حسّن نموذجك Ultralytics YOLOv8 للاستدلال باستخدام OpenVINO. اتبع دليلنا لتحويل نماذج PyTorch إلى ONNX وتحسينها للتطبيقات في الوقت الحقيقي.
في هذه التدوينة، سنلقي نظرة على كيفية تصدير وتحسين نموذجك المدرب مسبقًا أو المخصص Ultralytics YOLOv8 للاستدلال باستخدام OpenVINO. إذا كنت تستخدم نظامًا قائمًا على Intel ، سواءً كان CPU أو GPU ، سيوضح لك هذا الدليل كيفية تسريع نموذجك بشكل كبير بأقل جهد ممكن.
يمكن أن يؤدي تحسين نموذج YOLOv8 الخاص بك باستخدام OpenVINO يمكن أن يوفر زيادة في السرعة تصل إلى 3 أضعاف في مهام الاستدلال، خاصةً إذا كنت تقوم بتشغيل Intel CPU . يمكن أن يُحدث هذا التعزيز في الأداء فرقًا كبيرًا في تطبيقات الوقت الحقيقي، بدءًا من اكتشاف الأجسام إلى أنظمة التجزئة والأمن.
أول الأشياء أولاً، دعونا نبدأ العملية. سنقوم بتحويل نموذج PyTorch إلى ONNX ثم تحسينه باستخدام OpenVINO. تتضمن هذه العملية بضع خطوات مباشرة ويمكن تطبيقها على نماذج وتنسيقات مختلفة بما في ذلك TensorFlow ، PyTorch و و Caffe و ONNX.
بالرجوع إلىوثائق Ultralytics ، نجد أن تصدير نموذج YOLOv8 يتضمن استخدام طريقة التصدير من إطار Ultralytics . تسمح لنا هذه الطريقة بتحويل نموذجنا من PyTorch إلى ONNXوأخيرًا، تحسينه إلى OpenVINO. والنتيجة هي نموذج يعمل بشكل أسرع بكثير، مستفيدًا من أجهزة Intel القوية.
قبل تشغيل البرنامج النصي للتصدير، ستحتاج إلى التأكد من تثبيت جميع التبعيات الضرورية. ويشمل ذلك مكتبة Ultralytics ، ONNX ، و و OpenVINO. إن تثبيت هذه الحزم عملية بسيطة يمكن إجراؤها عبر أداة تثبيت الحزمة Python .
بمجرد إعداد بيئتك، يمكنك تشغيل البرنامج النصي للتصدير. سيقوم هذا البرنامج النصي بتحويل نموذج PyTorch الخاص بك إلى ONNX ثم إلى OpenVINO. العملية مباشرة وتتضمن استدعاء دالة واحدة للتعامل مع التصدير. يجعل إطار Ultralytics من السهل تحويل نماذجك وتحسينها، مما يضمن لك الحصول على أفضل أداء بأقل قدر من المتاعب.
بعد التصدير، من الضروري مقارنة أداء النموذجين الأصلي والمحسّن. من خلال قياس وقت الاستدلال لكلا النموذجين، يمكنك أن ترى بوضوح مكاسب الأداء. عادةً ما يُظهر نموذج OpenVINO انخفاضًا كبيرًا في وقت الاستدلال مقارنةً بالنموذج الأصلي PyTorch . وينطبق هذا بشكل خاص على النماذج الأكبر حجمًا حيث يكون تعزيز الأداء ملحوظًا للغاية.
يعد تحسين نماذج YOLOv8 باستخدام OpenVINO مفيدًا بشكل خاص للتطبيقات التي تتطلب معالجة في الوقت الفعلي. فيما يلي بعض الأمثلة:
من خلال تنفيذ هذه التحسينات، فإنك لا تقوم فقط بتحسين الأداء ولكن أيضًا تحسين موثوقية وكفاءة تطبيقاتك. يمكن أن يؤدي ذلك إلى تجارب أفضل للمستخدمين وزيادة الإنتاجية وحلول أكثر ابتكارًا.
يعد تصدير نموذج YOLOv8 وتحسينه على OpenVINO طريقة قوية للاستفادة من أجهزة Intel لتطبيقات ذكاء اصطناعي أسرع وأكثر كفاءة. من خلال بضع خطوات بسيطة، يمكنك تحويل أداء نموذجك وتطبيقه على سيناريوهات العالم الحقيقي بفعالية.
تأكد من مراجعة المزيد من البرامج التعليمية والأدلة من Ultralytics لمواصلة تحسين مشاريع الذكاء الاصطناعي الخاصة بك. قم بزيارة مستودع GitHub الخاص بنا وانضم إلى مجتمع Ultralytics لمزيد من الأفكار والتحديثات. لنبتكر معًا!
تذكّر أن تحسين نماذجك لا يتعلق فقط بالسرعة - بل يتعلق بفتح إمكانيات جديدة وضمان أن تكون حلول الذكاء الاصطناعي لديك قوية وفعالة وجاهزة للمستقبل.
