Экспорт Hailo для моделей Ultralytics YOLO#

Ускорители Hailo AI запускают скомпилированные модели в формате исполняемых файлов Hailo (HEF) на периферийных устройствах, таких как AI HAT+ и AI HAT+ 2 для Raspberry Pi. Ultralytics экспортирует модели YOLO для обнаружения, сегментации, семантической сегментации, оценки глубины, классификации, определения позы и OBB напрямую в HEF с помощью компилятора потока данных Hailo (DFC).

Развёртывание на Hailo предназначено для компьютерного зрения на периферии: камер, роботов, промышленных систем, шлюзов и других устройств, которым нужно локально обнаруживать объекты, не отправляя каждый кадр в облако. Скомпилированный файл HEF содержит квантованную сеть, распределение ресурсов оборудования, планирование и дополнительную постобработку HailoRT, необходимые выбранному ускорителю.

Зачем развёртывать Ultralytics YOLO на Hailo?#

Сочетание Ultralytics YOLO с нейропроцессорным модулем (NPU) Hailo позволяет перейти от обучения модели к инференсу на периферии. Типичные сценарии использования:

• Умные камеры и видеоаналитика: запускай обнаружение объектов в реальном времени рядом с камерой для задач безопасности, розничной торговли, управления дорожным движением и подсчёта присутствующих.
• Робототехника и автономные системы: обнаруживай людей, транспортные средства, посылки, инструменты или препятствия без постоянного подключения к облаку.
• Промышленное компьютерное зрение: развёртывай пользовательские модели YOLO для инспекции, подсчёта, контроля безопасности и качества.
• Проекты ИИ на Raspberry Pi: добавляй ускоренный инференс компьютерного зрения в системы Raspberry Pi с помощью AI HAT+ или AI HAT+ 2.
• Периферийные шлюзы и ИИ-ПК: обрабатывай локально несколько потоков видео или данных датчиков, снижая требования к пропускной способности сети и облачным вычислительным ресурсам.

Локальный инференс может повысить конфиденциальность и сократить время отклика, поскольку изображения остаются на устройстве развёртывания. Фактические пропускная способность, задержка и энергопотребление зависят от размера модели YOLO, разрешения входных данных, архитектуры Hailo, хост-системы и конвейера приложения.

Как работает экспорт для Hailo#

Ultralytics выполняет весь процесс экспорта через format="hailo":

YOLO (.pt) -> ONNX -> Hailo parse -> INT8 optimization -> HEF compile

Экспортёр автоматически выполняет следующие этапы:

1. Экспортирует статичный граф ONNX с настройками, совместимыми с компилятором.
2. Выбирает выходы голов модели в соответствии с её архитектурой.
3. Формирует инструкции по нормализации, активации и постобработке.
4. Создаёт репрезентативный поток данных для калибровки и квантует модель до INT8.
5. Компилирует оптимизированный граф для выбранного ускорителя Hailo.
6. Сохраняет HEF с метаданными Ultralytics и удаляет промежуточный файл ONNX.

Для моделей обнаружения YOLOv8 и YOLO11 в скомпилированном конвейере используется YOLO NMS из HailoRT. YOLO26 компилирует необработанные тензоры голов обнаружения: Ultralytics применяет NMS к выходам по умолчанию «один ко многим» или декодирует выходы «один к одному» без NMS с помощью nms=False. Для сегментации, поз и OBB в YOLOv8/YOLO11 компилируются необработанные тензоры голов, которые Ultralytics декодирует при инференсе; для классификации YOLOv8/YOLO11/YOLO26 softmax выполняется на чипе, поэтому HEF сразу возвращает вероятности классов. Для семантической сегментации YOLO26 экспортёр учитывает ускоритель: Hailo-8/8L (DFC v3.x) возвращают логиты классификатора для апсемплинга и редукции на хосте, а Hailo-10H/15 (DFC v5.x) компилируют многоклассовые головы ArgMax на чипе и возвращают компактную карту классов. Для одноклассовых голов на всех целевых устройствах используются логиты на хосте, поскольку для них требуется пороговое значение, а не ArgMax. Для моделей глубины YOLO26 в a16 компилируется плотный свёрточный слой логитов, а карту метрической глубины восстанавливает хост (выполняя clamp/exp и обученную логарифмически-аффинную калибровку после головы), поэтому квантователь сохраняет максимальный диапазон необработанных логитов. Тебе не нужно искать конечные узлы ONNX, писать скрипт модели Hailo (.alls) или вручную создавать JSON для NMS.

Установка#

Установи Ultralytics и скачай wheel DFC для целевого оборудования с портала Hailo Developer Zone (требуется бесплатная регистрация):

pip install ultralytics
pip install /path/to/hailo_dataflow_compiler-*.whl

В Hailo-8 и Hailo-8L используется DFC v3.x. В Hailo-10H и Hailo-15 используется DFC v5.x. Установи поколение компилятора, соответствующее целевому ускорителю.

Экспорт модели Hailo HEF#

Используй format="hailo" и выбери целевой ускоритель с помощью name:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
output = model.export(format="hailo", name="hailo8")
print(output)  # yolo11n_hailo_model/

Эквивалентная команда CLI:

yolo export model=yolo11n.pt format=hailo name=hailo8

Экспорт для Hailo поддерживает только INT8. Если параметр data не указан, Ultralytics автоматически скачает набор данных для калибровки, соответствующий задаче. Для пользовательских моделей используй репрезентативные обучающие или валидационные изображения:

model.export(format="hailo", name="hailo8", data="path/to/dataset.yaml")

Компиляция выполняется с фиксированной формой входных данных. Задай imgsz равным разрешению, которое будет использоваться на устройстве:

model.export(format="hailo", name="hailo8", imgsz=640)

Поддерживаемые модели и оборудование#

Экосистема Hailo охватывает широкий спектр задач компьютерного зрения, но экспортёр Ultralytics format="hailo" сейчас проверяет стандартные головы обнаружения YOLO, сегментации, семантической сегментации, оценки глубины, классификации, позы и OBB. В таблице задач описаны доступные варианты экспорта; проверка оборудования указана отдельно ниже.

Специализированные семейства моделей обнаружения, такие как YOLOv10, YOLO-World, YOLOE и RT-DETR, сейчас ❌ не поддерживаются через путь Ultralytics format="hailo". Ultralytics отклоняет эти задачи и семейства моделей до компиляции, вместо того чтобы создавать непроверенный HEF.

Поза, OBB, классификация, семантическая сегментация YOLO26 и оценка глубины YOLO26 (вариант для Hailo-8/8L) проверены на Hailo-8L с HailoRT 4.23 и DFC 3.33. Экспортёр принимает и другие перечисленные целевые устройства, но перед использованием в production новые варианты задач необходимо проверить на соответствующем компиляторе и устройстве.

Выбери одно из следующих значений name:

Если name не указан, по умолчанию используется hailo8l; задай name равным ускорителю, на котором будет развёрнута модель. Установи поколение DFC, соответствующее выбранному целевому устройству.

Поколения оборудования и SDK Hailo#

В разных семействах ускорителей Hailo используются разные поколения компилятора. Скомпилированный HEF должен соответствовать целевому оборудованию, поэтому выбери name для устройства, на котором будет выполняться инференс, а не для машины, на которой выполняется экспорт.

Компилятор работает в Linux x86_64, а полученный HEF — на устройстве Hailo через HailoRT. Благодаря этому компилировать модель можно на рабочей станции или в Ultralytics Platform, а небольшой артефакт для инференса развёртывать на периферийном хосте ARM или x86.

Примечания о совместимости#

Компиляция для Hailo зависит от оборудования и выполняется с фиксированной формой входных данных. Учитывай следующие ограничения:

• Выбранное значение name должно соответствовать ускорителю, на котором будет развёрнута модель.
• Калибровочные изображения должны представлять ожидаемые в production условия освещения, ракурсы, объекты и фоны.
• Каждый HEF компилируется для фиксированного imgsz. Чтобы обрабатывать несколько разрешений, масштабируй кадры на хосте до скомпилированного размера или скомпилируй отдельный HEF для каждого разрешения.
• Поддерживается произвольное количество классов, поскольку Ultralytics формирует конфигурацию постобработки на основе метаданных модели.
• Поддерживаются модели обнаружения со стандартными головами Ultralytics Detect, модели сегментации, позы и OBB YOLOv8/YOLO11, модели классификации YOLOv8/YOLO11/YOLO26, а также модели семантической сегментации и оценки глубины YOLO26; сейчас не поддерживаются сегментация экземпляров, поза и обнаружение ориентированных ограничивающих рамок YOLO26, а также экспорт YOLO-World, YOLOE, YOLOv10 и RT-DETR.
• Артефакты для Hailo-8/8L и Hailo-10H/15 компилируются с помощью разных поколений DFC и несовместимы друг с другом.

Калибровка и квантование INT8#

При экспорте HEF для Hailo используется квантование INT8, чтобы эффективно перенести сеть YOLO на ускоритель. Калибровочный набор данных позволяет оценить диапазоны активаций; он не переобучает модель, и для компиляции не требуются метки.

Если data не указан, Ultralytics использует лёгкий набор данных для калибровки, подобранный под конкретную задачу: например, COCO128 для детекции, cityscapes8 для семантической сегментации или depth8 для оценки глубины. Плотная голова оценки глубины особенно чувствительна к домену калибровки: калибровка модели глубины на нерелевантных изображениях для детекции сглаживает предсказанную карту, а увеличение размера набора из целевого домена повышает точность. Для собственной модели компьютерного зрения укажи YAML-файл набора данных в data, чтобы компилятор обрабатывал репрезентативные изображения из реального домена развёртывания:

model.export(format="hailo", name="hailo8", data="my_dataset.yaml")

fraction задаёт долю или количество изображений для калибровки. Списки [train, val, test] задают ограничение для каждого сплита; в списках из двух элементов test остаётся без ограничений, а 0 пропускает тестовый сплит. Большее количество изображений помогает только в том случае, если они представляют домен развёртывания. Изображения из других доменов могут снизить точность квантования и увеличить время оптимизации. Если INT8 HEF уступает исходной модели PyTorch по точности, сначала улучши данные для калибровки, прежде чем менять модель или настройки среды выполнения.

Ожидаемая точность в зависимости от семейства моделей#

При измерении на Hailo-8L с калибровкой по данным из целевого домена (COCO128, 128 изображений) экспорт INT8 HEF сохраняет следующую долю mAP50 PyTorch при одинаковом протоколе оценки:

Сохранение точности сравнивается для обеих моделей при одном и том же пороге уверенности. В HEF YOLOv8 и YOLO11 значение conf (по умолчанию 0.25), заданное при экспорте, зафиксировано в NMS на чипе. Поэтому сравнение с PyTorch-базовой моделью при её низком пороге по умолчанию учитывает большую часть кривой «точность-полнота» и преувеличивает разрыв в точности из-за квантования.

Помимо детекции, пути экспорта сегментации, поз, OBB и классификации проверили на той же Hailo-8L (DFC 3.33, HailoRT 4.23). Каждый INT8 HEF сравнили с соответствующей контрольной точкой PyTorch на одном и том же валидационном сплите, используя калибровку по данным из целевого домена:

Для сегментации, поз и OBB использовали стандартный для каждой задачи набор из целевого домена (COCO128-seg, COCO8-pose, DOTA128); для классификации использовали ImageNet100. Из этих настроек следуют два важных замечания: COCO8-pose содержит всего 8 изображений, поэтому считай результаты по позам ориентировочными и передавай более крупный data= для продакшена; а на DOTA8 значения mAP50 для обеих моделей близки к 100%, поэтому OBB оценивают на DOTA128. Классификация — единственная задача, в которой YOLO11 сохраняет точность лучше, чем YOLOv8; для остальных задач основа YOLO11 с блоками внимания сильнее чувствительна к INT8.

Из измерений на устройстве следуют три практических правила:

1. Всегда калибруй по данным из целевого домена. Дообучение на изображениях из других доменов равносильно полному отказу от дообучения: YOLO26n, откалиброванная на 1 238 изображениях из других доменов, сохраняет ту же точность (85.7%), что и модель, скомпилированная без дообучения. Небольшой набор из целевого домена лучше большого набора из других доменов.
2. Для развёртывания YOLO26 понижай conf примерно на 0.05. Квантование в среднем снижает оценки YOLO26 примерно на 0.05, поэтому порог, подобранный в PyTorch, приводит к пропуску корректных детекций в HEF. Использование conf=0.20 на устройстве даёт такое же количество детекций, как PyTorch при conf=0.25; если понизить порог ещё немного (примерно до conf=0.15), можно восстановить практически весь оставшийся разрыв в mAP50 ценой увеличения количества детекций с низкой уверенностью. Квантование также меняет ранжирование примерно 20% детекций — это постоянный эффект изменения порядка, который нельзя устранить порогом. Однако это перераспределение не мешает восстановить mAP50 при более низком пороге.
3. На Hailo-8/8L (DFC 3.33) потери из-за внимания обусловлены архитектурой. Блоки внимания компилируются в операции matmul, которые во всех доступных режимах компилятора принимают активации INT8. Режим с 16-битным выходом не удаётся распределить по памяти для этого графа, а повышение точности окружающих слоёв не помогает, поскольку матричное умножение всё равно повторно квантует входы до INT8. В наших тестах сохранение глубинных свёрток и свёрток выходного слоя в 16-битном формате не изменило mAP. Если точность важнее всего, а модели взаимозаменяемы, сейчас YOLO11 квантуется здесь лучше, чем YOLO26; новые поколения Hailo (DFC 5.x) предоставляют больше вариантов смешанной точности, поэтому результаты могут отличаться.

Экспортируемые артефакты#

При экспорте создаётся каталог с готовым к развёртыванию HEF и метаданными Ultralytics:

yolo11n_hailo_model/
├── yolo11n.hef
├── metadata.yaml
└── nms_config.json

• *.hef — скомпилированная модель, которую загружает HailoRT.
• metadata.yaml содержит имена моделей, задачу, размер входных данных, шаг и сведения о целевом оборудовании Hailo.
• nms_config.json содержит созданную конфигурацию HailoRT NMS для моделей детекции YOLOv8 и YOLO11. Для детекции YOLO26 и всех задач, не связанных с детекцией (сегментация, семантическая сегментация, глубина, классификация, позы, OBB), этот файл не используется.

Промежуточный граф ONNX удаляется после компиляции.

Запуск инференса на оборудовании Hailo#

Установи HailoRT на целевое устройство. Пользователи Raspberry Pi AI HAT+ и AI HAT+ 2 могут воспользоваться руководством по программному обеспечению Raspberry Pi AI. В Raspberry Pi OS нельзя одновременно установить оба набора пакетов, поэтому выполни только блок для своего оборудования, а затем перезагрузи устройство.

Для AI HAT+ (Hailo-8 / Hailo-8L):

sudo apt install dkms
sudo apt install hailo-all
sudo reboot

Для AI HAT+ 2 (Hailo-10H, Raspberry Pi OS Trixie или новее):

sudo apt install dkms
sudo apt install hailo-h10-all
sudo reboot

После перезагрузки проверь, что ускоритель обнаружен:

hailortcli fw-control identify

Скопируй на устройство весь каталог экспорта, чтобы metadata.yaml находился рядом с HEF. Ultralytics использует HailoRT для запуска predict и val непосредственно из экспортированного каталога:

from ultralytics import YOLO

model = YOLO("yolo11n_hailo_model")
results = model.predict("path/to/image.jpg")

Для моделей детекции бэкенд преобразует выходные данные HailoRT NMS для YOLOv8/YOLO11 и автоматически декодирует любую из голов YOLO26. Выходы по умолчанию в режиме one-to-many передаются в NMS предиктора. Бэкенд декодирует необработанные тензоры сегментации, поз и OBB, возвращает вероятности классификации, вычисленные на чипе, и формирует карты семантических классов с помощью редукции на хосте для Hailo-8/8L и всех одноклассовых голов либо с помощью ArgMax на чипе для многоклассовых голов Hailo-10H/15. TAPPAS, GStreamer и вспомогательный модуль Raspberry Pi picamera2.devices.Hailo по-прежнему доступны для специализированных конвейеров приложений.

Для развёртывания с GStreamer передай HEF в hailonet:

gst-launch-1.0 filesrc location=video.mp4 ! decodebin ! videoconvert ! \
  hailonet hef-path=yolo11n_hailo_model/yolo11n.hef ! \
  hailofilter function-name=yolov8 ! hailooverlay ! autovideosink

Варианты развёртывания на Hailo#

HEF — один и тот же готовый к развёртыванию артефакт модели для нескольких интерфейсов среды выполнения Hailo. Выбери интерфейс, подходящий для приложения:

Храни metadata.yaml рядом с HEF, если приложению нужны названия классов Ultralytics, размер входных данных, шаг или другие сведения о модели. Сам HEF не заменяет логику приложения для захвата с камеры, визуализации, отслеживания, оповещений или хранения данных.

Проверка устройства Hailo и HEF#

Перед подключением камеры или видеоконвейера независимо проверь среду выполнения и ускоритель:

hailortcli fw-control identify
hailortcli parse-hef yolo11n_hailo_model/yolo11n.hef

Измерения производительности только на устройстве позволяют отделить инференс Hailo от декодирования видео, изменения размера изображений, отрисовки и ввода-вывода приложения. При оценке сквозной задержки или количества кадров в секунду отдельно измерь производительность всего приложения.

Бенчмарки#

Команда Ultralytics сравнила модели YOLO26 по скорости и точности на PyTorch и Hailo.

Производительность

Raspberry Pi 5 + AI HAT+ (Hailo-8)Скоро появятся и другие устройства!

Модель	Формат	Статус	Размер (МБ)	metrics/mAP50-95(B)	Время инференса (мс/изобр.)
YOLO26n	PyTorch	✅	5.3	0.477	364.6
YOLO26n	Hailo	✅	7.3	0.455	21.7

Модель	Формат	Статус	Размер (МБ)	metrics/mIoU	Время инференса (мс/изобр.)
YOLO26n-sem	PyTorch	✅	3.3	0.611	831.2
YOLO26n-sem	Hailo	✅	6.2	0.611	34.8

Модель	Формат	Статус	Размер (МБ)	metrics/delta1	metrics/abs_rel	metrics/rmse	Время инференса (мс/изобр.)
YOLO26n-depth	PyTorch	✅	12.4	0.8535	0.0983	0.2047	2133.4
YOLO26n-depth	Hailo	✅	9.9	0.8241	0.1232	0.2554	29.6

Модель	Формат	Статус	Размер (МБ)	точность (top1)	точность (top5)	Время инференса (мс/изобр.)
YOLO26n-cls	PyTorch	✅	5.5	0.431	0.716	33.8
YOLO26n-cls	Hailo	✅	3.5	0.441	0.716	2.0

Примечание

Для проверки результатов приведённых выше бенчмарков использовались COCO128 для детекции, Cityscapes8 для семантической сегментации, Depth8 для оценки глубины и ImageNet100 для классификации. Cityscapes8 и Depth8 содержат всего по 4 проверочных изображения, поэтому результаты по точности семантической сегментации и оценке глубины следует считать результатами дымового тестирования, а не измерениями сохранения точности; прежде чем делать выводы о точности, проверь результаты на полном наборе данных, например Cityscapes или NYU Depth V2. Время инференса не включает предварительную и последующую обработку.

Hailo в сравнении с другими форматами экспорта YOLO#

Выбирай формат экспорта исходя из оборудования, на котором будет выполняться модель. HEF — аппаратно-зависимый формат, который стоит выбирать, если на целевом устройстве уже установлен ускоритель Hailo, а не как универсальный формат для периферийных устройств или формат, автоматически обеспечивающий максимальную скорость.

Не считай, что Hailo быстрее или энергоэффективнее только потому, что это NPU. Для новых развёртываний M.2 DeepX — более подходящий кандидат, если нужна повышенная производительность YOLO и лучшая производительность на ватт, а Axelera ориентирована на значительно большую пропускную способность при обработке множества потоков. Rockchip — популярный недорогой вариант для SBC и встраиваемых систем. Показатели TOPS и энергопотребления от производителей нельзя напрямую сравнивать с результатами тестирования приложений, поэтому перед покупкой оборудования проверь одинаковые контрольную точку YOLO, размер входных данных, точность, хост и полный видеоконвейер на устройствах-кандидатах.

Оптимизация производительности компьютерного зрения на Hailo#

Выбор модели и конвейера часто важнее флагов компилятора:

• Начни с небольшой модели YOLO и увеличивай её размер, только если этого требует точность.
• Выбери минимальный фиксированный imgsz, при котором сохраняются важные для приложения объекты.
• По возможности используй для калибровки изображения с реальной камеры и из реального окружения.
• Не закрывай сеть Hailo между кадрами: повторное открытие HEF для каждого инференса снижает производительность.
• Измеряй время инференса на устройстве отдельно от предобработки, декодирования видео, постобработки, визуализации и сетевого ввода-вывода.
• Для длительной обработки видео используй потоковый конвейер, например GStreamer.
• Проверь экспортированный HEF на том же ускорителе и с той же версией HailoRT, которые используются в production.

Аргументы экспорта#

Для детекции YOLOv8/YOLO11 при экспорте применяется NMS в HailoRT. Для YOLO26 по умолчанию выводятся исходные выходы one-to-many для NMS на хосте; nms=False выбирает выходы one-to-one без NMS. Сегментация, поза и OBB используют исходные тензоры головы модели, классификация возвращает вероятности, вычисленные на чипе, а семантическая сегментация возвращает исходные логиты на Hailo-8/8L и для всех голов с одним классом либо готовые карты классов для голов с несколькими классами на Hailo-10H/15. Оценка глубины возвращает исходный логит глубины, который Ultralytics декодирует в метрическую карту глубины во время инференса. Динамические формы, встроенный NMS Ultralytics, FP16 и FP32 не поддерживаются.

Устранение неполадок при экспорте для Hailo#

Ошибка импорта Hailo Dataflow Compiler#

Если при экспорте сообщается, что hailo_sdk_client отсутствует, установи wheel DFC для целевого поколения оборудования в ту же среду Python, что и Ultralytics. Для Hailo-8/8L и Hailo-10H/15 нужны разные поколения компилятора.

Операционная система или архитектура не поддерживается#

Компиляция HEF поддерживается в Linux x86_64. Если на локальном компьютере установлена macOS или Windows, либо это Raspberry Pi или другая система ARM, выполни экспорт через Ultralytics Platform или используй совместимую рабочую станцию.

Экспорт занимает много времени#

Оптимизация DFC — самый ресурсоёмкий этап. Время компиляции увеличивается с размером модели, разрешением входных данных и объёмом калибровочных данных. Поддерживаемый GPU может ускорить оптимизацию, тогда как компиляция только на CPU может занять значительно больше времени.

Точность квантованной модели снижается#

Используй калибровочные изображения, похожие на реальные входные данные, с важными объектами, масштабами, условиями освещения и фонами. Перед развёртыванием сравни исходную модель PyTorch и экспортированный HEF на одном и том же валидационном наборе. Даже при хорошей калибровке сохраняется умеренный разрыв, зависящий от семейства моделей; измеренные базовые показатели см. в разделе Ожидаемая точность для разных семейств моделей.

HEF не загружается на устройство#

Убедись, что name соответствует физической архитектуре Hailo, а драйвер устройства, прошивка и пакеты HailoRT совместимы друг с другом. Проверь артефакт с помощью hailortcli parse-hef и убедись, что ускоритель определён верно, используя hailortcli fw-control identify.

Выводы разбираются некорректно#

Храни metadata.yaml рядом с HEF, чтобы Ultralytics мог выбрать соответствующий путь постобработки для YOLOv8, YOLO11 или YOLO26. Пользовательские приложения HailoRT также должны выбирать постобработку в соответствии с семейством экспортированной модели.

Итоги#

Экспорт Hailo в Ultralytics обеспечивает прямой путь от обученной модели YOLO до готового к развёртыванию HEF:

1. Загрузи модель детекции или классификации YOLOv8, YOLO11 либо YOLO26; модель сегментации, позы или OBB YOLOv8/YOLO11; либо модель семантической сегментации или оценки глубины YOLO26.
2. Выполни экспорт с помощью format="hailo" и выбери целевую архитектуру.
3. Выполни калибровку и компиляцию локально с соответствующим DFC или воспользуйся управляемым экспортом в Ultralytics Platform.
4. Скопируй HEF и metadata.yaml на граничное устройство с Hailo.
5. Запусти инференс с помощью HailoRT, Raspberry Pi Picamera2 или видеоконвейера GStreamer.

О других целевых платформах для развёртывания компьютерного зрения см. разделы Режим экспорта, Режим бенчмаркинга и руководство по интеграциям. Руководства по другому оборудованию: DeepX, Axelera, ONNX, OpenVINO, TensorRT, NCNN, RKNN, Sony IMX500 и Qualcomm QNN.

Часто задаваемые вопросы#