إتاحة نماذج Ultralytics YOLO للعمل على أجهزة Axelera AI للذكاء الاصطناعي الطرفي

في Ultralytics، نلاحظ تزايد الإقبال على تشغيل نماذج الرؤية الحاسوبية مباشرةً على الأجهزة الطرفية مع انتشار استخدام الذكاء الاصطناعي. ومن خلال نقاشاتنا مع مجتمع الرؤية الحاسوبية، عبر الإنترنت وخلال حضورنا الشخصي لمؤتمرات تقنية حديثة، لاحظ فريقنا تزايد الاهتمام بنشر الذكاء الاصطناعي للرؤية بالقرب من مصادر البيانات.

من بيئات البيع بالتجزئة الذكية والأتمتة الصناعية إلى الروبوتات، أصبحت الرؤى الفورية ضرورية، ولم يعد الاعتماد على السحابة وحدها كافيًا.

ببساطة، يتضمن الذكاء الاصطناعي الطرفي تشغيل نماذج الذكاء الاصطناعي محليًا على الأجهزة بدلًا من إرسال البيانات إلى خوادم مركزية لمعالجتها. ويتيح ذلك خفض زمن الاستجابة وتحسين الموثوقية والاستجابة للأحداث الواقعية في الوقت الفعلي.

لكن نشر نماذج عالية الأداء في هذه البيئات ينطوي على تحديات خاصة، إذ تفرض محدودية موارد الحوسبة والقيود المتعلقة بالطاقة أن تكون النماذج فعالة ومحسّنة للعمل على الأجهزة المستهدفة.

صُممت نماذج Ultralytics YOLO، مثل Ultralytics YOLO26، للرؤية الحاسوبية في الوقت الفعلي، لكن الاستفادة الكاملة من إمكاناتها على الأجهزة الطرفية 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 من Metis® (AIPUs).

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

في هذا المقال، سنستكشف كيفية تجميع نماذج Ultralytics YOLO لتشغيلها على Metis.

الذكاء الاصطناعي الطرفي 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 زمن استجابة مرتفع، وتعتمد على اتصال مستقر، وقد لا تفي بمتطلبات الوقت الفعلي في العديد من حالات استخدام الرؤية الذكية.

يعالج الذكاء الاصطناعي الطرفي هذه التحديات من خلال تمكين تشغيل النماذج مباشرةً على الأجهزة المحلية، ما يسمح بمعالجة البيانات بالقرب من مصدرها. على سبيل المثال، خذ الطائرات المسيّرة المزودة بقدرات الرؤية المستخدمة 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 الطرفي اتخاذ قرارات أسرع وأداءً أكثر موثوقية دون الاعتماد على البنية التحتية السحابية.

يفتح هذا التحول آفاقًا جديدة في مختلف القطاعات. فتطبيقات مثل الكشف عن الأجسام في متاجر البيع بالتجزئة في الوقت الفعلي، وفحص الجودة آليًا في التصنيع، والإدراك في الروبوتات، تستفيد جميعها من سرعة الاستجابة والموثوقية الأعلى.

أصبح الذكاء الاصطناعي الطرفي بسرعة عاملًا أساسيًا لنشر أنظمة رؤية حاسوبية قابلة للتوسع وسريعة الاستجابة في بيئات العالم الحقيقي.

استكشاف وحدات معالجة الذكاء الاصطناعي Metis من Axelera AI#

قبل الخوض في تكامل التصدير الجديد، لنرجع خطوة إلى الوراء ونتعرف أكثر على وحدات معالجة الذكاء الاصطناعي Metis من Axelera AI والدور الذي تؤديه في تمكين الذكاء الاصطناعي الطرفي بكفاءة.

تطوّر Axelera AI أجهزة مصممة خصيصًا لتسريع استدلال الذكاء الاصطناعي على الأجهزة الطرفية. ومن المكونات الرئيسية لهذه الأجهزة وحدة Metis AIPU، أو وحدة معالجة الذكاء الاصطناعي، وهي معالج متخصص صُمم لتشغيل الشبكات العصبية بكفاءة على الأجهزة الطرفية.

على خلاف وحدات المعالجة المركزية (CPUs) أو حتى وحدات معالجة الرسومات (GPUs) ذات الأغراض العامة، صُممت وحدات AIPU للتعامل مع أنماط الحوسبة المحددة لأحمال عمل الذكاء الاصطناعي. وهذا يتيح لها تقديم أداء عالٍ مع الحفاظ على استهلاك منخفض للطاقة، وهو أمر بالغ الأهمية في البيئات الطرفية حيث تكون الموارد محدودة غالبًا.

ما يميز نهج Axelera AI هو تصميمه المتكامل. فقد صُمم Metis باستخدام الحوسبة الرقمية داخل الذاكرة (D-IMC) ومعمارية RISC-V لتحقيق أداء عالٍ مع كفاءة في استهلاك الطاقة تتناسب مع متطلبات الحوسبة الطرفية. ويمكن برمجة أنوية Metis الأربعة كلٌ على حدة، ما يعني إمكانية تشغيل أربعة نماذج بالتوازي على الشريحة الواحدة. وإلى جانب الأجهزة، تتضمن حزمة Voyager SDK مُصرّفًا 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 الرؤية الحاسوبية المتقدمة، مثل نماذج Ultralytics YOLO، مباشرةً على الأجهزة الطرفية في قطاعات المؤسسات والبيع بالتجزئة والرعاية الصحية والتصنيع، وكذلك في الزراعة والمعدات الصناعية والأقمار الصناعية.

تصدير نماذج Ultralytics YOLO للنشر على Metis#

توفر حزمة Python من Ultralytics واجهة موحدة لتدريب نماذج YOLO وتقييمها ونشرها في مجموعة من مهام الرؤية الحاسوبية. وعادةً ما تُطوّر نماذج YOLO وتُدرّب باستخدام PyTorch، الملائم تمامًا للتجريب وتطوير النماذج.

لكن عند نشر هذه النماذج على أجهزة طرفية متخصصة، يجب 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 وأنظمة الواجهة الخلفية الأخرى الخاصة بالأجهزة. وتبسط هذه التكاملات تجهيز النماذج لتطبيقات العالم الحقيقي عبر تولي خطوات التحسين والتحويل اللازمة.

استكمالًا لذلك، قدمت Ultralytics تكامل تصدير محدّثًا مع Axelera AI، يتيح تصدير نماذج YOLO لنشرها على وحدات Metis AIPU.

أثناء التصدير، يُجمّع النموذج وتُكمَّم قيمه 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 نماذج Ultralytics YOLOv8 وUltralytics YOLO11 وUltralytics YOLO26، بما فيها اكتشاف الكائنات وتقسيم المثيلات وتصنيف الصور وتقدير الوضعية واكتشاف مربعات الإحاطة الموجّهة (OBB). وتتيح الإصدارات الحالية تصدير جميع مهام Ultralytics مباشرةً، بما فيها التقسيم الدلالي وتقدير العمق في YOLO26؛ راجع المهام المدعومة للتفاصيل. كما تضم حديقة نماذج Voyager SDK نماذج YOLO جاهزة للتشغيل.

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 التصدير، يمكن نشر النماذج وتشغيلها دون الاعتماد على PyTorch أثناء الاستدلال. وبدلًا من ذلك، تُنفّذ باستخدام بيئة تشغيل Voyager SDK، التي تدعم إنشاء مسارات معالجة متكاملة لمهام مثل معالجة الفيديو والكشف والتتبع في الوقت الفعلي مباشرةً على الأجهزة الطرفية.

البدء بتصدير نماذج Ultralytics YOLO#

بعد أن أصبح لدينا فهم أفضل لتكامل التصدير الجديد، لنتناول 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. وهي توفر واجهة بسيطة ومتسقة لتدريب نماذج YOLO وتقييمها وتصديرها.

يمكنك تثبيتها باستخدام pip عبر تنفيذ 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 موردين 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، وتوفر أدوات بيئة التشغيل والمترجم المطلوبة.

يجب تنفيذ الخطوات أدناه في بيئة Linux لديها 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
sudo modprobe metis

بعد إتمام 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 لـ Metis. تحوّل هذه العملية النموذج إلى تنسيق محسّن للنشر على أجهزة Metis من Axelera AI.

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

model.export(format="axelera")

الخطوة 4: تشغيل الاستدلال باستخدام النموذج المصدّر#

بعد تصدير النموذج، يمكنك تحميله وتشغيل الاستدلال على صور لم يسبق للنموذج رؤيتها أو على تدفقات الفيديو. ويتيح ذلك تنفيذ مهام الرؤية الحاسوبية في الوقت الفعلي مباشرةً على أجهزة Metis من Axelera AI.

على سبيل المثال، يوضح مقتطف الشيفرة أدناه كيفية تحميل النموذج المصدّر وتشغيل 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 الدليل "runs/detect/predict".

مجالات تأثير أجهزة Ultralytics YOLO وAxelera AI#

بعد ذلك، لنتناول بعض تطبيقات الذكاء الاصطناعي الطرفي الشائعة التي يمكن فيها نشر نماذج Ultralytics YOLO على أجهزة Axelera AI ضمن سيناريوهات العالم الحقيقي.

صُممت وحدات AIPU من Metis التابعة لـ Axelera AI لمجموعة من بيئات النشر، بدءًا من الأنظمة المضمنة وأجهزة الكمبيوتر الصناعية وصولًا إلى الروبوتات والخوادم الطرفية. وبفضل الاستدلال عالي الأداء والموفر للطاقة، تتيح هذه الوحدات تشغيل تطبيقات الرؤية الحاسوبية مباشرةً على الجهاز في مختلف القطاعات. كما تتضمن Voyager SDK أداة إنشاء خطوط معالجة تساعد مهندسي التعلم الآلي والتطبيقات على تحويل النماذج إلى منتجات للحوسبة الطرفية.

أنظمة الرؤية الذكية الطرفية في متاجر البيع بالتجزئة#

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

باستخدام نماذج Ultralytics YOLO التي تعمل على أجهزة Axelera AI، يمكن للمتاجر مراقبة حركة الزوار وعدّ الأشخاص وتحليل أنماط تنقلهم داخل المتجر لحظة وقوعها. وبما أن كل شيء يعمل على الجهاز نفسه، يمكن توليد الرؤى فورًا 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 الطرفي لفحص المرافق والبنية التحتية#

إن صيانة البنية التحتية واسعة النطاق، مثل خطوط الكهرباء، عملية معقدة وتتطلب موارد كثيرة. وغالبًا ما تمتد هذه الشبكات لمسافات شاسعة، ما يجعل فحصها مستهلكًا للوقت ومكلفًا وقد ينطوي على مخاطر. وعندما لا تُكتشف الأعطال أو العلامات المبكرة للتآكل، فقد تتفاقم لتؤدي إلى انقطاع الخدمة أو تلف المعدات أو مخاطر تتعلق بالسلامة.

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

يعزز الجمع بين الطائرات المسيّرة والذكاء الاصطناعي الطرفي هذه الإجراءات بدرجة أكبر. تتيح نماذج Ultralytics YOLO التي تعمل على أجهزة Axelera AI إجراء التحليل في الوقت الفعلي أثناء عمليات الفحص، وتحديد الأعطال وتصنيف المكوّنات واكتشاف الحالات الشاذة في الموقع. ويقلل ذلك الحاجة إلى المراجعة اليدوية ويدعم مراقبة البنية التحتية بسرعة أكبر وموثوقية أعلى.

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

تعزيز الروبوتات برؤى الذكاء الاصطناعي البصري في الوقت الفعلي#

تُعد السرعة والاستجابة عاملين حاسمين في مجال الروبوتات. سواء أكانت الروبوتات تتنقل في مستودع أم تعمل في بيئات صناعية متغيرة، فهي بحاجة إلى تفسير محيطها فورًا.

تتيح نماذج Ultralytics YOLO التي تعمل على أجهزة Axelera AI للروبوتات تفسير محيطها في الوقت الفعلي، بدءًا من اكتشاف العوائق ووصولًا إلى تتبع الأشخاص والتعرّف على العناصر. وهذا يمكّن الأنظمة من التحرك بأمان أكبر، والتكيف مع الظروف المتغيرة، والعمل باستقلالية أكبر من دون الاعتماد على اتصال دائم بالسحابة.

المزايا الرئيسية لتشغيل نماذج Ultralytics YOLO على وحدات AIPU من Metis#

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

• التكامل مع سير عمل Ultralytics: يندمج تصدير نماذج YOLO للنشر على Metis بسلاسة في حزمة Ultralytics Python، ما يبسّط الانتقال من التدريب إلى الاستدلال.
• دعم مهام متعددة للرؤية الحاسوبية: يمكنك نشر نماذج لاكتشاف الكائنات والتقسيم والتصنيف وتقدير الوضعية وغيرها عبر YOLOv8 وYOLO11 وYOLO26.
• تشغيل النماذج بالتوازي: صُممت وحدات AIPU من Metis بأربع نوى قابلة للبرمجة بشكل مستقل، ويمكنها تشغيل أربعة نماذج منفصلة بالتوازي لتلبية احتياجاتك.
• قابلية التوسع عبر تطبيقات الذكاء الاصطناعي الطرفي: يدعم هذا التكامل طيفًا واسعًا من حالات الاستخدام في العالم الحقيقي، من تحليلات قطاع التجزئة والفحص الصناعي إلى الروبوتات والبنية التحتية الذكية.

أبرز النقاط#

تسهّل نماذج Ultralytics YOLO ووحدات AIPU من Metis التابعة لـ Axelera AI توفير إمكانات الرؤية الحاسوبية عالية الأداء على الأجهزة الطرفية. ومن خلال تبسيط النشر وتحسين النماذج لتناسب الأجهزة المتخصصة، يساعد هذا التكامل على سد الفجوة بين التطوير والتطبيقات في العالم الحقيقي.

مع استمرار نمو الذكاء الاصطناعي الطرفي، ستغدو خيارات النشر الفعّالة والقابلة للتوسع أساسية لبناء أنظمة سريعة الاستجابة وموثوقة. ويمثل هذا التعاون خطوة نحو إتاحة الذكاء الاصطناعي البصري المتقدم على نطاق أوسع في مختلف القطاعات.

هل ترغب في معرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودع GitHub، وتواصل مع مجتمعنا، واطّلع على خيارات الترخيص لدينا لبدء مشروعك في الرؤية الحاسوبية. واكتشف كيف تسهم ابتكارات مثل الذكاء الاصطناعي في قطاع التجزئة والرؤية الحاسوبية في الرعاية الصحية في تشكيل المستقبل.