نویسنده(های): سوپریا رانی
در ابتدا منتشر شد به سمت هوش مصنوعی.
از آموزش Quantization Aware تا Pruning، بیاموزید که چگونه YOLOv8 را برای دستگاه‌های لبه سریع‌تر و کارآمدتر کنید.
این داستان فقط برای اعضا در اختیار ماست. برای دسترسی به تمام Medium ارتقا دهید.
تصور کنید یک مدل هوش مصنوعی را اجرا کنید که می تواند اشیاء را در زمان واقعی روی تلفن هوشمند یا پهپاد شما بدون یخ زدن یا تخلیه باتری تشخیص دهد. شبیه جادو به نظر می رسد، درست است؟ اما این آینده است تشخیص شیطراحی شده توسط YOLOv8.
YOLOv8 یکی از سریع‌ترین و دقیق‌ترین مدل‌ها برای شناسایی اشیا است، اما در عین حال سنگین است. هنگام استقرار این مدل بر روی دستگاه‌های کوچک‌تر و با منابع محدود مانند تلفن‌ها، حسگرها یا سیستم‌های تعبیه‌شده، می‌توانید به سرعت با مشکلات عملکرد مواجه شوید. اینجاست که تکنیک های بهینه سازی وارد می شوند.
در این مقاله، ما بررسی خواهیم کرد که چگونه ابزارهایی مانند Quantization Aware Training (QAT)، هرس کردن، و موارد دیگر می‌توانند YOLOv8 را به یک دستگاه تشخیص متوسط نازک تبدیل کنند که به طور یکپارچه بر روی دستگاه‌های کم منابع کار می‌کند. چه در حال ساختن نسل بعدی دوربین های هوشمند یا برنامه های تلفن همراه باشید، بهینه سازی YOLOv8 کلید ارائه عملکرد بالا و در زمان واقعی است. تشخیص شی.
YOLOv8 جدیدترین نسخه از سری معروف “You Only Look Once” (YOLO) است و از نظر سرعت و دقت بازی را تغییر می دهد. این به طور گسترده در مناطقی مانند اتومبیل های خودران، سیستم های نظارتی و روباتیک استفاده می شود. اما در حالی که YOLOv8 بسیار قدرتمند است، در عین حال کاملاً منابع فشرده است. اینجاست که بهینه سازی می آید… وبلاگ کامل را به صورت رایگان در Medium بخوانید.
منتشر شده از طریق به سمت هوش مصنوعی