تطبيقYOLO Ultralytics على أجهزة Axelera AI من أجل الذكاء الاصطناعي على الحافة

في Ultralytics نلاحظ تحولاً متزايداً نحو تشغيل نماذج الرؤية الحاسوبية مباشرةً على الأجهزة الطرفية، مع تزايد انتشار استخدام الذكاء الاصطناعي. وخلال محادثاتنا مع مجتمع الرؤية الحاسوبية، سواء عبر الإنترنت أو وجهًا لوجه في المؤتمرات التقنية الأخيرة، لاحظ فريقنا اهتمامًا متزايدًا بنشر الذكاء الاصطناعي الخاص بالرؤية في أماكن أقرب إلى مواقع توليد البيانات.

من بيئات البيع بالتجزئة الذكية والأتمتة الصناعية وصولاً إلى الروبوتات، أصبحت الرؤى في الوقت الفعلي أمراً أساسياً، ولم يعد الاعتماد على السحابة وحدها كافياً.

ببساطة، تعني تقنية الذكاء الاصطناعي الطرفي تشغيل نماذج الذكاء الاصطناعي محليًّا على الأجهزة بدلاً من إرسال البيانات إلى خوادم مركزية لمعالجتها. وهذا يتيح تقليل زمن الاستجابة، وتحسين الموثوقية، والاستجابة للأحداث الواقعية في الوقت الفعلي. 

ومع ذلك، فإن نشر النماذج عالية الأداء في هذه البيئات ينطوي على تحديات خاصة به، حيث تتطلب موارد الحوسبة المحدودة وقيود الطاقة أن تكون النماذج فعالة ومُحسَّنة لتتوافق مع الأجهزة التي تعمل عليها.

صُممتYOLO Ultralytics YOLO مثل Ultralytics من أجل الرؤية الحاسوبية في الوقت الفعلي، لكن تحقيق كامل إمكاناتها على مستوى الحافة يتطلب المزيج المناسب من البرمجيات والأجهزة. ولهذا السبب، يسعدنا أن نعلن عن تعاوننا مع Axelera AI.

لقد عقدنا شراكة مع شركة Axelera AI لتقديم نسخة محدثة من تكامل التصدير، مما يتيح نشرYOLO Ultralytics YOLO بكفاءة وأداء عالٍ على وحدات معالجة الذكاء الاصطناعي^Metis® (AIPUs).

في هذا المقال، سنتعرف على كيفية تجميعYOLO Ultralytics بسهولة من أجل نشرها على منصة Metis. هيا بنا نبدأ!

الذكاء الاصطناعي على الحافة هو مستقبل الرؤية الحاسوبية

مع استمرار تطور تطبيقات الرؤية الحاسوبية، تزداد الحاجة إلى معالجة أسرع وأكثر كفاءة أهميةً يوماً بعد يوم. فقد تتسبب الأساليب التقليدية القائمة على السحابة في حدوث تأخير، كما أنها تعتمد على اتصال مستقر، وقد لا تلبي متطلبات الوقت الفعلي للعديد من حالات استخدام الرؤية الذكية. 

تتصدى تقنية الذكاء الاصطناعي الطرفي لهذه التحديات من خلال تمكين النماذج من العمل مباشرة على الأجهزة المحلية، مما يتيح معالجة البيانات في مكان أقرب إلى مصدرها. على سبيل المثال، لنأخذ الطائرات بدون طيار المزودة بتقنيات الرؤية المستخدمة في عمليات البحث والإنقاذ. 

تحتاج هذه الأنظمة إلى تحليل لقطات الفيديو في الوقت الفعلي detect أو العوائق أو المخاطر، وغالبًا ما يكون ذلك في مناطق نائية تتوفر فيها اتصال محدود بالإنترنت أو لا يتوفر على الإطلاق. ومن خلال تشغيل نماذج الرؤية الحاسوبية مباشرةً على الطائرة بدون طيار، تتيح تقنية الذكاء الاصطناعي الطرفي اتخاذ قرارات أسرع وأداءً أكثر موثوقية دون الاعتماد على البنية التحتية السحابية.

يفتح هذا التحول آفاقاً جديدة في مختلف القطاعات. فالتطبيقات مثل الكشف عن الأجسام في الوقت الفعلي في قطاع التجزئة، وفحص الجودة الآلي في قطاع التصنيع، والقدرة على الإدراك في مجال الروبوتات، تستفيد جميعها من أوقات استجابة أسرع وموثوقية أعلى. 

أصبحت تقنية الذكاء الاصطناعي على الحافة (Edge AI) بسرعة عاملاً رئيسياً في نشر أنظمة الرؤية الحاسوبية القابلة للتوسع وسريعة الاستجابة في البيئات الواقعية.

استكشاف وحدات معالجة الذكاء الاصطناعي «ميتيس» من شركة «أكسليرا آي آي» 

قبل الخوض في تفاصيل التكامل الجديد لعملية التصدير، دعونا نرجع قليلاً إلى الوراء ونتعرف أكثر على وحدات معالجة الذكاء الاصطناعي «Metis» من Axelera AI والدور الذي تلعبه في تمكين الذكاء الاصطناعي الفعال على الحافة.

تقوم شركة Axelera AI بتطوير أجهزة مصممة خصيصًا لتسريع عمليات الاستدلال بالذكاء الاصطناعي على مستوى الحافة. ويُعد «Metis AIPU» (وحدة معالجة الذكاء الاصطناعي) جزءًا أساسيًا من هذا النظام، وهو معالج متخصص صُمم لتشغيل الشبكات العصبية بكفاءة على أجهزة الحافة.

على عكس وحدات المعالجة المركزية (CPU) ذات الاستخدامات العامة أو حتى وحدات معالجة الرسومات (GPU)، صُممت وحدات المعالجة الذكية (AIPU) للتعامل مع الأنماط الحسابية الخاصة بأحمال عمل الذكاء الاصطناعي. وهذا يتيح لها تقديم أداء عالٍ مع الحفاظ على استهلاك منخفض للطاقة، وهو أمر بالغ الأهمية في بيئات الحافة حيث تكون الموارد محدودة في الغالب.

ما يجعل نهج Axelera AI مبتكراً بشكل خاص هو تصميمه الشامل. فقد تم تصميم Metis باستخدام تقنية الحوسبة الرقمية داخل الذاكرة (D-IMC) ومنصة RISC-V لتحقيق أداء عالٍ مع تلبية متطلبات كفاءة الطاقة في الحوسبة الطرفية. وتتميز النوى الأربعة في Metis بإمكانية البرمجة بشكل مستقل، مما يعني أنه يمكنك تشغيل أربعة نماذج في كل شريحة بشكل متوازٍ. وبالإضافة إلى الأجهزة، تتضمن حزمة Voyager SDK مُجمِّعاً وبيئة تشغيل تعملان معاً لتحسين النماذج استعداداً للنشر. 

وهذا يتيح للمطورين الانتقال من النماذج المدربة إلى الاستدلال الجاهز للإنتاج بشكل أكثر كفاءة. وعلى وجه التحديد، تتيح وحدات AIPU من Metis تشغيل نماذج الرؤية الحاسوبية المتقدمة، مثلYOLO Ultralytics ، مباشرةً على الأجهزة الطرفية في بيئات متنوعة، بدءًا من المؤسسات والتجزئة والرعاية الصحية والتصنيع وصولاً إلى المعدات الزراعية والصناعية والأقمار الصناعية.

تصديرYOLO Ultralytics لنشرها على Metis

توفر Python Ultralytics Python واجهة موحدة لتدريب YOLO وتقييمها ونشرها عبر مجموعة متنوعة من مهام الرؤية الحاسوبية. وعادةً ما يتم تطوير YOLO وتدريبها باستخدام PyTorch الذي يعتبر أداة مناسبة تمامًا للتجريب وتطوير النماذج.

ومع ذلك، عند نشر هذه النماذج على أجهزة حافة الشبكة المتخصصة، يجب تحويلها إلى تنسيق مُحسَّن خصيصًا للجهاز المستهدف. وهنا يأتي دور عمليات التكامل الخاصة بالتصدير التي تدعمهاPython Ultralytics Python .

Ultralytics مجموعة من خيارات التصدير التي تتيح تحويل YOLO إلى تنسيقات مختلفة حسب هدف النشر، مثل ONNX TensorRT وغيرها من البنى الخلفية الخاصة بالأجهزة. تعمل هذه التكاملات على تبسيط عملية إعداد النماذج للتطبيقات العملية من خلال تولي خطوات التحسين والتحويل اللازمة.

وبناءً على ذلك، Ultralytics تحديثًا لتكامل التصدير مع Axelera AI، مما يتيح تصدير YOLO لنشرها على وحدات Metis AIPU.

أثناء التصدير، يتم ترجمة النموذج وتكميته إلى تمثيل مُحسَّن مصمم خصيصًا لأجهزة Axelera. وتنتج هذه العملية نموذجًا مُترجمًا بتنسيق ".axm"، إلى جانب البيانات الوصفية اللازمة للنشر والاستدلال.

يدعم هذا التكامل مجموعة واسعة من مهام الرؤية الحاسوبية في مختلف المجالات Ultralytics YOLOv8و Ultralytics YOLO11، و Ultralytics ، بما في ذلك اكتشاف الكائنات، وتقدير الوضع، وتجزئة المثيلات، واكتشاف الصندوق المحيط الموجه (OBB)، وتصنيف الصور. في حين أن معظم المهام مدعومة مباشرة من خلال سير عمل التصدير، يمكن استخدام تجزئة YOLO26 من خلال Model Zoo باستخدام Voyager SDK.

يمنح هذا الدعم الموسع المطورين المرونة اللازمة لنشر أنواع مختلفة من نماذج الرؤية وفقًا لتطبيقاتهم، بدءًا من اكتشاف الكائنات في الوقت الفعلي وصولاً إلى فهم المشاهد وتتبع الحركة وتحليل البيانات المرئية المعقدة.

بمجرد تصدير النماذج، يمكن نشرها وتشغيلها دون الاعتماد على PyTorch مرحلة الاستدلال. وبدلاً من ذلك، يتم تنفيذها باستخدام بيئة تشغيل Voyager SDK، التي تدعم إنشاء مسارات متكاملة لمهام مثل معالجة الفيديو والكشف في الوقت الفعلي والتتبع مباشرةً على الأجهزة الطرفية.

البدء في تصديرYOLO Ultralytics

الآن وقد أصبح لدينا فهم أفضل لتكامل التصدير الجديد، دعونا نستعرض كيفية تصديرYOLO Ultralytics YOLO إلى هذا التنسيق المخصص وتشغيلها على أجهزة Metis في الحافة.

الخطوة 1: قم بتثبيت حزمة Ultralytics Python

للبدء، عليك أولاً تثبيتPython Ultralytics Python . فهي توفر واجهة بسيطة ومتسقة لتدريب YOLO وتقييمها وتصديرها.

يمكنك تثبيته باستخدام pip عن طريق تشغيل الأمر التالي في محطة العمل أو موجه الأوامر:

تثبيت pip ultralytics

إذا واجهت أي مشكلات أثناء التثبيت أو التصدير، فإن Ultralytics الرسمية Ultralytics ودليل المشكلات الشائعة يُعدان موارد مفيدة للغاية لحل المشكلات.

الخطوة 2: تثبيت برامج تشغيل Axelera ومجموعة أدوات تطوير البرامج (SDK) الخاصة بـ Voyager

لتصدير النماذج وتشغيلها على أجهزة Axelera، ستحتاج أيضًا إلى تثبيت برامج تشغيل Axelera ومجموعة أدوات تطوير البرامج (SDK) الخاصة بـ Voyager. تتيح هذه الخطوة الاتصال بوحدة المعالجة الرسومية المتكاملة (AIPU) من طراز Metis، وتوفر أدوات التشغيل والمترجم اللازمة.

يجب تنفيذ الخطوات التالية في بيئة Linux مع إمكانية الوصول إلى أجهزة Axelera AI Metis. افتح نافذة طرفية على نظامك، أو استخدم خلية دفتر ملاحظات إذا كنت تستخدم Jupyter Notebook على إعداد محلي متوافق، ثم قم بتنفيذ الأوامر التالية.

ابدأ بإضافة مفتاح مستودع Axelera على النحو التالي:

sudo sh -c "curl -fsSL https://software.axelera.ai/artifactory/api/security/keypair/axelera/public | gpg --dearmor -o /etc/apt/keyrings/axelera.gpg"

بعد ذلك، كما هو موضح أدناه، أضف مستودع Axelera إلى نظامك:

sudo sh -c "echo 'deb [signed-by=/etc/apt/keyrings/axelera.gpg] https://software.axelera.ai/artifactory/axelera-apt-source/ ubuntu22 main' > /etc/apt/sources.list.d/axelera.list"

ثم قم بتثبيت حزمة تطوير البرامج (SDK) الخاصة بـ Voyager وقم بتحميل برنامج تشغيل Metis على النحو التالي:

sudo apt update

sudo apt install -y metis-dkms=1.4.16

sudo modprobe metis

بمجرد الانتهاء من هذه الخطوات، سيكون نظامك جاهزًا لتصديرYOLO Ultralytics YOLO وتشغيلها على أجهزة Axelera AI Metis.

الخطوة 3: تصديرYOLO Ultralytics

بمجرد تثبيت Ultralytics يمكنك تحميل YOLO الخاص بك وتصديره كحزمة مجمعة لـ Metis. تعمل هذه العملية على تحويل النموذج إلى تنسيق مُحسَّن للنشر على أجهزة Axelera AI Metis.

في المثال التالي، نستخدم نموذج YOLO26 nano المُدرَّب مسبقًا ونقوم بتصديره إلى Metis. سيتم حفظ النموذج المُصدَّر في مجلد باسم "/yolo26n_axelera_model". 

من ultralytics YOLO

model = YOLO("yolo26n.pt")

model.export(format="axelera")  

الخطوة 4: تشغيل عملية الاستدلال باستخدام النموذج الذي تم تصديره

بعد تصدير النموذج، يمكنك تحميله وإجراء عمليات الاستدلال على الصور أو مقاطع الفيديو التي لم يتم عرضها من قبل. وهذا يتيح تنفيذ مهام الرؤية الحاسوبية في الوقت الفعلي مباشرةً على أجهزة Axelera AI Metis.

على سبيل المثال، يوضح مقتطف الشفرة أدناه كيفية تحميل النموذج المُصدَّر وتشغيل عملية الاستدلال على عنوان URL متاح للجمهور.

axelera_model = YOLO("yolo26n_axelera_model")

results = axelera_model("ultralytics", save=True)

في هذه الحالة، يقوم النموذج بتحليل الصورة المدخلة ويكتشف الكائنات، ثم يحفظ النتائج في المجلد "detect".

المجالات التي يمكن أن تُحدث فيها أجهزة Ultralytics YOLO Axelera AI فرقاً

بعد ذلك، دعونا نناقش بعض التطبيقات الشائعة للذكاء الاصطناعي على الحافة، حيث يمكن نشرYOLO Ultralytics على أجهزة Axelera AI في سيناريوهات واقعية.

صُممت وحدات معالجة المعلومات الاصطناعية (AIPU) من طراز Metis التابعة لشركة Axelera AI لتناسب مجموعة متنوعة من بيئات النشر، بدءًا من الأنظمة المدمجة وأجهزة الكمبيوتر الصناعية وصولاً إلى الروبوتات وخوادم الحافة. وبفضل قدرات الاستدلال عالية الأداء والموفرة للطاقة، فإنها تتيح تشغيل تطبيقات الرؤية الحاسوبية مباشرةً على الأجهزة في مختلف القطاعات. كما يتضمن حزمة أدوات التطوير Voyager SDK أداة لإنشاء مسارات معالجة تتيح لمهندسي التعلم الآلي وتطبيقات الأجهزة (APP) تحويل النماذج إلى منتجات جاهزة للاستخدام في بيئات الحافة.

أنظمة الرؤية الذكية في قطاع التجزئة التي تعمل على الحافة

في بيئات البيع بالتجزئة، يمكن أن يُحدث فهم سلوك العملاء في الوقت الفعلي فرقًا كبيرًا. 

باستخدامYOLO Ultralytics التي تعمل على أجهزة Axelera AI، يمكن للمتاجر مراقبة حركة الزوار، وإحصاء عدد الأشخاص، وتحليل أنماط الحركة داخل المتجر في الوقت الفعلي. ونظرًا لأن كل شيء يعمل على الجهاز نفسه، يمكن الحصول على الرؤى على الفور دون الاعتماد على الاتصال بالسحابة، مما يساعد الفرق على الاستجابة بشكل أسرع مع الحفاظ على خصوصية البيانات.

استخدام الذكاء الاصطناعي الطرفي لفحص مرافق الخدمات العامة والبنية التحتية

تعد صيانة البنى التحتية واسعة النطاق، مثل خطوط الكهرباء، عملية معقدة وتستلزم موارد كبيرة. وغالبًا ما تمتد هذه الشبكات لمسافات شاسعة، مما يجعل عمليات الفحص تستغرق وقتًا طويلاً وتكون مكلفة وربما تنطوي على مخاطر. وعندما لا يتم اكتشاف الأعطال أو العلامات المبكرة للتلف، فإنها قد تتفاقم لتؤدي إلى انقطاع التيار الكهربائي أو تلف المعدات أو مخاطر تتعلق بالسلامة.

يتزايد استخدام الطائرات بدون طيار لتحسين كفاءة عمليات التفتيش. فهي قادرة على قطع مسافات طويلة، والوصول إلى المناطق التي يصعب الوصول إليها، والتقاط صور عالية الدقة للأصول الحيوية.

ويؤدي الجمع بين الطائرات بدون طيار والذكاء الاصطناعي الطرفي إلى تعزيز كفاءة هذه العمليات بشكل أكبر.YOLO Ultralytics التي تعمل على أجهزة Axelera AI تتيح إجراء تحليلات في الوقت الفعلي أثناء عمليات الفحص، مما يساعد على تحديد الأعطال وتصنيف المكونات وكشف الحالات الشاذة في الموقع. وهذا يقلل من الحاجة إلى المراجعة اليدوية ويدعم مراقبة البنية التحتية بشكل أسرع وأكثر موثوقية.

تزويد الروبوتات برؤى الذكاء الاصطناعي القائمة على الرؤية في الوقت الفعلي

في مجال الروبوتات، تعد السرعة وسرعة الاستجابة عاملين حاسمين. وسواء كان ذلك أثناء التنقل داخل مستودع أو العمل في بيئات صناعية متغيرة باستمرار، فإن الروبوتات تحتاج إلى تفسير محيطها على الفور. 

تُمكّنYOLO Ultralytics التي تعمل على أجهزة Axelera AI، الروبوتات من تفسير محيطها في الوقت الفعلي، بدءًا من اكتشاف العوائق وصولاً إلى تتبع الأشخاص والتعرف على الأشياء. وهذا يتيح للأنظمة التحرك بأمان أكبر، والتكيف مع الظروف المتغيرة، والعمل بمزيد من الاستقلالية دون الاعتماد على الاتصال المستمر بالسحابة.

المزايا الرئيسية لتشغيلYOLO Ultralytics YOLO على وحدات AIPU من Metis

فيما يلي بعض المزايا الرئيسية لنشرYOLO Ultralytics YOLO على أجهزة Metis من Axelera AI باستخدام التكامل الجديد:

• تكامل سلس مع Ultralytics : يتناسب تصدير YOLO لنشرها في Metis بشكل طبيعي معPython Ultralytics مما يبسط عملية الانتقال من مرحلة التدريب إلى مرحلة الاستدلال.
• دعم مهام الرؤية الحاسوبية المتعددة: يمكنك نشر نماذج لاكتشاف الكائنات، وتقدير الوضع، والتجزئة، والتصنيف، وغير ذلك الكثير عبر YOLOv8 YOLO11 وYOLO26.
• تشغيل النماذج بالتوازي: صُممت وحدات Metis AIPU بأربعة نوى قابلة للبرمجة بشكل مستقل، قادرة على تشغيل أربعة نماذج منفصلة بالتوازي لتلبية احتياجاتك.
• قابل للتطوير عبر تطبيقات الذكاء الاصطناعي الطرفية: بدءًا من تحليلات قطاع التجزئة والتفتيش الصناعي وصولاً إلى الروبوتات والبنية التحتية الذكية، يدعم هذا التكامل مجموعة واسعة من حالات الاستخدام العملية.

النقاط الرئيسية

تسهلYOLO Ultralytics ووحدات Metis AIPU من Axelera AI توفير تقنية الرؤية الحاسوبية عالية الأداء في بيئات الحافة. ومن خلال تبسيط عملية النشر وتحسين النماذج لتتوافق مع الأجهزة المتخصصة، يساعد هذا التكامل في سد الفجوة بين مرحلة التطوير والتطبيقات العملية.

مع استمرار نمو تقنية الذكاء الاصطناعي الطرفي، سيكون توفر خيارات نشر فعالة وقابلة للتوسع عاملاً أساسياً في بناء أنظمة سريعة الاستجابة وموثوقة. ويُعد هذا التعاون خطوة نحو جعل تقنية الذكاء الاصطناعي المتقدمة في مجال الرؤية أكثر سهولة في الوصول إليها عبر مختلف القطاعات.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، وتفقد خيارات الترخيص الخاصة بنا لبدء مشروع الرؤية الحاسوبية الخاص بك. اكتشف كيف تشكل الابتكارات مثل الذكاء الاصطناعي في مجال البيع بالتجزئة و الرؤية الحاسوبية في مجال الرعاية الصحية المستقبل.