edge tpu silva تنزيل - edge tpu silva تنزيل كود المصدر

edge tpu silva

شفرة المصدر الأخرى

v1.0.5

تنزيل

قوة `Coral Edge TPU` و `Ultralytics` كلها في مكان واحد: `edge-tpu-silva` .

إن edge-tpu-silva الخاص بنا عبارة عن حزمة Python تعمل على تبسيط عملية تثبيت تبعية Coral TPU USB وتضمن التوافق مع PyCoral وUltralytics. تعمل هذه الحزمة على تمكين قدرات detection الكائنات segmentation classification على أجهزة الحافة المختلفة لتحقيق سرعة أعلى FPS (Real Time Processor).

متطلبات الأجهزة

Coral USB Accelerator Exclusivity :

تم تصميم مكتبة edge-tpu-silva خصيصًا لتحقيق التكامل السلس مع Coral USB Accelerator. إن مسرع الأجهزة القوي هذا ليس مجرد متطلب ولكنه خيار استراتيجي، مما يفتح الإمكانات الكاملة للمكتبة detection الكائنات segmentation classification بشكل فائق.

اكتشف Coral USB Accelerator واستمتع بتجربة مصممة خصيصًا للحوسبة المتطورة من خلال مكتبة edge-tpu-silva.

قم بذلك قبل تثبيت الحزمة

الحزمة edge-tpu-silva قابلة للضغط فقط مع python versions <3.10 . قم بتثبيت إصدار بيثون محدد إذا كان إصدار بيثون الخاص بك غير متوافق.

مثال: بالنسبة لـ Raspberry Pi يمكنك النقر فوق للحصول على إرشادات حول كيفية تثبيت إصدار محدد من python باستخدام pyenv

ملاحظة: يوصى باستخدام Python 3.6 إلى 3.9، انقر فوق الرابط أعلاه لمعرفة كيفية تثبيت إصدار محدد من python

ملحوظة: تأكد من تحديث جهاز Raspberry Pi الخاص بك. للقيام بذلك، قم بتشغيل الأمر أدناه في المحطة.
sudo apt-get update
sudo apt-get upgrade

تثبيت

قم بتشغيل كود bash أدناه في جهازك الطرفي لإنشاء وتنشيط بيئة افتراضية جديدة تسمى .venv . تأكد من وجودك في الدليل المحدد الذي تريد تثبيت هذه البيئة فيه.

python3 -m venv .venv
source .venv/bin/activate

تثبيت

الخطوة 1: تثبيت edge-tpu-silva

لتثبيت edge-tpu-silva ، استخدم الأمر pip التالي في بيئة بايثون محددة:

pip install edge-tpu-silva

الخطوة 2: تشغيل أمر الإعداد

توافق النظام

يقدم هذا الجدول نظرة عامة على مدى توافق النظام مع الأجهزة وأنظمة التشغيل المختلفة.

	التوافق	أمر الإعداد
راسبيري باي 5	✔	silvatpu لينكس الإعداد
راسبيري باي 4	✔	silvatpu لينكس الإعداد
راسبيري باي 3	✔	silvatpu لينكس الإعداد
جيتسون نانو	✔	silvatpu لينكس الإعداد
ويندوز
ماك

من أجل تكوين أدوات الإعداد لنظامك، قم بتشغيل أمر الإعداد في الجهاز بعد اكتمال الخطوة 1.

مثال: إذا كنت تستخدم Raspberry Pi 5، فقم بتشغيل الأمر أدناه في الجهاز بعد الخطوة 1.

silvatpu-linux-setup

يقوم الأمر بتثبيت وقت تشغيل Edge TPU القياسي لنظام التشغيل Linux، وتشغيل الجهاز بتردد ساعة منخفض. وبدلاً من ذلك، يمكنك تثبيت إصدار للسرعة القصوى، ولكن كن حذرًا من زيادة استهلاك الطاقة وحرارة الجهاز. إذا لم تكن متأكدًا، فالتزم بالتردد المنخفض من أجل السلامة. لتثبيت أقصى تردد لوقت التشغيل، حدد سرعة أمر الإعداد إلى max .

silvatpu-linux-setup --speed max

لا يمكنك تثبيت كلا الإصدارين من وقت التشغيل في نفس الوقت، ولكن يمكنك التبديل ببساطة عن طريق تثبيت وقت التشغيل البديل كما هو موضح أعلاه

تنبيه: قد يؤدي استخدام مسرّع USB بأقصى تردد للساعة إلى ارتفاع درجة حرارته بشكل خطير. لتجنب إصابات الحروق، احتفظ به بعيدًا عن متناول اليد أو قم بتشغيله بتردد ساعة منخفض.

ملحوظة: يرجى التأكد من توصيل Coral USB Accelerator عبر usb 3.0 port (for faster speed) . إذا تم توصيل Coral USB Accelerator أثناء التثبيت والإعداد، فيرجى فصله وإعادة توصيله لضمان proper configuration.

نماذج

لإطلاق العنان لقوة detection الكائنات segmentation classification باستخدام هذه المكتبة، ستحتاج إلى طراز .tflite متوافق مع Edge TPU. يجب تصدير هذه النماذج باستخدام Ultralytics ، مما يضمن التكامل السلس مع مكتبة edge-tpu-silva.

ملحوظة: يرجى العلم أن قيمة imgsz المحددة أثناء تصدير YOLO يجب أن تتوافق مع نفس القيمة المستخدمة عند تعريف imgsz لأي من العمليات. يعد الاتساق في هذه الإعدادات أمرًا بالغ الأهمية لتحقيق الأداء الأمثل.

ستعمل النماذج الأصغر حجمًا بشكل أسرع ولكنها قد تكون ذات دقة أقل، بينما ستعمل النماذج الأكبر حجمًا بشكل أبطأ ولكن عادةً ما تكون ذات دقة أعلى. استكشف إمكانيات حوسبة الحافة باستخدام النماذج أدناه باستخدام مكتبة edge-tpu-silva.

رابط التحميل	عملية	النموذج الأساسي	com.imgsz	فئات الكائنات
تحميل الموديل	كشف	yolov8n.pt	`240`	كوكو128
تحميل الموديل	التقسيم	yolov8n-seg.pt	`240`	كوكو128
تحميل الموديل	كشف	yolov8n.pt	`192`	كوكو128
تحميل الموديل	التقسيم	yolov8n-seg.pt	`192`	كوكو128
تحميل الموديل	تصنيف	yolov8n-cls.pt	`640`	إيماج نت
تحميل الموديل	كشف	yolov9c.pt	`240`	كوكو128

ملحوظة: نموذج YOLOv9، وخاصة إصدار YOLOv9c.pt، كبير الحجم، مما يؤدي إلى أن يكون إصدار TensorFlow Lite كبيرًا جدًا أيضًا. ونتيجة لذلك، فإن سرعة المعالجة على Edge TPU تكون أبطأ نسبيًا.

الاستخدام

عملية الكشف عن الكائنات

لإجراء الكشف عن الكائنات باستخدام وظيفة process_detection ، يمكنك اتباع هذا المثال:

 from edge_tpu_silva import process_detection

# Run the object detection process
outs = process_detection ( model_path = 'path/to/your/model.tflite' , input_path = 'path/to/your/input/video.mp4' , imgsz = 192 )

for _ , _ in outs :
  pass

تشغيل `process_detection` في الجهاز الطرفي: استخدام نقطة الإدخال "silvatpu"

لإجراء الكشف عن الكائنات باستخدام وظيفة process_detection من سطر الأوامر، يمكنك استخدام نقطة الدخول سهلة الاستخدام silvatpu . إليك مثال على الأمر:

silvatpu -p det -m path/to/model.tflite -i path/to/input/video.mp4 -z 192 -t 0.5 -v True

عملية تجزئة الكائنات

لإجراء تجزئة الكائنات باستخدام وظيفة process_segmentation ، يمكنك اتباع هذا المثال:

 from edge_tpu_silva import process_segmentation

# Run the object segmentation process
outs = process_segmentation ( model_path = 'path/to/your/model.tflite' , input_path = 'path/to/your/input/video.mp4' , imgsz = 192 )

for _ , _ in outs :
  pass

تشغيل `process_segmentation` في الوحدة الطرفية: استخدام نقطة الإدخال "silvatpu"

لإجراء تجزئة الكائنات باستخدام وظيفة process_segmentation من سطر الأوامر، يمكنك استخدام نقطة الإدخال سهلة الاستخدام silvatpu . إليك مثال على الأمر:

silvatpu -p seg -m path/to/model.tflite -i path/to/input/video.mp4 -z 192 -t 0.5 -v True

`detection` العمليات `segmentation` `classification` معلمات إدخال الوظيفة

المعلمة	وصف	القيمة الافتراضية
`model_path`	المسار إلى نموذج تجزئة الكائن.	-
`input_path`	مسار ملف الصورة/الفيديو المراد معالجته (الكاميرا (0\|1\|2)).	-
`imgsz`	يحدد حجم الصورة للاستدلال.	-
`threshold`	عتبة الكائنات المكتشفة.	`0.4`
`verbose`	عرض المطبوعات على المحطة.	`True`
`show`	إطار العرض مع التجزئة.	`False`
`classes`	يقوم بتصفية التنبؤات لمجموعة من معرفات الفئة.	`None`

`detection` العمليات `segmentation` `classification` وظيفة الإخراج

كل وظيفة عملية تعطي المخرجات التالية:

معلمة الإخراج	وصف
`objs_lst`	قائمة الكائنات المكتشفة في الإطار.
`fps`	الإطارات في الثانية (fps) للإطار المعالج.

مثال على الاستخدام:

 from edge_tpu_silva import process_detection

# Run the object detection process
outs = process_detection ( model_path = 'path/to/your/model.tflite' , input_path = 'path/to/your/input/video.mp4' , imgsz = 192 )

for objs_lst , fps in outs :
    # Access the output parameters as needed
    print ( f"Processed frame with { len ( objs_lst ) } objects. FPS: { fps } " )
    print ( "List of object predictions in frame:" )
    print ( objs_lst )