.53
YOLO26n	OpenVINO	INT8	✅	3.2	0.4625	3.65
YOLO26s	PyTorch (CPU)	FP32	✅	19.5	0.5703	60.4
YOLO26s	OpenVINO	FP32	✅	36.7	0.5616	5.02
YOLO26s	OpenVINO	FP16	✅	18.6	0.5616	5.01
YOLO26s	OpenVINO	INT8	✅	10.0	0.547	4.31
YOLO26m	PyTorch (CPU)	FP32	✅	42.2	0.6196	173.31
YOLO26m	OpenVINO	FP32	✅	78.3	0.6191	9.48
YOLO26m	OpenVINO	FP16	✅	39.5	0.6168	9.6
YOLO26m	OpenVINO	INT8	✅	20.5	0.5994	6.03
YOLO26l	PyTorch (CPU)	FP32	✅	50.7	0.6173	224.52
YOLO26l	OpenVINO	FP32	✅	95.3	0.3725	11.88
YOLO26l	OpenVINO	FP16	✅	48.1	0.6201	12.0
YOLO26l	OpenVINO	INT8	✅	25.2	0.5999	8.47
YOLO26x	PyTorch (CPU)	FP32	✅	113.2	0.6512	595.72
YOLO26x	OpenVINO	FP32	✅	213.2	0.6567	20.26
YOLO26x	OpenVINO	FP16	✅	107.1	0.6454	20.25
YOLO26x	OpenVINO	INT8	✅	54.8	0.6374	14.77

Link to this sectionIntel® Core™ Ultra™ 7 155H#

قياسات الأداء

وحدة معالجة رسومات Intel® Arc™ مدمجةIntel® Meteor Lake CPU

نتائج قياس الأداء التفصيلية

النموذج	التنسيق	الدقة	الحالة	الحجم (ميغابايت)	metrics/mAP50-95(B)	وقت الاستنتاج (ملي ثانية/صورة)
YOLO26n	PyTorch (CPU)	FP32	✅	5.3	0.4765	38.77
YOLO26n	OpenVINO	FP32	✅	9.6	0.4774	9.87
YOLO26n	OpenVINO	FP16	✅	5.1	0.4774	9.84
YOLO26n	OpenVINO	INT8	✅	3.2	0.4705	5.86
YOLO26s	PyTorch (CPU)	FP32	✅	19.5	0.5703	69.54
YOLO26s	OpenVINO	FP32	✅	36.7	0.5616	17.29
YOLO26s	OpenVINO	FP16	✅	18.6	0.5616	17.06
YOLO26s	OpenVINO	INT8	✅	10.0	0.5452	10.33
YOLO26m	PyTorch (CPU)	FP32	✅	42.2	0.6196	192.22
YOLO26m	OpenVINO	FP32	✅	78.3	0.6187	34.64
YOLO26m	OpenVINO	FP16	✅	39.5	0.6187	34.75
YOLO26m	OpenVINO	INT8	✅	20.5	0.6073	15.99
YOLO26l	PyTorch (CPU)	FP32	✅	50.7	0.6215	245.62
YOLO26l	OpenVINO	FP32	✅	95.3	0.6202	43.7
YOLO26l	OpenVINO	FP16	✅	48.1	0.6202	44.65
YOLO26l	OpenVINO	INT8	✅	25.2	0.6048	20.31
YOLO26x	PyTorch (CPU)	FP32	✅	113.2	0.6512	513.06
YOLO26x	OpenVINO	FP32	✅	213.2	0.6544	80.19
YOLO26x	OpenVINO	FP16	✅	107.1	0.6544	79.83
YOLO26x	OpenVINO	INT8	✅	54.8	0.6393	35.16

Link to this sectionإعادة إنتاج نتائجنا#

لإعادة إنتاج معايير قياس أداء Ultralytics المذكورة أعلاه على جميع تنسيقات التصدير، قم بتشغيل هذا الكود:

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Benchmark YOLO26n speed and accuracy on the COCO128 dataset for all export formats
results = model.benchmark(data="coco128.yaml")

Link to this sectionالخلاصة#

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

تؤكد قياسات الأداء فعالية OpenVINO كأداة لنشر نماذج التعلم العميق. من خلال تحويل النماذج إلى تنسيق OpenVINO، يمكن للمطورين تحقيق تحسينات كبيرة في الأداء، مما يسهل نشر هذه النماذج في تطبيقات العالم الحقيقي.

للحصول على معلومات وتعليمات أكثر تفصيلاً حول استخدام OpenVINO، راجع وثائق OpenVINO الرسمية.

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف يمكنني تصدير نماذج YOLO26 إلى تنسيق OpenVINO؟#

يمكن أن يؤدي تصدير نماذج YOLO26 إلى تنسيق OpenVINO إلى زيادة سرعة CPU بشكل كبير وتمكين تسريع GPU و NPU على أجهزة Intel. للتصدير، يمكنك استخدام Python أو CLI كما هو موضح أدناه:

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Export the model
model.export(format="openvino")  # creates 'yolo26n_openvino_model/'

لمزيد من المعلومات، راجع وثائق تنسيقات التصدير.

Link to this sectionما هي فوائد استخدام OpenVINO مع نماذج YOLO26؟#

يوفر استخدام مجموعة أدوات OpenVINO من Intel مع نماذج YOLO26 العديد من المزايا:

1. الأداء: حقق تسريعاً يصل إلى 3 أضعاف في استنتاج CPU واستفد من Intel GPUs و NPUs للتسريع.
2. محسن النموذج (Model Optimizer): تحويل وتحسين وتنفيذ النماذج من أطر العمل الشائعة مثل PyTorch و TensorFlow و ONNX.
3. سهولة الاستخدام: تتوفر مجموعة كبيرة من دفاتر الملاحظات التعليمية لمساعدة المستخدمين على البدء، بما في ذلك تلك الخاصة بـ YOLO26.
4. التنفيذ غير المتجانس: نشر النماذج على أجهزة Intel المختلفة باستخدام API موحد.

للحصول على مقارنات مفصلة للأداء، قم بزيارة قسم قياسات الأداء الخاص بنا.

Link to this sectionكيف يمكنني تشغيل الاستنتاج باستخدام نموذج YOLO26 تم تصديره إلى OpenVINO؟#

بعد تصدير نموذج YOLO26n إلى تنسيق OpenVINO، يمكنك تشغيل الاستنتاج باستخدام Python أو CLI:

from ultralytics import YOLO

# Load the exported OpenVINO model
ov_model = YOLO("yolo26n_openvino_model/")

# Run inference
results = ov_model("https://ultralytics.com/images/bus.jpg")

راجع وثائق وضع التنبؤ الخاصة بنا لمزيد من التفاصيل.

Link to this sectionلماذا يجب أن أختار Ultralytics YOLO26 على النماذج الأخرى لتصدير OpenVINO؟#

تم تحسين Ultralytics YOLO26 لاكتشاف الأشياء في الوقت الفعلي بدقة وسرعة عاليتين. وتحديداً، عند دمج YOLO26 مع OpenVINO، فإنه يوفر:

• تسريع يصل إلى 3 أضعاف على Intel CPUs
• نشر سلس على Intel GPUs و NPUs
• دقة متسقة ومماثلة عبر تنسيقات التصدير المختلفة

لتحليل متعمق للأداء، تحقق من قياسات أداء YOLO26 التفصيلية الخاصة بنا على أجهزة مختلفة.

Link to this sectionهل يمكنني قياس أداء نماذج YOLO26 بتنسيقات مختلفة مثل PyTorch و ONNX و OpenVINO؟#

نعم، يمكنك قياس أداء نماذج YOLO26 بتنسيقات مختلفة بما في ذلك PyTorch و TorchScript و ONNX و OpenVINO. استخدم مقتطف الكود التالي لتشغيل قياسات الأداء على مجموعة البيانات التي اخترتها:

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Benchmark YOLO26n speed and [accuracy](https://www.ultralytics.com/glossary/accuracy) on the COCO8 dataset for all export formats
results = model.benchmark(data="coco8.yaml")

للحصول على نتائج تفصيلية لقياس الأداء، راجع قسم قياسات الأداء ووثائق تنسيقات التصدير.