تصدير شبكة RKNN لنماذج Ultralytics YOLO11

عند نشر نماذج الرؤية الحاسوبية على الأجهزة المدمجة، خاصةً تلك التي تعمل بمعالجات Rockchip، فإن وجود تنسيق نموذج متوافق أمر ضروري. يضمن تصدير Ultralytics YOLO11 النماذج إلى تنسيق RKNN يضمن الأداء الأمثل والتوافق مع أجهزة Rockchip. سيرشدك هذا الدليل إلى كيفية تحويل نماذج YOLO11 الخاصة بك إلى تنسيق RKNN، مما يتيح النشر الفعال على منصات Rockchip.

ما هي الرقاقة الصخرية؟

تشتهر شركة Rockchip بتقديم حلول متعددة الاستخدامات وموفرة للطاقة، وهي مشهورة بتقديم حلول متعددة الاستخدامات وموفرة للطاقة، حيث تصمم Rockchip أنظمة على رقائق (SoCs) متقدمة تعمل على تشغيل مجموعة واسعة من الإلكترونيات الاستهلاكية والتطبيقات الصناعية وتقنيات الذكاء الاصطناعي. وبفضل البنية القائمة على ARM، ووحدات المعالجة العصبية المدمجة (NPUs)، ودعم الوسائط المتعددة عالية الدقة، تتيح روك تشيب SoCs أداءً متطورًا لأجهزة مثل الأجهزة اللوحية وأجهزة التلفاز الذكية وأنظمة إنترنت الأشياء وتطبيقات الذكاء الاصطناعي المتطورة. تقدم شركات مثل Radxa، وASUS، وPine64، وOrange Pi، وOrange Pi، وOdroid، وKadas، وBanana Pi مجموعة متنوعة من المنتجات القائمة على وحدات المعالجة SoCs من Rockchip، مما يوسع نطاق وصولها وتأثيرها في أسواق متنوعة.

مجموعة أدوات RKNN

مجموعة أدوات RKNN عبارة عن مجموعة من الأدوات والمكتبات التي توفرها Rockchip لتسهيل نشر نماذج التعلم العميق على منصات أجهزتها. RKNN، أو شبكة روك تشيب العصبية، هي الصيغة المملوكة التي تستخدمها هذه الأدوات. صُممت نماذج RKNN للاستفادة الكاملة من تسريع الأجهزة التي توفرها وحدة المعالجة العصبية (NPU) من Rockchip، مما يضمن أداءً عاليًا في مهام الذكاء الاصطناعي على أجهزة مثل RK3588 وRK3566 وRV1103 وRV1106 وغيرها من الأنظمة التي تعمل بنظام Rockchip.

الميزات الرئيسية لنماذج RKNN

تقدم نماذج RKNN العديد من المزايا للنشر على منصات Rockchip:

• مُحسَّن لوحدة المعالجة العصبية: تم تحسين نماذج RKNN خصيصًا لتشغيلها على وحدات المعالجة العصبية NPU من Rockchip، مما يضمن أقصى قدر من الأداء والكفاءة.
• كمون منخفض: يقلل تنسيق RKNN من زمن الاستنتاج، وهو أمر بالغ الأهمية للتطبيقات في الوقت الحقيقي على الأجهزة المتطورة.
• التخصيص حسب النظام الأساسي: يمكن تكييف نماذج RKNN مع منصات Rockchip محددة، مما يتيح استخدام أفضل لموارد الأجهزة.

نظام تشغيل فلاش إلى أجهزة رقاقة روك تشيب

تتمثل الخطوة الأولى بعد الحصول على جهاز قائم على رقاقة روك تشيب في فلاش نظام التشغيل بحيث يمكن تشغيل الجهاز في بيئة عمل. سنشير في هذا الدليل إلى أدلة بدء التشغيل للجهازين اللذين اختبرناهما وهما Radxa Rock 5B و Radxa Zero 3W.

• دليل البدء في العمل في رادكسا روك 5ب
• دليل البدء في العمل في Radxa Zero 3W

التصدير إلى RKNN: تحويل نموذج YOLO11 الخاص بك

تصدير نموذج Ultralytics YOLO11 إلى صيغة RKNN وتشغيل الاستدلال باستخدام النموذج المُصدَّر.

التركيب

لتثبيت الحزم المطلوبة، قم بتشغيل

# Install the required package for YOLO11
pip install ultralytics

للاطلاع على الإرشادات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل التثبيتUltralytics . أثناء تثبيت الحزم المطلوبة YOLO11 ، إذا واجهت أي صعوبات، راجع دليل المشكلات الشائعة للحصول على الحلول والنصائح.

الاستخدام

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to RKNN format
# Here name can be one of rk3588, rk3576, rk3566, rk3568, rk3562, rv1103, rv1106, rv1103b, rv1106b, rk2118
model.export(format="rknn", args={"name": "rk3588"})  # creates '/yolo11n_rknn_model'

# Export a YOLO11n PyTorch model to RKNN format
# Here name can be one of rk3588, rk3576, rk3566, rk3568, rk3562, rv1103, rv1106, rv1103b, rv1106b, rk2118
yolo export model=yolo11n.pt format=rknn name=rk3588  # creates '/yolo11n_rknn_model'

لمزيد من التفاصيل حول عملية التصدير، يرجى زيارة صفحة التوثيقUltralytics الخاصة بالتصدير.

نشر النماذج المصدّرة YOLO11 RKNN

بمجرد الانتهاء من تصدير نماذج Ultralytics YOLO11 الخاصة بك بنجاح إلى تنسيق RKNN، فإن الخطوة التالية هي نشر هذه النماذج على الأجهزة القائمة على روك تشيب.

التركيب

لتثبيت الحزم المطلوبة، قم بتشغيل

# Install the required package for YOLO11
pip install ultralytics

الاستخدام

from ultralytics import YOLO

# Load the exported RKNN model
rknn_model = YOLO("./yolo11n_rknn_model")

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

# Run inference with the exported model
yolo predict model='./yolo11n_rknn_model' source='https://ultralytics.com/images/bus.jpg'

المعايير

YOLO11 تم تشغيل المعايير أدناه من قِبل فريق Ultralytics على Radxa Rock 5B استنادًا إلى رقاقة RK3588 مع rknn تنسيق نموذج قياس السرعة والدقة.

الملخص

لقد تعلمت في هذا الدليل كيفية تصدير النماذج Ultralytics YOLO11 إلى تنسيق RKNN لتعزيز نشرها على منصات Rockchip. كما تعرفت أيضًا على مجموعة أدوات RKNN والمزايا المحددة لاستخدام نماذج RKNN لتطبيقات الذكاء الاصطناعي المتطورة.

لمزيد من التفاصيل حول الاستخدام، قم بزيارة الوثائق الرسمية لشبكة RKNN.

أيضًا، إذا كنت ترغب في معرفة المزيد عن عمليات التكامل الأخرى Ultralytics YOLO11 ، قم بزيارة صفحة دليل التكامل الخاصة بنا. ستجد الكثير من الموارد والأفكار المفيدة هناك.

📅 تم الإنشاء منذ 0 أيام ✏️ تم التحديث منذ 0 يوم

التعليقات