استخدام الحاويات عبر Docker لتبسيط نشر النماذج

تتضمن عملية بناء حل رؤية حاسوبية خطوات أكثر من مجرد تدريب واختبار نموذج. في الواقع، أحد أكثر الأجزاء إثارة في إنشاء نماذج متطورة هو مشاهدة تأثيرها في البيئات الواقعية. يؤدي استخدام رؤية الذكاء الاصطناعي لحل المشكلات بشكل طبيعي إلى نشر نماذج الرؤية الحاسوبية التي تطورها في بيئات الإنتاج.

يتضمن نشر النموذج خطوات مختلفة، بما في ذلك تحسين النماذج من أجل الموثوقية وقابلية التوسع والأداء في ظل ظروف متنوعة. يسد سير عمل النشر المنظم جيدًا الفجوة بين تطوير النموذج وتأثير النموذج الهادف الذي يحدث فرقًا. 

في كثير من الأحيان، عند نشر نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، هناك العديد من تقنيات وخيارات النشر التي يمكنك الاختيار من بينها، ويعتمد ذلك على التطبيق المحدد الذي تقوم ببنائه. على سبيل المثال، يمكن لتقنيات مثل استخدام الحاويات تبسيط سير عمل النشر. 

تساعد الحاويات في تجميع النموذج والتبعيات الخاصة به، مثل المكتبات والأطر والإعدادات، في وحدة واحدة مكتفية ذاتيًا تسمى حاوية. إحدى أكثر الطرق فعالية وشيوعًا للقيام بذلك هي استخدام Docker، وهي منصة مفتوحة المصدر تسهل إنشاء التطبيقات المعبأة في حاويات وشحنها وتشغيلها.

في هذه المقالة، سوف نستكشف كيف تعمل الحاويات و Docker على تبسيط نشر النماذج، مما يضمن قابلية التوسع والكفاءة السلسة في تطبيقات Vision AI الواقعية.

ما هو نشر النموذج (Model Deployment)؟

نشر النموذج هو المرحلة النهائية من دورة حياة التعلم الآلي، حيث يتم إدخال النموذج المدرب في بيئة إنتاج لتقديم تنبؤات واقعية. يعد النشر الناجح جزءًا أساسيًا من أداء النموذج بشكل موثوق في الظروف العملية. 

على سبيل المثال، ضع في اعتبارك نموذج رؤية حاسوبية مصمم لتحديد لوحات الترخيص لتحصيل الرسوم الآلي. في حين أنه قد يحقق دقة عالية في بيئة خاضعة للرقابة مع مجموعات بيانات جيدة التصنيف، فإن نشره على كاميرات على جانب الطريق يمكن أن يؤدي إلى مشكلات في زمن الوصول بسبب عوامل مثل معالجة الصور عالية الدقة وتأخيرات الشبكة وقيود الأجهزة وقيود الاستدلال في الوقت الفعلي. 

قد تؤدي التنبؤات البطيئة إلى تأخير في معالجة الرسوم أو الازدحام أو حتى فقدان عمليات الكشف. يمكن أن تساعد استراتيجيات نشر النموذج المناسبة في تقليل زمن الوصول وتحسين الكفاءة ودعم الأداء الموثوق به في التطبيقات الواقعية.

‍

أيضًا، هناك العديد من الاعتبارات التي يجب وضعها في الاعتبار عند نشر النماذج. أحدها هو قابلية التوسع، حيث تعمل النماذج بشكل جيد أثناء التدريب ولكنها قد تواجه صعوبة في التعامل مع البيانات واسعة النطاق.

وثمة تحد آخر يتمثل في حالات عدم التطابق البيئي، مثل اختلافات الأجهزة، عندما يتم تدريب نموذج على وحدات معالجة الرسومات عالية الأداء (GPUs) ولكن يتم نشره على أجهزة ذات قدرة معالجة محدودة. يمكن أن تؤدي هذه التناقضات في النشر إلى سلوك غير متوقع للنموذج. يمكن استخدام حلول متقدمة مثل الحاويات لمواجهة هذه التحديات.

الحاويات

يمكن مقارنة الحاويات بتعبئة صندوق الغداء الخاص بك، والذي يحتوي على كل ما تحتاجه لتناول وجبة، مثل الطعام وأدوات المائدة والتوابل. يمكنك تناول الطعام في أي مكان دون الحاجة إلى القلق بشأن العثور على مطبخ أو أدوات معينة. 

وبالمثل، تقوم الحاويات بتعبئة نموذج مع جميع تبعياته، مثل المكتبات والأطر والتكوينات، في وحدة واحدة تسمى حاوية. تضمن هذه الحاويات تشغيل النموذج باستمرار من خلال توفير نفس التبعيات عبر أي نظام، بغض النظر عن البيئة الأساسية. على عكس الآلات الافتراضية، التي تحمل أنظمة تشغيل كاملة، فإن الحاويات خفيفة الوزن وقابلة للنقل، مما يجعلها بديلاً فعالاً.

‍

فيما يلي بعض المزايا الرئيسية للحاويات:

• التحكم في الإصدار: باستخدام الحاويات، يمكن أن تتعايش إصدارات مختلفة من نموذج أو حزمة برامج، مما يتيح عمليات التراجع والتحديثات بسهولة دون تعطيل أنظمة الإنتاج.
  ‍
• الأمان: تعزل الحاويات التطبيقات عن النظام الأساسي، مما يقلل من خطر التعارضات ونقاط الضعف والوصول غير المصرح به.
  ‍
• نشر سريع: تتيح صور الحاويات المعدة مسبقًا عمليات نشر سريعة ومتكررة، مما يقلل من وقت الإعداد ويقلل من أخطاء النشر.

Docker: تبسيط الحاويات

‍في حين أن الحاويات هي طريقة رائعة لتشغيل التطبيقات في بيئات معزولة، إلا أن إعدادها قد يكون معقدًا. هذا هو المكان الذي تظهر فيه Docker. Docker عبارة عن نظام أساسي مفتوح المصدر يبسط إنشاء التطبيقات المعبأة في حاويات ونشرها وإدارتها.

يوفر بيئة متسقة ومعزولة جنبًا إلى جنب مع الأدوات والأطر اللازمة لاختبار النموذج. على وجه التحديد، يشتهر Docker بنظامه البيئي القوي وسهولة استخدامه. فهو يجعل من السهل نشر نماذج الذكاء الاصطناعي عن طريق تبسيط العملية، والعمل بسلاسة مع الأنظمة الأساسية السحابية، والسماح لنماذج الذكاء الاصطناعي بالعمل بكفاءة على الأجهزة الطرفية للحصول على نتائج أسرع.

تستخدم العديد من الصناعات ذلك بنشاط لنشر وإدارة التطبيقات المعبأة بكفاءة. يتضمن نشر النماذج المستندة إلى Docker بشكل عام ثلاثة مكونات رئيسية:

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

• صور Docker: ملفات حزم مُعدة مسبقًا تتضمن كل ما هو مطلوب لتنفيذ النموذج - مثل التعليمات البرمجية والمكتبات وبيئات التشغيل والتبعيات. تضمن هذه الصور تشغيل النموذج بنفس التكوين على أي نظام.
  

• حاويات Docker: تشغيل نسخ من صور Docker توفر بيئة معزولة وآمنة لتنفيذ النموذج. في هذه البيئة، يمكن تدريب النموذج واختباره وضبطه بدقة دون التدخل في التطبيقات الأخرى أو النظام المضيف.

‍

استكشاف تطبيق للرؤية الحاسوبية باستخدام Docker

لنفترض أن إحدى المدن ترغب في نشر نظام مراقبة حركة المرور باستخدام الرؤية الحاسوبية detect المركبات classify في الوقت الفعلي. قد يكون نشر هذا النظام عبر مواقع متعددة، لكل منها أجهزة وظروف شبكة مختلفة أمراً صعباً. قد تؤدي مشاكل التوافق، وتضارب التبعية، والبيئات غير المتسقة إلى أداء غير موثوق به.

وباستخدام Docker، يمكن للمطورين تجميع نموذج الرؤية الحاسوبية بالكامل، بالإضافة إلى تبعياته (مثل أطر عمل الذكاء الاصطناعي مثل TensorFlow والبرامج النصية المخصصة) في حاوية. يضمن ذلك تشغيل النموذج بشكل متسق عبر بيئات مختلفة، من التطوير المحلي إلى الخوادم المستندة إلى السحابة أو حتى الأجهزة الطرفية المثبتة على كاميرات المرور.

‍

على سبيل المثال، من خلال نشر نماذج الرؤية الحاسوبية Docker في تقاطعات متعددة، يمكن للمدينة تحليل تدفق حركة المرور detect المخالفات وتحسين إشارات المرور. ونظراً لأن Docker يسهّل وجود بيئة موحدة في جميع المواقع، فإن الصيانة تكون أسهل، والتحديثات سلسة، ويظل الأداء ثابتاً.

نشر YOLO11 باستخدام Docker

يمكن استخدام YOLO11 مع قدرته على أداء مهام الرؤية الحاسوبية المعقدة، في مختلف الصناعات، مثل التصنيع والرعاية الصحية والقيادة الذاتية والزراعة. 

على سبيل المثال، يمكن لـ YOLO11 معالجة موجزات الفيديو في تطبيقات اللياقة البدنية track التمارين مثل تمارين الضغط باستخدام تقدير الوضعيات. من خلال الكشف عن حركات الجسم وحساب التكرارات في الوقت الفعلي، يساعد في تحسين تتبع التمارين وتحليل الأداء.

‍

إذا أردنا نشر مثل هذا النموذج في تطبيقات العالم الحقيقي، فنحن بحاجة إلى إدارة التبعيات وتحسين الأجهزة وضمان اتساق الأداء عبر بيئات مختلفة. يعمل استخدام Docker على تبسيط هذه العملية عن طريق تغليف YOLO11 مع جميع المكتبات والتكوينات اللازمة، مما يجعل النشر أكثر كفاءة وقابلية للتطوير والموثوقية.

إليك لمحة سريعة عن فوائد نشر YOLO11 باستخدام Docker:

• صيانة مبسطة: يعمل Docker على تبسيط عملية تحديث وصيانة YOLO11 وتوابعه. يمكن تطبيق التحديثات على صورة الحاوية دون التأثير على النظام المضيف، مما يضمن إدارة سلسة وفعالة للنموذج.
  ‍
• تعاون مبسط: يمكن للمطورين والباحثين بسهولة مشاركة حاويات Docker المهيأة مسبقًا، مما يضمن عمل الفرق بنفس البيئة، وتجنب مشكلات التوافق.
  ‍
• كفاءة الموارد: على عكس الآلات الافتراضية التقليدية، تشترك حاويات Docker في نظام التشغيل المضيف، مما يقلل النفقات العامة ويحسن استخدام الموارد، وهو أمر بالغ الأهمية لمهام الاستدلال في الوقت الفعلي.

تطبيقات YOLO11 التي يمكن نشرها باستخدام Docker

لنستعرض بعض الأمثلة على تطبيقات الرؤية الحاسوبية التي يمكن إنشاؤها باستخدام YOLO11 و Docker. 

مراقبة حركة المرور باستخدام YOLO11

ناقشنا سابقاً مراقبة حركة المرور باستخدام الرؤية الحاسوبية. ومن المثير للاهتمام أن دعم YOLO11 لتتبع الأجسام يمكن أن يساعد في بناء نظام شامل لإدارة حركة المرور. كيف يعمل هذا؟

يمكن YOLO11 تحليل بث الفيديو المباشر من كاميرات المرور detect المركبات track في الوقت الفعلي. من خلال تحديد مواقع المركبات وسرعاتها وأنماط حركتها باستمرار، يمكن للنظام مراقبة مستويات الازدحام المروري detect المخالفات المرورية (مثل تجاوز الإشارة الحمراء أو الانعطافات غير القانونية) وتحسين إشارات المرور بناءً على البيانات في الوقت الفعلي.

كما أن نشر YOLO11 على الأجهزة المتطورة أو المنصات القائمة على السحابة بمساعدة Docker يضمن كفاءة المعالجة وقابلية التوسع، مما يجعله أداة قيّمة لإدارة حركة المرور في المدن الذكية.

‍

العلاج الطبيعي المحسّن مع YOLO11

عندما يتعلق الأمر بالرعاية الصحية، تعتبر العلاج الطبيعي أمرًا بالغ الأهمية لإعادة التأهيل، والوضعية السليمة والحركة الصحيحة ضروريان لتحقيق الشفاء الناجح. يمكن أن تساعد الملاحظات في الوقت الفعلي من نظام مراقبة المرضى القائم على الرؤية المعالجين في تحديد المشكلات مثل زوايا المفاصل غير الصحيحة أو اختلال توازن العضلات. 

على سبيل المثال، إذا كان المريض يؤدي تمرين رفع الكتف ولكنه لا يرفع ذراعه إلى الارتفاع الصحيح أو يعوض عن ذلك بوضعية غير صحيحة، يمكن للنظام detect هذه الأخطاء وتقديم تصحيحات فورية. يتيح ذلك للمعالجين تعديل العلاجات في الوقت الفعلي.

يمكن استخدام قدرات تقدير الوضعية في YOLO11 detect نقاط الجسم الرئيسية وتحليل حركات المفاصل. ويمكنه معالجة بث الفيديو المباشر لتقديم ملاحظات فورية، مما يساعد المعالجين على تصحيح الوضعية، وتحسين دقة الحركة، ومنع الإصابات. وهذا يجعل من السهل وضع خطط علاجية مخصصة بناءً على تقدم كل مريض.

‍

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. يبسط Docker النشر ويعزز قابلية التوسع ويحافظ على اتساق النظام، مما يجعل أدوات العلاج الطبيعي المدعومة بالذكاء الاصطناعي أكثر موثوقية وسهولة في الوصول إليها.

النقاط الرئيسية

يُعد نشر نموذج للرؤية الحاسوبية خطوة حاسمة لنقله من مرحلة التطوير إلى الاستخدام الفعلي. تضمن عملية النشر السلسة أداء النموذج المُدرَّب بشكل موثوق في التطبيقات العملية. لقد سهلت أدوات مثل Docker والحاويات هذه العملية عن طريق إزالة العديد من التحديات التقليدية. 

وبفضل طبيعتها الخفيفة والمحمولة والقابلة للتطوير، تعمل هذه التقنيات على تغيير كيفية بناء نماذج مثل YOLO11 ونشرها. فمن خلال استخدام الحاويات، يمكن للشركات توفير الوقت وتقليل التكاليف وتحسين الكفاءة مع ضمان تشغيل النماذج بشكل متسق في بيئات مختلفة.

انضم إلى مجتمعنا وتحقق من مستودع GitHub الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي. اقرأ عن التطبيقات المختلفة للرؤية الحاسوبية في مجال الرعاية الصحية والذكاء الاصطناعي في التصنيع. استكشف خيارات ترخيص yolo الخاصة بنا لبدء استخدام الذكاء الاصطناعي البصري.