تشغيل نماذج Ultralytics YOLO على أجهزة Axelera AI للذكاء الاصطناعي الطرفي

في Ultralytics، نلاحظ تنامي التوجه نحو تشغيل نماذج الرؤية الحاسوبية مباشرةً على الأجهزة الطرفية مع اتساع نطاق اعتماد الذكاء الاصطناعي. ومن خلال حواراتنا مع مجتمع الرؤية الحاسوبية، عبر الإنترنت وخلال مشاركتنا شخصيًا في المؤتمرات التقنية الأخيرة، لاحظ فريقنا تزايد الاهتمام بنشر الذكاء الاصطناعي للرؤية بالقرب من مصادر إنشاء البيانات.

من متاجر التجزئة الذكية وأتمتة الصناعة إلى الروبوتات، أصبحت الرؤى الآنية ضرورية، ولم يعد الاعتماد على السحابة وحدها كافيًا.

ببساطة، يتضمن الذكاء الاصطناعي على الحافة تشغيل نماذج الذكاء الاصطناعي محليًا على الأجهزة بدلًا من إرسال البيانات إلى خوادم مركزية لمعالجتها. وهذا يتيح تقليل زمن الاستجابة، وتحسين الموثوقية، والاستجابة للأحداث الواقعية في الوقت الفعلي.

لكن نشر نماذج عالية الأداء في هذه البيئات ينطوي على تحدياته الخاصة، إذ تفرض محدودية موارد الحوسبة وقيود الطاقة أن تكون النماذج فعّالة ومحسّنة للأجهزة التي تعمل عليها.

صُممت نماذج Ultralytics YOLO، مثل Ultralytics YOLO26، للرؤية الحاسوبية في الوقت الفعلي، لكن الاستفادة القصوى من إمكاناتها على الحافة تتطلب المزيج المناسب من البرمجيات والأجهزة. لذلك يسرّنا الإعلان عن تعاوننا مع Axelera AI.

عقدنا شراكة مع Axelera AI لتقديم تكامل تصدير محدّث، يتيح نشر نماذج Ultralytics YOLO بكفاءة وأداء عالٍ على وحدات معالجة الذكاء الاصطناعي Metis® (AIPUs).

الشكل 1. لمحة عن وحدة معالجة الذكاء الاصطناعي Metis (المصدر)

في هذه المقالة، سنستكشف كيفية تجميع نماذج Ultralytics YOLO بسهولة لنشرها على Metis. هيا نبدأ!

الذكاء الاصطناعي على الحافة هو مستقبل الرؤية الحاسوبية#

مع استمرار تطور تطبيقات الرؤية الحاسوبية، تزداد أهمية الحاجة إلى معالجة أسرع وأكثر كفاءة. وقد تؤدي الأساليب التقليدية القائمة على السحابة إلى زيادة زمن الاستجابة، وتعتمد على اتصال مستقر، وقد لا تلبي متطلبات الوقت الفعلي للعديد من حالات استخدام الرؤية الذكية.

يعالج الذكاء الاصطناعي على الحافة هذه التحديات من خلال تمكين النماذج من العمل مباشرةً على الأجهزة المحلية، ما يسمح بمعالجة البيانات بالقرب من مصدرها. على سبيل المثال، لننظر في طائرات مسيّرة مزوّدة بقدرات الرؤية تُستخدم في عمليات البحث والإنقاذ.

تحتاج هذه الأنظمة إلى تحليل تدفقات الفيديو في الوقت الفعلي لاكتشاف الأشخاص أو العوائق أو المخاطر، وغالبًا ما تعمل في مناطق نائية ذات اتصال محدود بالإنترنت أو منعدم. ومن خلال تشغيل نماذج الرؤية الحاسوبية مباشرةً على الطائرة المسيّرة، يتيح الذكاء الاصطناعي على الحافة اتخاذ القرارات بسرعة أكبر وتحقيق أداء أكثر موثوقية من دون الاعتماد على البنية التحتية السحابية.

يفتح هذا التحول آفاقًا جديدة في مختلف القطاعات. وتستفيد تطبيقات مثل اكتشاف الأجسام في المتاجر في الوقت الفعلي، وفحص الجودة آليًا في التصنيع، والإدراك في الروبوتات من سرعة الاستجابة الأكبر والموثوقية الأعلى.

سرعان ما أصبح الذكاء الاصطناعي على الحافة عاملًا أساسيًا يتيح نشر أنظمة رؤية حاسوبية قابلة للتوسع وسريعة الاستجابة في بيئات العالم الحقيقي.

التعرّف على وحدات معالجة الذكاء الاصطناعي Metis من Axelera AI#

قبل التعمق في تكامل التصدير الجديد، لنتوقف قليلًا ونتعرّف أكثر على وحدات معالجة الذكاء الاصطناعي Metis من Axelera AI والدور الذي تؤديه في تمكين الذكاء الاصطناعي الفعّال على الحافة.

تطوّر Axelera AI أجهزة مصممة خصيصًا لتسريع استدلال الذكاء الاصطناعي على الحافة. ويُعد Metis AIPU، أو وحدة معالجة الذكاء الاصطناعي، مكوّنًا أساسيًا من هذه الأجهزة؛ فهو معالج متخصص صُمم لتشغيل الشبكات العصبية بكفاءة على الأجهزة الطرفية.

وعلى خلاف وحدات المعالجة المركزية (CPUs) متعددة الأغراض، بل وحتى وحدات معالجة الرسومات (GPUs)، صُممت وحدات AIPU لمعالجة الأنماط الحسابية الخاصة بأحمال عمل الذكاء الاصطناعي. وهذا يتيح لها توفير أداء عالٍ مع الحفاظ على استهلاك منخفض للطاقة، وهو أمر بالغ الأهمية في بيئات الحافة حيث تكون الموارد محدودة غالبًا.

ما يجعل نهج Axelera AI مبتكرًا على نحو خاص هو تصميمه المتكامل. فقد صُمم Metis باستخدام الحوسبة الرقمية داخل الذاكرة (D-IMC) ومعمارية RISC-V لتحقيق أداء عالٍ مع كفاءة الطاقة التي تتطلبها الحوسبة الطرفية. وتتمتع أنوية Metis الأربعة بإمكانية البرمجة المستقلة، ما يعني إمكانية تشغيل أربعة نماذج بالتوازي على الشريحة الواحدة. وإلى جانب الأجهزة، تتضمن Voyager SDK مترجمًا وبيئة تشغيل يعملان معًا لتحسين النماذج للنشر.

يتيح ذلك للمطورين الانتقال بكفاءة أكبر من النماذج المدرّبة إلى الاستدلال الجاهز للإنتاج. وعلى وجه التحديد، تتيح وحدات Metis AIPU تشغيل نماذج متقدمة للرؤية الحاسوبية، مثل نماذج Ultralytics YOLO، مباشرةً على الأجهزة الطرفية في بيئات المؤسسات ومتاجر التجزئة والرعاية الصحية والتصنيع، وكذلك في المزارع والمعدات الصناعية والأقمار الصناعية.

تصدير نماذج Ultralytics YOLO لنشرها على Metis#

توفر حزمة Python من Ultralytics واجهة موحّدة لتدريب نماذج YOLO وتقييمها ونشرها في مجموعة من مهام الرؤية الحاسوبية. وعادةً ما تُطوَّر نماذج YOLO وتُدرَّب باستخدام PyTorch، الملائم تمامًا للتجارب وتطوير النماذج.

لكن عند نشر هذه النماذج على أجهزة طرفية متخصصة، ينبغي تحويلها إلى تنسيق محسّن للجهاز المستهدف. وهنا يأتي دور تكاملات التصدير التي تدعمها حزمة Python من Ultralytics.

توفر Ultralytics مجموعة من خيارات التصدير التي تتيح تحويل نماذج YOLO إلى تنسيقات مختلفة بحسب هدف النشر، مثل ONNX وTensorRT وغيرها من الواجهات الخلفية الخاصة بالأجهزة. وتبسّط هذه التكاملات إعداد النماذج لتطبيقات العالم الحقيقي عبر تنفيذ خطوات التحسين والتحويل اللازمة.

واستنادًا إلى ذلك، قدّمت Ultralytics تكامل تصدير محدّثًا مع Axelera AI، يتيح تصدير نماذج YOLO لنشرها على وحدات Metis AIPU.

أثناء التصدير، يُجمَّع النموذج وتُكمَّم دقته إلى تمثيل محسّن ومصمم خصيصًا لأجهزة Axelera. وتنتج عن هذه العملية نسخة مجمّعة من النموذج بتنسيق ".axm"، إلى جانب البيانات الوصفية اللازمة للنشر والاستدلال.

الشكل 2. يمكن تشغيل نماذج Ultralytics YOLO على وحدات Metis AIPU. (المصدر)

يدعم التكامل مجموعة واسعة من مهام الرؤية الحاسوبية عبر Ultralytics YOLOv8 وUltralytics YOLO11 ونماذج Ultralytics YOLO26، بما في ذلك اكتشاف الأجسام، وتقدير الوضعيات، وتقسيم الكائنات، واكتشاف مربعات الإحاطة الموجّهة (OBB)، وتصنيف الصور. وفي حين تدعم آلية التصدير معظم المهام مباشرةً، يمكن استخدام تقسيم الصور في YOLO26 عبر حديقة النماذج باستخدام Voyager SDK.

تمنح هذه التوسعة في الدعم المطورين مرونة نشر أنواع مختلفة من نماذج الرؤية بحسب تطبيقاتهم، بدءًا من اكتشاف الأجسام في الوقت الفعلي، وصولًا إلى فهم المشاهد وتتبع الحركة وتحليل البيانات المرئية المعقدة.

بعد تصدير النماذج، يمكن نشرها وتشغيلها من دون الاعتماد على PyTorch وقت الاستدلال. وبدلًا من ذلك، تُنفَّذ باستخدام بيئة تشغيل Voyager SDK، التي تدعم إنشاء مسارات عمل متكاملة لمهام مثل معالجة الفيديو والاكتشاف في الوقت الفعلي والتتبع مباشرةً على الأجهزة الطرفية.

البدء بتصدير نماذج Ultralytics YOLO#

بعد أن تعرّفنا أكثر على تكامل التصدير الجديد، سنشرح كيفية تصدير نماذج Ultralytics YOLO إلى هذا التنسيق المخصص وتشغيلها على أجهزة Metis الطرفية.

الخطوة 1: تثبيت حزمة Ultralytics Python#

للبدء، ستحتاج أولًا إلى تثبيت حزمة Python من Ultralytics. فهي توفر واجهة بسيطة ومتسقة لتدريب نماذج YOLO وتقييمها وتصديرها.

يمكنك تثبيتها باستخدام pip عبر تشغيل الأمر التالي في الطرفية أو موجه الأوامر:

pip install ultralytics

إذا واجهت أي مشكلات أثناء التثبيت أو التصدير، فستجد في وثائق Ultralytics الرسمية ودليل المشكلات الشائعة مصدرين مفيدين لاستكشاف الأخطاء وإصلاحها.

الخطوة 2: تثبيت برامج تشغيل Axelera وVoyager SDK#

لتصدير النماذج وتشغيلها على أجهزة Axelera، ستحتاج أيضًا إلى تثبيت برامج تشغيل Axelera وVoyager SDK. تتيح هذه الخطوة الاتصال بوحدة Metis AIPU، كما توفر أدوات بيئة التشغيل والمترجم اللازمة.

يجب تنفيذ الخطوات أدناه في بيئة Linux مع إمكانية الوصول إلى أجهزة Metis من Axelera AI. افتح طرفية على نظامك، أو استخدم خلية في دفتر ملاحظات إذا كنت تشغّل Jupyter Notebook على إعداد محلي متوافق، ثم نفّذ الأوامر أدناه.

ابدأ بإضافة مفتاح مستودع Axelera كما يلي:

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، أضف مستودع Axelera إلى نظامك كما هو موضح أدناه:

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 ثبّت Voyager SDK وحمّل برنامج تشغيل Metis كما يلي:

sudo apt update
sudo apt install -y metis-dkms=1.4.16
sudo modprobe metis

بعد إكمال هذه الخطوات، سيكون نظامك جاهزًا لتصدير نماذج Ultralytics YOLO وتشغيلها على أجهزة Metis من Axelera AI.

الخطوة 3: تصدير نماذج Ultralytics YOLO#

بعد تثبيت حزمة Ultralytics، يمكنك تحميل نموذج YOLO وتصديره كحزمة مجمّعة لتشغيلها على Metis. وتحول هذه العملية النموذج إلى تنسيق محسّن للنشر على أجهزة Metis من Axelera AI.

في المثال أدناه، نستخدم نموذج YOLO26 nano مدرّبًا مسبقًا ونصدّره لتشغيله على Metis. سيُحفظ النموذج المُصدّر في دليل باسم "/yolo26n_axelera_model".

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

model.export(format="axelera")

الخطوة 4: إجراء الاستدلال باستخدام النموذج المُصدّر#

بعد تصدير النموذج، يمكنك تحميله وإجراء الاستدلال على صور غير معروفة سابقًا أو تدفقات فيديو. وهذا يتيح تنفيذ مهام الرؤية الحاسوبية في الوقت الفعلي مباشرةً على أجهزة Metis من Axelera AI.

على سبيل المثال، يوضح مقتطف الشيفرة أدناه كيفية تحميل النموذج المُصدّر وإجراء الاستدلال على عنوان URL متاح للعامة.

axelera_model = YOLO("yolo26n_axelera_model")

results = axelera_model("https://ultralytics.com/images/bus.jpg", save=True)

في هذه الحالة، يحلل النموذج صورة الإدخال ويكتشف الأجسام، ثم يحفظ النتائج في دليل "runs/detect/predict".

مجالات إحداث نماذج Ultralytics YOLO وأجهزة Axelera AI أثرًا#

والآن، لنناقش بعض تطبيقات الذكاء الاصطناعي الشائعة على الحافة، حيث يمكن نشر نماذج Ultralytics YOLO على أجهزة Axelera AI في سيناريوهات العالم الحقيقي.

صُممت وحدات Metis AIPU من Axelera AI لمجموعة متنوعة من بيئات النشر، بدءًا من الأنظمة المضمّنة والحواسيب الصناعية، وصولًا إلى الروبوتات والخوادم الطرفية. وبفضل الاستدلال عالي الأداء والكفء في استهلاك الطاقة، تتيح هذه الوحدات تشغيل تطبيقات الرؤية الحاسوبية مباشرةً على الجهاز في مختلف القطاعات. وتتضمن Voyager SDK أيضًا أداة لإنشاء مسارات العمل، تساعد مهندسي ML وAPP على تحويل النماذج إلى منتجات جاهزة للعمل على الحافة.

أنظمة رؤية ذكية تعمل على الحافة في متاجر التجزئة#

في بيئات متاجر التجزئة، يمكن لفهم سلوك العملاء في الوقت الفعلي أن يحدث فرقًا كبيرًا.

باستخدام نماذج Ultralytics YOLO العاملة على أجهزة Axelera AI، تستطيع المتاجر مراقبة حركة الزوار وعدّ الأشخاص وتحليل أنماط تنقلهم داخل المتجر فور حدوثها. وبما أن كل شيء يعمل على الجهاز، يمكن توليد الرؤى فورًا من دون الاعتماد على الاتصال بالسحابة، ما يساعد الفرق على الاستجابة بسرعة أكبر مع الحفاظ على خصوصية البيانات.

الشكل 3. اكتشاف الأشخاص وعدّهم في مركز تجاري باستخدام Ultralytics YOLO26

استخدام الذكاء الاصطناعي على الحافة لفحص المرافق والبنية التحتية#

إن صيانة البنية التحتية واسعة النطاق، مثل خطوط الكهرباء، مهمة معقدة وكثيفة الموارد. وتمتد هذه الشبكات غالبًا على مسافات شاسعة، ما يجعل عمليات الفحص تستغرق وقتًا طويلًا وتكون مكلفة وقد تنطوي على مخاطر. وإذا لم تُكتشف الأعطال أو العلامات المبكرة للتآكل، فقد تتفاقم وتؤدي إلى انقطاعات أو تلف المعدات أو مخاطر على السلامة.

يتزايد استخدام الطائرات المسيّرة لتحسين كفاءة الفحص. فهي قادرة على قطع مسافات طويلة والوصول إلى المناطق التي يصعب بلوغها والتقاط صور عالية الدقة للأصول الحيوية.

يعزز الجمع بين الطائرات المسيّرة والذكاء الاصطناعي على الحافة سير العمل هذا بدرجة أكبر. وتتيح نماذج Ultralytics YOLO العاملة على أجهزة Axelera AI تحليل البيانات في الوقت الفعلي أثناء عمليات الفحص، وتحديد الأعطال وتصنيف المكونات واكتشاف الحالات الشاذة في الموقع. وهذا يقلل الحاجة إلى المراجعة اليدوية ويدعم مراقبة البنية التحتية بسرعة أكبر وموثوقية أعلى.

الشكل 4. اكتشاف أجزاء مختلفة من خط كهرباء باستخدام Ultralytics YOLO26

تعزيز قدرات الروبوتات برؤى الذكاء الاصطناعي للرؤية في الوقت الفعلي#

تُعد السرعة وسرعة الاستجابة عاملين حاسمين في الروبوتات. فسواء أكانت الروبوتات تتنقل في مستودع أم تعمل في بيئات صناعية متغيرة، فإنها تحتاج إلى تفسير محيطها فورًا.

تتيح نماذج Ultralytics YOLO العاملة على أجهزة Axelera AI للروبوتات تفسير محيطها في الوقت الفعلي، بدءًا من اكتشاف العوائق ووصولًا إلى تتبع الأشخاص والتعرّف على الأجسام. وهذا يسمح للأنظمة بالتحرك بأمان أكبر، والتكيف مع الظروف المتغيرة، والعمل باستقلالية أكبر من دون الاعتماد على اتصال دائم بالسحابة.

أبرز فوائد تشغيل نماذج Ultralytics YOLO على وحدات Metis AIPU#

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

• تكامل سلس مع سير عمل Ultralytics: يندمج تصدير نماذج YOLO لنشرها على Metis بسلاسة في حزمة Python من Ultralytics، ما يبسّط الانتقال من التدريب إلى الاستدلال.
• دعم مهام متعددة للرؤية الحاسوبية: يمكنك نشر نماذج لاكتشاف الأجسام وتقدير الوضعيات والتقسيم والتصنيف وغير ذلك عبر YOLOv8 وYOLO11 وYOLO26.
• تشغيل النماذج بالتوازي: صُممت وحدات Metis AIPU بأربعة أنوية قابلة للبرمجة بشكل مستقل، ويمكنها تشغيل أربعة نماذج منفصلة بالتوازي لتلبية احتياجاتك.
• قابلية التوسع في تطبيقات الذكاء الاصطناعي على الحافة: من تحليلات متاجر التجزئة والفحص الصناعي إلى الروبوتات والبنية التحتية الذكية، يدعم التكامل مجموعة واسعة من حالات الاستخدام في العالم الحقيقي.

أبرز النقاط#

تسهّل نماذج Ultralytics YOLO ووحدات Metis AIPU من Axelera AI توفير رؤية حاسوبية عالية الأداء على الحافة. ومن خلال تبسيط النشر وتحسين النماذج للأجهزة المتخصصة، يساعد هذا التكامل على سد الفجوة بين التطوير وتطبيقات العالم الحقيقي.

مع استمرار نمو الذكاء الاصطناعي على الحافة، ستكون خيارات النشر الفعّالة والقابلة للتوسع أساسية لبناء أنظمة سريعة الاستجابة وموثوقة. ويُعد هذا التعاون خطوة نحو إتاحة الذكاء الاصطناعي المتقدم للرؤية على نطاق أوسع في مختلف القطاعات.

هل ترغب في معرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودع GitHub، وتواصل مع مجتمعنا، واطّلع على خيارات الترخيص للبدء بمشروعك في الرؤية الحاسوبية. تعرّف على كيفية إسهام الابتكارات، مثل الذكاء الاصطناعي في متاجر التجزئة والرؤية الحاسوبية في الرعاية الصحية، في تشكيل المستقبل.