تصدير روك تشيب 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.
ملاحظة
تم اختبار هذا الدليل مع Radxa Rock 5B الذي يعتمد على Rockchip RK3588 و Radxa Zero 3W الذي يعتمد على Rockchip RK3566. من المتوقع أن يعمل على الأجهزة الأخرى القائمة على رقاقة Rockchip والتي تدعم Rknn-toolkit2 مثل RKN-toolkit2 و RK3576 و RK3568 و RK3562 و RV1103 و RV1106 و RV1103B و RV1106B و RV1106B و RK2118.
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.
التصدير إلى RKNN: تحويل نموذج YOLO11 الخاص بك
تصدير نموذج Ultralytics YOLO11 إلى صيغة RKNN وتشغيل الاستدلال باستخدام النموذج المُصدَّر.
ملاحظة
تأكد من استخدام جهاز كمبيوتر يعمل بنظام X86 المستند إلى نظام لينكس لتصدير النموذج إلى RKNN لأن التصدير على الأجهزة المستندة إلى رقاقة (ARM64) غير مدعوم.
التركيب
لتثبيت الحزم المطلوبة، قم بتشغيل
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
ملاحظة
التصدير مدعوم حاليًا لنماذج الكشف فقط. سيأتي المزيد من دعم النماذج في المستقبل.
الاستخدام
حجج التصدير
الجدال | النوع | افتراضي | الوصف |
---|---|---|---|
format |
str |
rknn |
التنسيق المستهدف للنموذج المُصدَّر، وتحديد التوافق مع بيئات النشر المختلفة. |
imgsz |
int أو tuple |
640 |
حجم الصورة المطلوب لإدخال النموذج. يمكن أن يكون عددًا صحيحًا للصور المربعة أو مضاعفًا (height, width) لأبعاد محددة. |
batch |
int |
1 |
يحدد حجم الاستدلال على دفعة نموذج التصدير أو الحد الأقصى لعدد الصور التي سيعالجها النموذج المُصدَّر في نفس الوقت في predict الوضع. |
name |
str |
rk3588 |
تحديد طراز الرقاقة الصخرية (RK3588، RK3576، RK3566، RK3568، RK3562، RV1103، RV1106، RV1103B، RV1106B، RV1106B، RK2118) |
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
الاستخدام
الاستخدام
ملاحظة
إذا واجهت رسالة سجل تشير إلى أن إصدار وقت تشغيل RKNN لا يتطابق مع إصدار RKNN Toolkit وفشل الاستدلال، يرجى استبدال /usr/lib/librknnrt.so
مع المسؤول ملف librknnrt.so.
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.
الطراز | التنسيق | الحالة | الحجم (ميغابايت) | mAP50-95(ب) | زمن الاستدلال (م/م) |
---|---|---|---|---|---|
يولو 11 ن | rknn |
✅ | 7.4 | 0.61 | 99.5 |
YOLO11s | rknn |
✅ | 20.7 | 0.741 | 122.3 |
يولو 11 م | rknn |
✅ | 41.9 | 0.764 | 298.0 |
يولو 11ل | rknn |
✅ | 53.3 | 0.72 | 319.6 |
يولو11x | rknn |
✅ | 114.6 | 0.828 | 632.1 |
ملاحظة
تم التحقق من صحة المعيار المذكور أعلاه باستخدام مجموعة بيانات coco8
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.
الأسئلة الشائعة
كيف يمكنني تصدير نموذجي Ultralytics YOLO إلى تنسيق RKNN؟
يمكنك بسهولة تصدير نموذجك Ultralytics YOLO الخاص بك إلى تنسيق RKNN باستخدام export()
في حزمة Ultralytics Python أو عبر واجهة سطر الأوامر (CLI). تأكد من أنك تستخدم جهاز كمبيوتر يعمل بنظام لينكس المستند إلى x86 لعملية التصدير، حيث أن أجهزة ARM64 مثل Rockchip غير مدعومة لهذه العملية. يمكنك تحديد النظام الأساسي Rockchip المستهدف باستخدام name
وسيطة، مثل rk3588
, rk3566
أو غيرها. تُنشئ هذه العملية نموذج RKNN مُحسَّنًا جاهزًا للنشر على جهاز Rockchip الخاص بك، مستفيدًا من وحدة المعالجة العصبية (NPU) للاستدلال السريع.
مثال على ذلك
ما هي فوائد استخدام نماذج RKNN على أجهزة Rockchip؟
صُممت نماذج RKNN خصيصًا للاستفادة من قدرات تسريع الأجهزة الخاصة بوحدات المعالجة العصبية (NPUs) من Rockchip. ويؤدي هذا التحسين إلى سرعات استنتاج أسرع بكثير وزمن استجابة أقل مقارنةً بتشغيل تنسيقات النماذج العامة مثل ONNX أو TensorFlow Lite على نفس الأجهزة. يتيح استخدام نماذج RKNN استخدامًا أكثر كفاءة لموارد الجهاز، مما يؤدي إلى استهلاك أقل للطاقة وأداء أفضل بشكل عام، وهو أمر بالغ الأهمية بشكل خاص لتطبيقات الوقت الفعلي على الأجهزة المتطورة. من خلال تحويل نماذج Ultralytics YOLO إلى RKNN، يمكنك تحقيق الأداء الأمثل على الأجهزة التي تعمل بواسطة Rockchip SoCs مثل RK3588 و RK3566 وغيرها.
هل يمكنني نشر نماذج RKNN على أجهزة من شركات مصنعة أخرى مثل NVIDIA أو Google ؟
تم تحسين نماذج RKNN خصيصًا لمنصات Rockchip ووحدات المعالجة العصبية المدمجة بها. بينما يمكنك من الناحية الفنية تشغيل نموذج RKNN على منصات أخرى باستخدام محاكاة البرامج، فإنك لن تستفيد من تسريع الأجهزة التي توفرها أجهزة Rockchip. للحصول على الأداء الأمثل على منصات أخرى، يوصى بتصدير نماذج Ultralytics YOLO الخاصة بك إلى تنسيقات مصممة خصيصًا لتلك المنصات، مثل TensorRT لوحدات معالجة الرسومات NVIDIA أو TensorFlow Lite لوحدات Google'Edge TPU. Ultralytics يدعم التصدير إلى مجموعة كبيرة من التنسيقات، مما يضمن التوافق مع مختلف مسرعات الأجهزة.
ما هي منصات Rockchip المدعومة لنشر نموذج RKNN؟
يدعم Ultralytics YOLO التصدير إلى تنسيق RKNN مجموعة كبيرة من منصات Rockchip، بما في ذلك منصات RK3588 و RK3576 و RK3566 و RK3568 و RK3568 و RK3562 و RV1103 و RV1106 و RV1103B و RV1106B و RV1106B و RK2118. توجد هذه المنصات بشكل شائع في الأجهزة من الشركات المصنعة مثل Radxa وASUS وPine64 وOrange Pi وOdroid وKadas وBanana Pi. يضمن هذا الدعم الواسع أنه يمكنك نشر نماذج RKNN المحسّنة الخاصة بك على مختلف الأجهزة التي تعمل بنظام Rockchip، بدءًا من أجهزة الكمبيوتر أحادية اللوحة إلى الأنظمة الصناعية، مع الاستفادة الكاملة من قدرات تسريع الذكاء الاصطناعي الخاصة بها لتحسين الأداء في تطبيقات رؤية الكمبيوتر الخاصة بك.
كيف يمكن مقارنة أداء نماذج RKNN بالتنسيقات الأخرى على أجهزة Rockchip؟
تتفوق نماذج RKNN عمومًا على التنسيقات الأخرى مثل ONNX أو TensorFlow Lite على أجهزة Rockchip نظرًا لتحسينها لوحدات المعالجة العصبية الخاصة بـ Rockchip. على سبيل المثال، تُظهر المعايير على جهاز Radxa Rock 5B (RK3588) أن YOLO11n بتنسيق RKNN يحقق وقت استدلال يبلغ 99.5 مللي ثانية/صورة، أسرع بكثير من التنسيقات الأخرى. تتسق ميزة الأداء هذه عبر مختلف أحجام النماذج YOLO11 ، كما هو موضح في قسم المعايير. من خلال الاستفادة من أجهزة NPU المخصصة، تقلل نماذج RKNN من زمن الاستجابة وتزيد من الإنتاجية، مما يجعلها مثالية للتطبيقات في الوقت الفعلي على الأجهزة المتطورة القائمة على Rockchip.