جلب نماذج Ultralytics YOLO إلى أجهزة Axelera AI للذكاء الاصطناعي الطرفي

في Ultralytics، نشهد تحولاً متزايداً نحو تشغيل computer vision models مباشرة على الأجهزة الطرفية مع اعتماد الذكاء الاصطناعي بشكل أكبر. وفي محادثاتنا مع مجتمع الرؤية الحاسوبية، سواء عبر الإنترنت أو شخصياً في مؤتمرات التقنية الأخيرة، لاحظ فريقنا اهتماماً متزايداً بن نشر ذكاء الرؤية بالقرب من مكان توليد البيانات.

بدءاً من بيئات التجزئة الذكية والأتمتة الصناعية وصولاً إلى الروبوتات، أصبحت الرؤى الفورية ضرورة ملحة، ولم يعد الاعتماد على السحابة وحدها كافياً بعد الآن.

ببساطة، يتضمن edge AI تشغيل نماذج الذكاء الاصطناعي محلياً على الأجهزة بدلاً من إرسال البيانات إلى خوادم مركزية معالجة. وهذا يجعل من الممكن تقليل زمن الوصول، وتحسين موثوقية، والاستجابة للأحداث الواقعية في الوقت الفعلي.

ومع ذلك، فإن نشر نماذج عالية الأداء في هذه البيئات يأتي مع تحدياته الخاصة، حيث تتطلب الموارد الحسابية المحدودة وقيود الطاقة أن تكون النماذج فعالة ومُحسَّنة للعتاد الذي تعمل عليه.

تم تصميم نماذج Ultralytics YOLO مثل Ultralytics YOLO26 للرؤية الحاسوبية في الوقت الفعلي، لكن إطلاق العنان لإمكاناتها الكاملة على الحافة يتطلب التجميع المناسب بين البرامج والأجهزة. ولهذا السبب نحن متحمسون لإعلان تعاوننا مع Axelera AI.

لقد عقدنا شراكة مع Axelera AI لتقديم تكامل تصدير مُحدَّث، مما يتيح نشر نماذج Ultralytics YOLO بكفاءة وأداء عالٍ على Metis® AI Processing Units (AIPUs).

الشكل 1. نظرة على وحدة معالجة الذكاء الاصطناعي Metis (المصدر)

في هذه المقالة، سنستكشف كيف يمكن تجميع نماذج Ultralytics YOLO بسهولة للنشر على Metis. فلنبدأ!

الذكاء الاصطناعي على الحافة هو مستقبل الرؤية الحاسوبية#

مع استمرار تطور تطبيقات الرؤية الحاسوبية، أصبحت الحاجة إلى معالجة أسرع وأكثر كفاءة أمراً بالغ الأهمية بشكل متزايد. يمكن للأساليب التقليدية القائمة على السحابة أن تؤدي إلى زمن وصول، وتعتمد على اتصال مستقر، وقد لا تلبي متطلبات الوقت الفعلي للعديد من حالات استخدام الرؤية الذكية.

يعالج الذكاء الاصطناعي الطرفي هذه التحديات من خلال تمكين النماذج من العمل مباشرة على الأجهزة المحلية، مما يسمح بمعالجة البيانات بالقرب من مصدرها. على سبيل المثال، ضع في اعتبارك vision-powered drones المستخدمة في عمليات البحث والإنقاذ.

تحتاج هذه الأنظمة إلى تحليل خلاصات الفيديو في الوقت الفعلي للكشف عن الأشخاص أو العوائق أو المخاطر، غالباً في مناطق نائية ذات اتصال محدود بالإنترنت أو بدون اتصال. من خلال تشغيل نماذج الرؤية الحاسوبية مباشرة على الطائرة بدون طيار، يُمكِّن الذكاء الاصطناعي على الحافة من اتخاذ قرارات أسرع وأداء أكثر موثوقية دون الاعتماد على البنية التحتية السحابية.

يفتح هذا التحول إمكانات جديدة عبر مختلف الصناعات. تطبيقات مثل الكشف عن الأشياء في الوقت الفعلي في التجزئة، وفحص الجودة الآلي في التصنيع، والإدراك في الروبوتات، كلها تستفيد من أوقات استجابة أسرع وموثوقية أكبر.

أصبح الذكاء الاصطناعي على الحافة سريعاً عاملاً رئيسياً لنشر أنظمة رؤية حاسوبية قابلة للتوسع والاستجابة في بيئات العالم الحقيقي.

استكشاف وحدات معالجة الذكاء الاصطناعي Metis من Axelera AI#

قبل الغوص في تكامل التصدير الجديد، دعنا نأخذ خطوة للوراء ونعرف المزيد عن وحدات Metis AI Processing Units التابعة لشركة Axelera AI والدور الذي تلعبه في تمكين الذكاء الاصطناعي الطرفي الفعال.

تطور Axelera AI عتاداً مخصصاً مصمماً تحديداً لتسريع استدلال الذكاء الاصطناعي عند الحافة. جزء رئيسي من هذا هو Metis AIPU، أو وحدة معالجة الذكاء الاصطناعي، وهو معالج متخصص مبني لتشغيل الشبكات العصبية بكفاءة على أجهزة الحافة.

على عكس وحدات المعالجة المركزية (CPUs) للأغراض العامة أو حتى وحدات معالجة الرسومات (GPUs)، تم تصميم AIPUs للتعامل مع الأنماط الحسابية المحددة لأعباء عمل الذكاء الاصطناعي. وهذا يتيح لها تقديم أداء عالٍ مع الحفاظ على استهلاك منخفض للطاقة، وهو أمر بالغ الأهمية لبيئات الحافة حيث غالباً ما تكون الموارد محدودة.

ما يجعل نهج Axelera AI مبتكراً بشكل خاص هو تصميمها الكامل. صُممت Metis باستخدام الحوسبة الرقمية داخل الذاكرة (D-IMC) ومعمارية RISC-V لأداء عالٍ مع كفاءة في الطاقة التي تتطلبها حوسبة الحافة. يمكن برمجة أنوية Metis الأربعة بشكل مستقل، مما يعني أنه يمكنك تشغيل أربعة نماذج لكل شريحة بالتوازي. بالإضافة إلى العتاد، يتضمن Voyager SDK مترجماً وبيئة تشغيل يعملان معاً لتحسين النماذج للنشر.

هذا يُمكِّن المطورين من الانتقال من النماذج المدربة إلى الاستدلال الجاهز للإنتاج بكفاءة أكبر. وتحديداً، تجعل Metis AIPUs من الممكن تشغيل نماذج رؤية حاسوبية متقدمة، مثل نماذج Ultralytics YOLO، مباشرة على أجهزة الحافة بدءاً من بيئات المؤسسات والتجزئة والرعاية الصحية والتصنيع، وصولاً إلى المعدات الزراعية والصناعية والأقمار الصناعية.

تصدير نماذج Ultralytics YOLO للنشر على Metis#

توفر Ultralytics Python package واجهة موحدة لتدريب وتقييم ونشر نماذج YOLO عبر مجموعة من مهام الرؤية الحاسوبية. عادةً ما يتم تطوير وتدريب نماذج YOLO باستخدام PyTorch، وهي مناسبة تماماً للتجارب وتطوير النماذج.

ومع ذلك، عند نشر هذه النماذج على أجهزة طرفية متخصصة، يجب تحويلها إلى تنسيق مُحسَّن للجهاز المستهدف. وهنا يأتي دور export integrations المدعومة بواسطة حزمة Ultralytics Python.

توفر Ultralytics مجموعة من خيارات التصدير التي تسمح بتحويل نماذج YOLO إلى تنسيقات مختلفة اعتماداً على هدف النشر، مثل ONNX وTensorRT وغيرها من الواجهات الخلفية الخاصة بالعتاد. تعمل هذه التكاملات على تبسيط عملية إعداد النماذج لتطبيقات العالم الحقيقي من خلال التعامل مع خطوات التحسين والتحويل الضرورية.

بناءً على ذلك، قدمت Ultralytics عملية تصدير محدثة integration with Axelera AI، مما يتيح تصدير نماذج YOLO للنشر على وحدات Metis AIPUs.

أثناء التصدير، يتم تجميع النموذج وتكميمه (quantization) إلى تمثيل مُحسَّن مصمم خصيصاً لعتاد Axelera. تنتج هذه العملية نموذجاً مجمعاً بتنسيق ".axm"، بالإضافة إلى البيانات الوصفية المطلوبة للنشر والاستدلال.

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

يدعم التكامل مجموعة واسعة من مهام الرؤية الحاسوبية عبر نماذج Ultralytics YOLOv8، وUltralytics YOLO11، وUltralytics YOLO26، بما في ذلك اكتشاف الكائنات، تقدير الوضعية، تجزئة الحالات، اكتشاف مربع التحديد الموجه (OBB)، وتصنيف الصور. بينما يتم دعم معظم المهام مباشرة من خلال سير عمل التصدير، يمكن استخدام تجزئة YOLO26 عبر model zoo مع Voyager SDK.

يمنح هذا الدعم الموسع المطورين المرونة لنشر أنواع مختلفة من نماذج الرؤية اعتماداً على تطبيقهم، بدءاً من كشف الأشياء في الوقت الفعلي وصولاً إلى فهم المشاهد، وتتبع الحركة، وتحليل البيانات البصرية المعقدة.

بمجرد التصدير، يمكن نشر النماذج وتشغيلها دون الاعتماد على PyTorch في وقت الاستدلال. بدلاً من ذلك، يتم تنفيذها باستخدام بيئة تشغيل Voyager SDK، التي تدعم بناء خطوط معالجة متكاملة لمهام مثل معالجة الفيديو، والكشف الفوري، والتتبع مباشرة على أجهزة الحافة.

البدء في تصدير نماذج Ultralytics YOLO#

الآن بعد أن أصبح لدينا فهم أفضل لتكامل التصدير الجديد، دعونا نمر عبر كيفية تصدير نماذج Ultralytics YOLO إلى هذا التنسيق المخصص وتشغيلها على عتاد Metis عند الحافة.

الخطوة 1: تثبيت حزمة Ultralytics Python#

للبدء، ستحتاج أولاً إلى تثبيت حزمة Python من Ultralytics. إنها توفر واجهة بسيطة ومتسقة لتدريب وتقييم وتصدير نماذج YOLO.

يمكنك تثبيتها باستخدام pip عن طريق تشغيل الأمر التالي في Terminal أو Command Prompt:

pip install ultralytics

إذا واجهت أي مشكلات أثناء التثبيت أو التصدير، فإن Ultralytics documentation الرسمية ودليل Common Issues guide هما مصادر ممتازة لحل المشكلات.

الخطوة 2: تثبيت برامج تشغيل Axelera وVoyager SDK#

لتصدير النماذج وتشغيلها على عتاد Axelera، ستحتاج أيضاً إلى تثبيت برامج تشغيل Axelera وVoyager SDK. تتيح هذه الخطوة الاتصال بـ Metis AIPU وتوفر أدوات بيئة التشغيل والمترجم المطلوبة.

يجب تنفيذ الخطوات أدناه في بيئة Linux مع إمكانية الوصول إلى عتاد Axelera AI Metis. افتح Terminal على نظامك، أو استخدم خلية دفتر ملاحظات إذا كنت تقوم بتشغيل Jupyter Notebook على إعداد محلي متوافق، وقم بتنفيذ 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، 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 Voyager SDK وتحميل برنامج تشغيل Metis كما يلي:

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

بمجرد اكتمال هذه الخطوات، سيكون نظامك جاهزاً لتصدير وتشغيل نماذج Ultralytics YOLO على أجهزة Axelera AI Metis.

الخطوة 3: تصدير نماذج Ultralytics YOLO#

بمجرد تثبيت حزمة Ultralytics، يمكنك تحميل نموذج YOLO الخاص بك وتصديره كحزمة مجمعة لـ Metis. تحول هذه العملية النموذج إلى تنسيق مُحسَّن للنشر على عتاد Axelera AI Metis.

في المثال أدناه، نستخدم نموذج YOLO26 نانو مُدرب مسبقاً ونقوم بتصديره لـ Metis. سيتم حفظ النموذج المُصدَّر في دليل يسمى "/yolo26n_axelera_model".

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

model.export(format="axelera")

الخطوة 4: تشغيل الاستدلال بالنموذج المُصدَّر#

بعد تصدير النموذج، يمكنك تحميله وتشغيل الاستدلال على صور أو تدفقات فيديو غير مرئية من قبل. هذا يتيح مهام الرؤية الحاسوبية الفورية مباشرة على أجهزة Axelera AI Metis.

على سبيل المثال، يوضح مقتطف الكود أدناه كيفية تحميل النموذج المُصدَّر وتشغيل الاستدلال على رابط URL متاح للجمهور.

axelera_model = YOLO("yolo26n_axelera_model")

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

في هذه الحالة، يقوم النموذج بتحليل صورة الإدخال واكتشاف الأشياء، وحفظ النتائج في دليل "runs/detect/predict".

أين يمكن أن تُحدث نماذج Ultralytics YOLO وعتاد Axelera AI تأثيراً#

بعد ذلك، دعونا نناقش بعض تطبيقات الذكاء الاصطناعي على الحافة الشائعة حيث يمكن نشر نماذج Ultralytics YOLO على عتاد Axelera AI في سيناريوهات العالم الحقيقي.

صُممت وحدات Metis AIPU من Axelera AI لمجموعة من بيئات النشر، بدءاً من الأنظمة المدمجة وأجهزة الكمبيوتر الصناعية وصولاً إلى الروبوتات وخوادم الحافة. بفضل الاستدلال عالي الأداء والموفر للطاقة، فهي تمكِّن تطبيقات الرؤية الحاسوبية من العمل مباشرة على الجهاز عبر مختلف الصناعات. يتضمن Voyager SDK أيضاً أداة إنشاء خطوط معالجة (pipeline builder) لمهندسي تعلم الآلة والتطبيقات لجعل النماذج جاهزة للإنتاج على الحافة.

أنظمة الرؤية الذكية في التجزئة التي تعمل عند الحافة#

في بيئات التجزئة، يمكن أن يحدث فهم سلوك العميل في الوقت الفعلي فرقاً كبيراً.

باستخدام نماذج Ultralytics YOLO التي تعمل على عتاد Axelera AI، يمكن للمتاجر مراقبة حركة المشاة، وعد الأشخاص، وتحليل أنماط الحركة داخل المتجر فور حدوثها. نظراً لأن كل شيء يعمل على الجهاز، يمكن توليد الرؤى فوراً دون الاعتماد على اتصال سحابي، مما يساعد الفرق على الاستجابة بشكل أسرع مع الحفاظ على خصوصية البيانات.

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

استخدام الذكاء الاصطناعي على الحافة لفحص المرافق والبنية التحتية#

تعد صيانة البنية التحتية واسعة النطاق مثل خطوط الطاقة أمراً معقداً ومكثفاً للموارد. غالباً ما تمتد هذه الشبكات لمسافات شاسعة، مما يجعل عمليات الفحص تستغرق وقتاً طويلاً ومكلفة وربما خطيرة. عندما تمر الأعطال أو العلامات المبكرة للتآكل دون اكتشاف، يمكن أن تتصاعد إلى انقطاعات أو تلف في المعدات أو مخاطر تتعلق بالسلامة.

يتم استخدام الطائرات بدون طيار بشكل متزايد لتحسين كفاءة الفحص. يمكنها تغطية مسافات طويلة، والوصول إلى المناطق التي يصعب الوصول إليها، والتقاط صور عالية الدقة للأصول المهمة.

يؤدي الجمع بين الطائرات بدون طيار والذكاء الاصطناعي على الحافة إلى تعزيز سير العمل هذا بشكل أكبر. تمكِّن نماذج Ultralytics YOLO التي تعمل على عتاد Axelera AI من إجراء تحليل في الوقت الفعلي أثناء عمليات الفحص، وتحديد الأعطال، وتصنيف المكونات، واكتشاف الشذوذ في الموقع. هذا يقلل من الحاجة إلى المراجعة اليدوية ويدعم مراقبة أكثر سرعة وموثوقية للبنية التحتية.

الشكل 4. اكتشاف الأجزاء المختلفة لخط الكهرباء باستخدام Ultralytics YOLO26

تعزيز الروبوتات برؤى رؤية الذكاء الاصطناعي الفورية#

بالنسبة للروبوتات، تعد السرعة والاستجابة أمراً بالغ الأهمية. سواء كانت تتنقل في مستودع أو تعمل في بيئات صناعية ديناميكية، تحتاج الروبوتات إلى تفسير محيطها فوراً.

تُمكِّن نماذج Ultralytics YOLO التي تعمل على عتاد Axelera AI الروبوتات من تفسير محيطها في الوقت الفعلي، بدءاً من اكتشاف العوائق وصولاً إلى تتبع الأشخاص وتحديد الأشياء. هذا يسمح للأنظمة بالتحرك بأمان أكبر، والتكيف مع الظروف الديناميكية، والعمل بمزيد من الاستقلالية دون الاعتماد على اتصال سحابي مستمر.

الفوائد الرئيسية لتشغيل نماذج Ultralytics YOLO على Metis AIPUs#

إليك بعض المزايا الرئيسية لنشر نماذج Ultralytics YOLO على عتاد Metis من Axelera AI باستخدام التكامل الجديد:

• تكامل سلس مع سير عمل Ultralytics: يتناسب تصدير نماذج YOLO للنشر على Metis بشكل طبيعي مع حزمة Python من Ultralytics، مما يبسّط الانتقال من التدريب إلى الاستدلال.
• دعم مهام الرؤية الحاسوبية المتعددة: يمكنك نشر نماذج لكشف الأشياء، وتقدير الوضعية، والتجزئة، والتصنيف، والمزيد عبر YOLOv8 وYOLO11 وYOLO26.
• تشغيل النماذج بالتوازي: صُممت Metis AIPUs بأربعة أنوية قابلة للبرمجة بشكل مستقل قادرة على تشغيل أربعة نماذج منفصلة بالتوازي لتلبية احتياجاتك.
• قابلة للتوسع عبر تطبيقات الذكاء الاصطناعي على الحافة: من تحليلات التجزئة والفحص الصناعي إلى الروبوتات والبنية التحتية الذكية، يدعم التكامل مجموعة واسعة من حالات الاستخدام في العالم الحقيقي.

أبرز النقاط#

تجعل نماذج Ultralytics YOLO ووحدات Metis AIPU من Axelera AI من الأسهل جلب رؤية حاسوبية عالية الأداء إلى الحافة. من خلال تبسيط النشر وتحسين النماذج للعتاد المتخصص، يساعد هذا التكامل في سد الفجوة بين التطوير وتطبيقات العالم الحقيقي.

مع استمرار نمو الذكاء الاصطناعي على الحافة، سيكون امتلاك خيارات نشر فعالة وقابلة للتوسع أمراً أساسياً لبناء أنظمة سريعة الاستجابة وموثوقة. هذا التعاون هو خطوة نحو جعل رؤية الذكاء الاصطناعي المتقدمة أكثر سهولة في الوصول عبر مختلف الصناعات.

هل تريد معرفة المزيد حول الذكاء الاصطناعي؟ استكشف GitHub repository، وتواصل مع our community، وراجع our licensing options لبدء مشروع الرؤية الحاسوبية الخاص بك. اكتشف كيف تشكل الابتكارات مثل AI in retail وcomputer vision in healthcare المستقبل.