انتقل إلى المحتوى

دليل حول YOLOv8 تصدير النموذج إلى TFLite للنشر

شعار TFLite

يتطلب نشر نماذج رؤية الكمبيوتر على أجهزة الحافة أو الأجهزة المضمنة تنسيقا يمكن أن يضمن الأداء السلس.

ال TensorFlow يتيح لك تنسيق التصدير Lite أو TFLite تحسين ملف Ultralytics YOLOv8 نماذج لمهام مثل اكتشاف الكائنات وتصنيف الصور في التطبيقات المستندة إلى جهاز Edge. في هذا الدليل ، سنتعرف على خطوات تحويل نماذجك إلى تنسيق TFLite ، مما يسهل على نماذجك الأداء الجيد على أجهزة الحافة المختلفة.

لماذا يجب عليك التصدير إلى TFLite؟

تم تقديمه بواسطة Google في مايو 2017 كجزء من TensorFlow اطار TensorFlow Lite ، أو TFLite باختصار ، هو إطار عمل مفتوح المصدر للتعلم العميق مصمم للاستدلال على الجهاز ، والمعروف أيضا باسم حوسبة الحافة. إنه يمنح المطورين الأدوات اللازمة لتنفيذ نماذجهم المدربة على الأجهزة المحمولة والمضمنة وأجهزة إنترنت الأشياء ، بالإضافة إلى أجهزة الكمبيوتر التقليدية.

TensorFlow Lite متوافق مع مجموعة واسعة من الأنظمة الأساسية ، بما في ذلك Linux و Android و iOS و MCU المضمنة. يؤدي تصدير النموذج الخاص بك إلى TFLite إلى جعل تطبيقاتك أسرع وأكثر موثوقية وقادرة على العمل في وضع عدم الاتصال.

الميزات الرئيسية لنماذج TFLite

تقدم طرز TFLite مجموعة واسعة من الميزات الرئيسية التي تتيح التعلم الآلي على الجهاز من خلال مساعدة المطورين على تشغيل نماذجهم على الأجهزة المحمولة والمضمنة وأجهزة الحافة:

  • التحسين على الجهاز: يعمل TFLite على تحسين التعلم الآلي على الجهاز ، مما يقلل من زمن الوصول عن طريق معالجة البيانات محليا ، وتعزيز الخصوصية من خلال عدم نقل البيانات الشخصية ، وتقليل حجم النموذج لتوفير المساحة.

  • دعم منصة متعددة: يوفر TFLite توافقا شاملا مع النظام الأساسي ، ويدعم Android و iOS و Linux المضمن والمتحكمات الدقيقة.

  • دعم لغة متنوعة: TFLite متوافق مع لغات البرمجة المختلفة ، بما في ذلك Java و Swift و Objective-C و C ++ و Python.

  • أداء عالي: يحقق أداء فائقا من خلال تسريع الأجهزة وتحسين النموذج.

خيارات النشر في TFLite

قبل أن ننظر إلى رمز التصدير YOLOv8 نماذج لتنسيق TFLite ، دعنا نفهم كيفية استخدام نماذج TFLite عادة.

تقدم TFLite العديد من خيارات النشر على الجهاز لنماذج التعلم الآلي ، بما في ذلك:

  • النشر باستخدام Android و iOS: يمكن لكل من تطبيقات Android و iOS المزودة ب TFLite تحليل موجزات الكاميرا وأجهزة الاستشعار المستندة إلى الحافة لاكتشاف الكائنات وتحديدها. تقدم TFLite أيضا مكتبات iOS أصلية مكتوبة بلغة Swift و Objective-C. يوضح الرسم التخطيطي للبنية أدناه عملية نشر نموذج مدرب على أنظمة Android و iOS الأساسية باستخدام TensorFlow لايت.

معمار

  • التنفيذ باستخدام Embedded Linux: في حالة تشغيل الاستدلالات على Raspberry Pi باستخدام Ultralytics لا يفي الدليل بمتطلبات السرعة لحالة الاستخدام الخاصة بك ، يمكنك استخدام نموذج TFLite المصدر لتسريع أوقات الاستدلال. بالإضافة إلى ذلك ، من الممكن تحسين الأداء بشكل أكبر من خلال استخدام ملفكورال إيدج TPU الجهاز.

  • النشر باستخدام وحدات التحكم الدقيقة: يمكن أيضا نشر نماذج TFLite على وحدات التحكم الدقيقة والأجهزة الأخرى التي تحتوي على بضعة كيلوبايت فقط من الذاكرة. يناسب وقت التشغيل الأساسي 16 كيلوبايت فقط على Arm Cortex M3 ويمكنه تشغيل العديد من الطرز الأساسية. لا يتطلب دعم نظام التشغيل أو أي مكتبات C أو C ++ قياسية أو تخصيص الذاكرة الديناميكية.

تصدير إلى TFLite: تحويل ملف YOLOv8 نموذج

يمكنك تحسين كفاءة تنفيذ النموذج على الجهاز وتحسين الأداء عن طريق تحويلها إلى تنسيق TFLite.

تركيب

لتثبيت الحزم المطلوبة ، قم بتشغيل:

تركيب

# Install the required package for YOLOv8
pip install ultralytics

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت ، تحقق من Ultralytics دليل التثبيت. أثناء تثبيت الحزم المطلوبة ل YOLOv8، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على حلول ونصائح.

استخدام

قبل الغوص في تعليمات الاستخدام ، من المهم ملاحظة أنه في حين أن جميع Ultralytics YOLOv8 النماذج متاحة للتصدير ، يمكنك التأكد من أن النموذج الذي تحدده يدعم وظائف التصدير هنا.

استخدام

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO('yolov8n.pt')

# Export the model to TFLite format
model.export(format='tflite') # creates 'yolov8n_float32.tflite'

# Load the exported TFLite model
tflite_model = YOLO('yolov8n_float32.tflite')

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

# Export a YOLOv8n PyTorch model to TFLite format
yolo export model=yolov8n.pt format=tflite  # creates 'yolov8n_float32.tflite'

# Run inference with the exported model
yolo predict model='yolov8n_float32.tflite' source='https://ultralytics.com/images/bus.jpg'

لمزيد من التفاصيل حول عملية التصدير ، قم بزيارة Ultralytics صفحة التوثيق الخاصة بالتصدير.

نشر التصدير YOLOv8 نماذج TFLite

بعد تصدير الخاص بك بنجاح Ultralytics YOLOv8 نماذج بتنسيق TFLite ، يمكنك الآن نشرها. الخطوة الأولى الأساسية والموصى بها لتشغيل نموذج TFLite هي استخدام YOLOطريقة ("model.tflite") ، كما هو موضح في مقتطف شفرة الاستخدام السابق. ومع ذلك ، للحصول على إرشادات متعمقة حول نشر نماذج TFLite الخاصة بك في إعدادات أخرى مختلفة ، ألق نظرة على الموارد التالية:

  • Android: دليل البدء السريع للتكامل TensorFlow Lite في تطبيقات Android ، مما يوفر خطوات سهلة المتابعة لإعداد وتشغيل نماذج التعلم الآلي.

  • iOS: راجع هذا الدليل التفصيلي للمطورين حول الدمج والنشر TensorFlow نماذج Lite في تطبيقات iOS ، تقدم إرشادات وموارد خطوة بخطوة.

  • أمثلة شاملة: تقدم هذه الصفحة نظرة عامة على مختلف TensorFlow أمثلة خفيفة ، تعرض التطبيقات العملية والبرامج التعليمية المصممة لمساعدة المطورين على التنفيذ TensorFlow لايت في مشاريع التعلم الآلي الخاصة بهم على الأجهزة المحمولة وأجهزة الحافة.

ملخص

في هذا الدليل ، ركزنا على كيفية التصدير إلى تنسيق TFLite. عن طريق تحويل Ultralytics YOLOv8 نماذج لتنسيق نموذج TFLite ، يمكنك تحسين كفاءة وسرعة YOLOv8 النماذج ، مما يجعلها أكثر فعالية ومناسبة لبيئات الحوسبة الحافة.

لمزيد من التفاصيل حول الاستخدام ، قم بزيارة الوثائق الرسمية ل TFLite.

أيضا ، إذا كنت مهتما بالآخرين Ultralytics YOLOv8 عمليات التكامل ، تأكد من مراجعة صفحة دليل التكامل الخاصة بنا. ستجد الكثير من المعلومات والأفكار المفيدة في انتظارك هناك.



تم إنشاؤه في 2024-03-01, اخر تحديث 2024-03-03
المؤلفون: جلين جوشر (1) ، أبيرامي فينا (1)

التعليقات