استخدام الحاويات عبر Docker لتبسيط نشر النماذج

يتضمن إنشاء حل للرؤية الحاسوبية خطوات أكثر من مجرد تدريب نموذج واختباره. في الواقع، تتمثل إحدى أكثر الجوانب إثارة في إنشاء النماذج المتطورة في رؤيتها تحقق تأثيرًا في البيئات الواقعية. ويؤدي استخدام Vision AI لحل المشكلات بطبيعته إلى نشر نماذج الرؤية الحاسوبية التي تطورها في بيئة الإنتاج.

يتضمن نشر النماذج خطوات متنوعة، منها تحسين النماذج لتحقيق الموثوقية وقابلية التوسع والأداء في مختلف الظروف. وتربط عملية النشر جيدة التنظيم بين تطوير النموذج وتحقيقه تأثيرًا ملموسًا يُحدث فرقًا.

غالبًا ما تتوفر تقنيات وخيارات متعددة عند نشر نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، ويعتمد اختيارها على التطبيق المحدد الذي تنشئه. فعلى سبيل المثال، يمكن لتقنيات مثل استخدام الحاويات تبسيط عملية النشر.

يساعد استخدام الحاويات على تجميع نموذج وتبعياته، مثل المكتبات وأطر العمل وملفات الإعداد، في وحدة واحدة مكتفية ذاتيًا تُسمى حاوية. ومن أكثر الطرق كفاءة وشيوعًا لتنفيذ ذلك استخدام Docker، وهي منصة مفتوحة المصدر تسهّل إنشاء التطبيقات المعبأة في حاويات وشحنها وتشغيلها.

سنستكشف في هذه المقالة كيف يعمل استخدام الحاويات وDocker على تبسيط نشر النماذج، بما يضمن قابلية التوسع والكفاءة بسلاسة في تطبيقات Vision AI الواقعية.

ما هو نشر النماذج؟#

نشر النماذج هو المرحلة النهائية من دورة حياة تعلّم الآلة، حيث يُنقل النموذج المُدرَّب إلى بيئة إنتاج لإجراء تنبؤات واقعية. ويُعد النشر الناجح جزءًا أساسيًا من ضمان أداء النموذج بشكل موثوق في الظروف العملية.

على سبيل المثال، لنتأمل نموذجًا للرؤية الحاسوبية مصممًا من أجل التعرّف على لوحات المركبات لتحصيل رسوم المرور آليًا. قد يحقق النموذج دقة عالية في بيئة مضبوطة باستخدام مجموعات بيانات موسومة جيدًا، لكن نشره على كاميرات مثبتة على جانب الطريق قد يؤدي إلى مشكلات في زمن الاستجابة بسبب عوامل مثل معالجة الصور عالية الدقة وتأخيرات الشبكة وقيود الأجهزة ومتطلبات الاستدلال في الوقت الفعلي.

قد تؤدي التنبؤات البطيئة إلى تأخير معالجة الرسوم أو حدوث ازدحام أو حتى تفويت عمليات الكشف. ويمكن لاستراتيجيات نشر النماذج المناسبة أن تساعد على تقليل زمن الاستجابة وتحسين الكفاءة ودعم الأداء الموثوق في التطبيقات الواقعية.

الشكل 1. كشف لوحات المركبات باستخدام Ultralytics YOLO11.

كذلك، هناك عدة اعتبارات ينبغي وضعها في الحسبان عند نشر النماذج. أحدها قابلية التوسع، إذ قد تؤدي النماذج أداءً جيدًا أثناء التدريب، لكنها قد تواجه صعوبة في التعامل مع البيانات واسعة النطاق.

ومنها أيضًا عدم تطابق البيئات، مثل اختلافات الأجهزة، عندما يُدرَّب النموذج على GPU عالية الأداء، ثم يُنشر على أجهزة ذات قدرة معالجة محدودة. وقد تؤدي هذه التناقضات في النشر إلى سلوك غير متوقع للنموذج. ويمكن استخدام حلول متقدمة مثل استخدام الحاويات لمعالجة هذه التحديات.

استخدام الحاويات#

يمكن تشبيه استخدام الحاويات بتعبئة صندوق الغداء الذي يحتوي على كل ما تحتاج إليه لتناول وجبة، مثل الطعام وأدوات المائدة والتوابل. ويمكنك تناول الطعام في أي مكان دون القلق بشأن العثور على مطبخ أو أدوات معينة.

وبالمثل، يعبّئ استخدام الحاويات نموذجًا مع جميع تبعياته، مثل المكتبات وأطر العمل وملفات الإعداد، في وحدة واحدة تُسمى حاوية. وتضمن هذه الحاويات تشغيل النموذج بصورة متسقة من خلال توفير التبعيات نفسها على أي نظام، بغض النظر عن البيئة الأساسية. وعلى خلاف الأجهزة الافتراضية التي تحمل أنظمة تشغيل كاملة، تتميز الحاويات بخفة الوزن وقابلية النقل، ما يجعلها بديلًا فعالًا.

الشكل 2. نظرة عامة على استخدام الحاويات.

فيما يلي بعض المزايا الرئيسية لاستخدام الحاويات:

• التحكم في الإصدارات: يتيح استخدام الحاويات تعايش إصدارات مختلفة من النموذج أو حزمة البرامج، مما يسمح بإجراء عمليات التراجع والتحديث بسهولة دون تعطيل أنظمة الإنتاج.
• الأمان: تعزل الحاويات التطبيقات عن النظام الأساسي، مما يقلل من مخاطر التعارضات والثغرات الأمنية والوصول غير المصرح به.
• النشر السريع: تتيح صور الحاويات المُعدّة مسبقًا عمليات نشر سريعة وقابلة للتكرار، مما يقلل وقت الإعداد ويحد من أخطاء النشر.

Docker: تبسيط استخدام الحاويات#

رغم أن استخدام الحاويات وسيلة رائعة لتشغيل التطبيقات في بيئات معزولة، فإن إعدادها قد يكون معقدًا. وهنا يأتي دور Docker. Docker هي منصة مفتوحة المصدر تبسّط إنشاء التطبيقات المعبأة في حاويات ونشرها وإدارتها.

توفر المنصة بيئة متسقة ومعزولة، إلى جانب الأدوات وأطر العمل اللازمة لاختبار النموذج. وتشتهر Docker تحديدًا بمنظومتها القوية وسهولة استخدامها. كما تجعل نشر نماذج الذكاء الاصطناعي أسهل عبر تبسيط العملية، والعمل بسلاسة مع المنصات السحابية، والسماح بتشغيل نماذج الذكاء الاصطناعي بكفاءة على الأجهزة الطرفية لتحقيق نتائج أسرع.

تستخدمها قطاعات عديدة بنشاط لنشر التطبيقات المعبأة في حاويات وإدارتها بكفاءة. ويتضمن نشر النماذج المستند إلى Docker عمومًا ثلاثة مكونات رئيسية:

• Dockerfile: ملف إعداد نصي يعمل كمخطط لإنشاء صورة Docker. ويحتوي على جميع التعليمات اللازمة، بما في ذلك الصورة الأساسية والتبعيات المطلوبة وإعدادات البيئة والأوامر اللازمة لتشغيل النموذج.

• صور Docker: ملفات حزم مُعدّة مسبقًا تتضمن كل ما يلزم لتنفيذ النموذج، مثل التعليمات البرمجية والمكتبات وبيئات التشغيل والتبعيات. وتضمن هذه الصور تشغيل النموذج بالإعداد نفسه على أي نظام.

• حاويات Docker: مثيلات قيد التشغيل من صور Docker توفر بيئة معزولة وآمنة لتنفيذ النموذج. ويمكن داخل هذه البيئة تدريب النموذج واختباره وضبطه بدقة دون التأثير في التطبيقات الأخرى أو النظام المضيف.

الشكل 3. فهم المكونات الرئيسية لـ Docker.

استكشاف تطبيق للرؤية الحاسوبية باستخدام Docker#

لنفترض أن مدينة ما تريد نشر نظام لمراقبة حركة المرور باستخدام الرؤية الحاسوبية لكشف المركبات وتصنيفها في الوقت الفعلي. قد يكون نشر هذا النظام في مواقع متعددة، لكل منها ظروف أجهزة وشبكات مختلفة، أمرًا صعبًا. وقد تؤدي مشكلات التوافق وتعارضات التبعيات والبيئات غير المتسقة إلى أداء غير موثوق.

باستخدام Docker، يمكن للمطورين تجميع نموذج الرؤية الحاسوبية بالكامل، مع تبعياته، مثل أطر عمل الذكاء الاصطناعي مثل TensorFlow والبرامج النصية المخصصة، في حاوية. ويضمن ذلك تشغيل النموذج بصورة متسقة عبر بيئات مختلفة، بدءًا من التطوير المحلي وصولًا إلى الخوادم المستندة إلى السحابة أو حتى الأجهزة الطرفية المثبتة على كاميرات المرور.

الشكل 4. كيفية عمل Docker.

على سبيل المثال، من خلال نشر نماذج الرؤية الحاسوبية المعبأة باستخدام Docker عند تقاطعات متعددة، يمكن للمدينة تحليل تدفق حركة المرور وكشف المخالفات وتحسين إشارات المرور. وبما أن Docker توفر بيئة موحدة في جميع المواقع، تصبح الصيانة أسهل، وتتم التحديثات بسلاسة، ويظل الأداء متسقًا.

نشر Ultralytics YOLO11 باستخدام Docker#

يمكن استخدام Ultralytics YOLO11، بفضل قدرته على تنفيذ مهام الرؤية الحاسوبية المعقدة، في قطاعات متنوعة مثل التصنيع والرعاية الصحية والقيادة الذاتية والزراعة.

فعلى سبيل المثال، يمكن لـ Ultralytics YOLO11 معالجة تدفقات الفيديو في تطبيقات اللياقة البدنية لتتبع تمارين مثل تمارين الضغط باستخدام تقدير الوضعية. ومن خلال كشف حركات الجسم وعدّ التكرارات في الوقت الفعلي، يساعد النموذج على تحسين تتبع التمارين وتحليل الأداء.

الشكل 5. مراقبة تمرين باستخدام Ultralytics YOLO11.

إذا أردنا نشر مثل هذا النموذج في تطبيقات واقعية، فعلينا إدارة التبعيات وتحسين الأجهزة وضمان أداء متسق عبر البيئات المختلفة. ويبسّط استخدام Docker هذه العملية من خلال تجميع Ultralytics YOLO11 مع جميع المكتبات وملفات الإعداد اللازمة، مما يجعل النشر أكثر كفاءة وقابلية للتوسع وموثوقية.

فيما يلي لمحة سريعة عن فوائد نشر Ultralytics YOLO11 باستخدام Docker:

• تبسيط الصيانة: تبسّط Docker عملية تحديث Ultralytics YOLO11 وتبعياته وصيانتها. ويمكن تطبيق التحديثات على صورة الحاوية دون التأثير في النظام المضيف، مما يضمن إدارة النماذج بسلاسة وكفاءة.
• تبسيط التعاون: يمكن للمطورين والباحثين مشاركة حاويات Docker المُعدّة مسبقًا بسهولة، مما يضمن عمل الفرق في البيئة نفسها وتجنب مشكلات التوافق.
• كفاءة الموارد: على خلاف الأجهزة الافتراضية التقليدية، تشارك حاويات Docker نظام التشغيل المضيف، مما يقلل الحمل الزائد ويحسن استخدام الموارد، وهو أمر بالغ الأهمية لمهام الاستدلال في الوقت الفعلي.

تطبيقات Ultralytics YOLO11 التي يمكن نشرها باستخدام Docker#

لنستعرض بعض الأمثلة على تطبيقات الرؤية الحاسوبية التي يمكن إنشاؤها باستخدام Ultralytics YOLO11 وDocker.

مراقبة حركة المرور باستخدام Ultralytics YOLO11#

ناقشنا سابقًا مراقبة حركة المرور باستخدام الرؤية الحاسوبية. ومن المثير للاهتمام أن دعم Ultralytics YOLO11 لـتتبع الكائنات يمكن أن يساعد على إنشاء نظام شامل لإدارة حركة المرور. كيف يعمل ذلك؟

يمكن لـ Ultralytics YOLO11 تحليل تدفقات الفيديو المباشرة من كاميرات المرور لكشف المركبات وتتبعها في الوقت الفعلي. ومن خلال تحديد مواقع المركبات وسرعاتها وأنماط حركتها باستمرار، يستطيع النظام مراقبة مستويات الازدحام وكشف مخالفات المرور، مثل تجاوز الإشارة الحمراء أو الانعطافات غير القانونية، وتحسين إشارات المرور استنادًا إلى البيانات الآنية.

كذلك، يضمن نشر Ultralytics YOLO11 على الأجهزة الطرفية أو المنصات المستندة إلى السحابة بمساعدة Docker معالجة فعالة وقابلية للتوسع، مما يجعله أداة قيّمة لإدارة حركة المرور في المدن الذكية.

الشكل 6. تتبع المركبات وعدّها باستخدام YOLO11.

العلاج الطبيعي المحسّن باستخدام Ultralytics YOLO11#

في مجال الرعاية الصحية، يُعد العلاج الطبيعي أمرًا بالغ الأهمية لإعادة التأهيل، كما أن الوضعية والحركة السليمتين ضروريتان لتحقيق التعافي الناجح. ويمكن للتغذية الراجعة في الوقت الفعلي من نظام لمراقبة المرضى قائم على الرؤية أن تساعد المعالجين على اكتشاف مشكلات مثل زوايا المفاصل غير الصحيحة أو اختلال توازن العضلات.

على سبيل المثال، إذا كان المريض يؤدي تمرين رفع الكتف لكنه لا يرفع ذراعه إلى الارتفاع الصحيح أو يعوّض ذلك بوضعية غير سليمة، فيمكن للنظام اكتشاف هذه الأخطاء وتقديم تصحيحات فورية. ويتيح ذلك للمعالجين تعديل العلاجات في الوقت الفعلي.

يمكن استخدام قدرات Ultralytics YOLO11 في تقدير الوضعية لكشف نقاط الجسم الرئيسية وتحليل حركات المفاصل. إذ يستطيع معالجة تدفقات الفيديو المباشرة لتقديم تغذية راجعة فورية، مما يساعد المعالجين على تصحيح الوضعية وتحسين دقة الحركة والوقاية من الإصابات. ويسهّل ذلك إنشاء خطط علاج مخصصة استنادًا إلى تقدم كل مريض.

الشكل 7. مثال على مراقبة العلاج الطبيعي باستخدام Ultralytics YOLO11.

فيما يتعلق بنشر هذا النوع من الحلول، يمكن أن يضمن استخدام Docker التشغيل السلس عبر بيئات مختلفة، سواء في العيادات أو لمراقبة المرضى عن بُعد. وتبسّط Docker عملية النشر وتعزز قابلية التوسع وتحافظ على اتساق النظام، مما يجعل أدوات العلاج الطبيعي المدعومة بالذكاء الاصطناعي أكثر موثوقية وإتاحة.

أهم النقاط المستخلصة#

يُعد نشر نموذج للرؤية الحاسوبية خطوة حاسمة لنقله من مرحلة التطوير إلى الاستخدام الواقعي. وتضمن عملية النشر السلسة أداء النموذج المُدرَّب بصورة موثوقة في التطبيقات العملية. وقد جعلت أدوات مثل Docker واستخدام الحاويات هذه العملية أسهل من خلال إزالة العديد من التحديات التقليدية.

بفضل طبيعتها الخفيفة والقابلة للنقل والقابلة للتوسع، تغيّر هذه التقنيات طريقة إنشاء نماذج مثل Ultralytics YOLO11 ونشرها. ومن خلال استخدام الحاويات، يمكن للشركات توفير الوقت وتقليل التكاليف وتحسين الكفاءة، مع ضمان تشغيل النماذج بصورة متسقة عبر البيئات المختلفة.

انضم إلى مجتمعنا وتفقّد مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي. واقرأ عن التطبيقات المتنوعة لـالرؤية الحاسوبية في الرعاية الصحية والذكاء الاصطناعي في التصنيع. واستكشف خيارات ترخيص YOLO لدينا للبدء باستخدام Vision AI.