التحويل إلى حاويات باستخدام Docker لتبسيط نشر النماذج

تتضمن عملية بناء حل للرؤية الحاسوبية خطوات أكثر من مجرد تدريب واختبار نموذج. في الواقع، أحد أكثر الأجزاء إثارة في إنشاء نماذج متطورة هو رؤيتها وهي تحقق تأثيراً في بيئات العالم الحقيقي. إن استخدام الذكاء الاصطناعي للرؤية لحل المشكلات يقود بشكل طبيعي إلى نشر نماذج الرؤية الحاسوبية التي تطورها في بيئة الإنتاج.

يتضمن نشر النماذج خطوات متنوعة، بما في ذلك تحسين النماذج لتحقيق الموثوقية وقابلية التوسع والأداء عبر ظروف متنوعة. تعمل سير عمل النشر المنظم جيداً على سد الفجوة بين تطوير النموذج وبين تحقيق النموذج لتأثير ملموس يحدث فرقاً.

في كثير من الأحيان، عند نشر نماذج رؤية حاسوبية مثل Ultralytics YOLO11، توجد تقنيات وخيارات نشر متعددة يمكنك الاختيار من بينها، ويعتمد ذلك على التطبيق المحدد الذي تبنيه. على سبيل المثال، يمكن لتقنيات مثل الحاويات تبسيط سير عمل النشر.

تساعد الحاويات في حزم النموذج وتبعياته، مثل المكتبات والأطر والتكوينات، في وحدة واحدة مكتفية ذاتياً تسمى حاوية. واحدة من أكثر الطرق كفاءة وشيوعاً للقيام بذلك هي استخدام Docker، وهو منصة مفتوحة المصدر تجعل بناء وشحن وتشغيل التطبيقات المعبأة في حاويات أسهل.

في هذه المقالة، سنستكشف كيف تعمل الحاويات وDocker على تبسيط نشر النماذج، مما يضمن قابلية التوسع والكفاءة بسلاسة في تطبيقات الذكاء الاصطناعي للرؤية في العالم الحقيقي.

Link to this sectionما هو نشر النموذج؟#

نشر النموذج هو المرحلة النهائية من دورة حياة تعلم الآلة، حيث يتم إدخال النموذج المدرب في بيئة الإنتاج لإجراء تنبؤات في العالم الحقيقي. يعد النشر الناجح جزءاً أساسياً من أداء النموذج بشكل موثوق في الظروف العملية.

على سبيل المثال، ضع في اعتبارك نموذج رؤية حاسوبية مصمماً لـ تحديد لوحات الترخيص من أجل التحصيل الآلي للرسوم. على الرغم من أنه قد يحقق دقة عالية في بيئة خاضعة للرقابة مع مجموعات بيانات مصنفة جيداً، إلا أن نشره على كاميرات الطرق قد يؤدي إلى مشاكل في زمن الاستجابة بسبب عوامل مثل معالجة الصور عالية الدقة، وتأخيرات الشبكة، وقيود الأجهزة، وقيود الاستنتاج في الوقت الفعلي.

يمكن أن تؤدي التنبؤات البطيئة إلى تأخير في معالجة الرسوم، أو الازدحام، أو حتى تفويت عمليات الكشف. يمكن أن تساعد استراتيجيات نشر النماذج المناسبة في تقليل زمن الاستجابة، وتحسين الكفاءة، ودعم الأداء الموثوق في تطبيقات العالم الحقيقي.

الشكل 1. كشف لوحة الترخيص باستخدام YOLO11.

أيضاً، 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 تجد صعوبة في التعامل مع البيانات واسعة النطاق.

آخر هو عدم تطابق البيئات، مثل اختلافات الأجهزة، عندما يتم تدريب نموذج على وحدات معالجة الرسومات (GPUs) عالية الأداء 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 لمعالجة هذه التحديات.

Link to this sectionالحاويات#

يمكن مقارنة الحاويات بحزم صندوق الغداء الخاص بك، والذي يحتوي على كل ما تحتاجه للوجبة، مثل الطعام وأدوات المائدة والتوابل. يمكنك تناول الطعام في أي مكان دون القلق بشأن العثور على مطبخ أو أدوات محددة.

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

الشكل 2. نظرة عامة على الحاويات.

إليك بعض المزايا الرئيسية للحاويات:

• التحكم في الإصدار: مع الحاويات، يمكن أن تتعايش إصدارات مختلفة من نموذج أو حزمة برامج، مما يتيح عمليات تراجع وتحديثات سهلة دون تعطيل أنظمة الإنتاج.
• الأمان: تعزل الحاويات التطبيقات عن النظام الأساسي، مما يقلل من مخاطر التعارضات والثغرات والوصول غير المصرح به.
• النشر السريع: تتيح صور الحاويات المهيأة مسبقاً عمليات نشر سريعة وقابلة للتكرار، مما يقلل من وقت الإعداد ويقلل من أخطاء النشر.

Link to this sectionDocker: تبسيط الحاويات#

بينما تعد الحاويات طريقة رائعة لتشغيل التطبيقات في بيئات معزولة، إلا أن إعدادها قد يكون معقداً. وهنا يأتي دور Docker. Docker عبارة عن منصة مفتوحة المصدر تبسط بناء ونشر وإدارة التطبيقات المعبأة في حاويات.

إنه يوفر بيئة متسقة ومعزولة جنباً إلى جنب مع الأدوات والأطر اللازمة لاختبار النموذج. على وجه التحديد، يشتهر Docker بنظامه البيئي القوي وسهولة استخدامه. إنه يجعل نشر نماذج الذكاء الاصطناعي أسهل من خلال تبسيط العملية، والعمل بسلاسة مع منصات السحابة، والسماح لنماذج الذكاء الاصطناعي بالعمل بكفاءة على أجهزة الحافة للحصول على نتائج أسرع.

تستخدم العديد من الصناعات بنشاط لنشر وإدارة التطبيقات المعبأة في حاويات بكفاءة. يتضمن نشر النماذج المستند إلى Docker عموماً ثلاثة مكونات رئيسية:

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

• صور Docker: ملفات حزم مهيأة مسبقاً تتضمن كل ما يلزم لتنفيذ النموذج - مثل الكود، والمكتبات، وبيئات وقت التشغيل، والتبعيات. تضمن هذه الصور أن النموذج يعمل بنفس التكوين على أي نظام.

• حاويات Docker: مثيلات قيد التشغيل من صور Docker توفر بيئة معزولة وآمنة لتنفيذ النموذج. ضمن هذه البيئة، يمكن تدريب النموذج واختباره وضبطه بدقة دون التداخل مع تطبيقات أخرى أو النظام المضيف.

الشكل 3. فهم المكونات الرئيسية لـ Docker.

Link to this sectionاستكشاف تطبيق رؤية حاسوبية باستخدام Docker#

لنقل أن مدينة تريد نشر نظام مراقبة مرورية باستخدام الرؤية الحاسوبية للكشف عن المركبات وتصنيفها في الوقت الفعلي. قد يكون نشر هذا النظام عبر مواقع متعددة، لكل منها أجهزة وظروف شبكة مختلفة، أمراً صعباً. قد تؤدي مشكلات التوافق، وتعارضات التبعية، والبيئات غير المتسقة إلى أداء غير موثوق به.

باستخدام Docker، يمكن للمطورين حزم نموذج الرؤية الحاسوبية بالكامل، جنباً إلى جنب مع تبعياته (مثل أطر عمل الذكاء الاصطناعي مثل TensorFlow والسكربتات المخصصة)، في حاوية. وهذا يضمن تشغيل النموذج بشكل متسق عبر بيئات مختلفة، من التطوير المحلي إلى خوادم السحابة أو حتى أجهزة الحافة المثبتة على كاميرات المرور.

الشكل 4. كيف يعمل Docker.

على سبيل المثال، من خلال نشر نماذج رؤية حاسوبية معبأة في Docker في تقاطعات متعددة، يمكن للمدينة تحليل تدفق حركة المرور، والكشف عن المخالفات، وتحسين إشارات المرور. نظراً لأن Docker يسهل بيئة موحدة عبر جميع المواقع، فإن الصيانة أسهل، والتحديثات سلسة، ويظل الأداء متسقاً.

Link to this sectionنشر YOLO11 باستخدام Docker#

YOLO11، بقدرته على تنفيذ مهام الرؤية الحاسوبية المعقدة، يمكن استخدامه في صناعات متنوعة، مثل التصنيع، والرعاية الصحية، والقيادة الذاتية، والزراعة.

على سبيل المثال، يمكن لـ YOLO11 معالجة خلاصات الفيديو في تطبيقات اللياقة البدنية لتتبع تمارين مثل تمرين الضغط باستخدام تقدير الوضعية. من خلال كشف حركات الجسم وعد تكرارات التمرين في الوقت الفعلي، فإنه يساعد في تحسين تتبع التمارين وتحليل الأداء.

الشكل 5. مراقبة تمرين باستخدام YOLO11.

إذا أردنا نشر مثل هذا النموذج في تطبيقات العالم الحقيقي، فنحن بحاجة إلى إدارة التبعيات، وتحسين الأجهزة، وضمان أداء متسق عبر بيئات مختلفة. استخدام Docker يبسط هذه العملية من خلال تجميع YOLO11 مع جميع المكتبات والتكوينات اللازمة، مما يجعل النشر أكثر كفاءة وقابلية للتوسع وموثوقية.

إليك نظرة سريعة على فوائد نشر YOLO11 باستخدام Docker:

• صيانة مبسطة: يبسط Docker عملية تحديث وصيانة YOLO11 وتبعياته. يمكن تطبيق التحديثات على صورة الحاوية دون التأثير على النظام المضيف، مما يضمن إدارة نموذج سلسة وفعالة.
• تعاون مبسط: يمكن للمطورين والباحثين مشاركة حاويات Docker المهيأة مسبقاً بسهولة، مما يضمن عمل الفرق بنفس البيئة، وتجنب مشكلات التوافق.
• كفاءة الموارد: على عكس الأجهزة الافتراضية التقليدية، تشترك حاويات Docker في نظام التشغيل المضيف، مما يقلل العبء الإضافي ويحسن استخدام الموارد، وهو أمر بالغ الأهمية لمهام الاستنتاج في الوقت الفعلي.

Link to this sectionتطبيقات YOLO11 التي يمكن نشرها باستخدام Docker#

دعونا نستعرض بضعة أمثلة لتطبيقات الرؤية الحاسوبية التي يمكن بناؤها باستخدام YOLO11 وDocker.

Link to this sectionمراقبة حركة المرور باستخدام YOLO11#

في وقت سابق، ناقشنا مراقبة حركة المرور باستخدام الرؤية الحاسوبية. ومن المثير للاهتمام أن دعم YOLO11 لـ تتبع الكائنات يمكن أن يساعد في بناء نظام شامل لإدارة حركة المرور. كيف يعمل هذا؟

يمكن لـ YOLO11 تحليل خلاصات الفيديو المباشرة من كاميرات المرور للكشف عن المركبات وتتبعها في الوقت الفعلي. من خلال تحديد مواقع المركبات وسرعاتها وأنماط حركتها باستمرار، يمكن للنظام مراقبة مستويات الازدحام، والكشف عن مخالفات المرور (مثل تجاوز الإشارة الحمراء أو الانعطافات غير القانونية)، وتحسين إشارات المرور بناءً على البيانات في الوقت الفعلي.

أيضاً، يضمن نشر YOLO11 على أجهزة الحافة أو المنصات المستندة إلى السحابة بمساعدة Docker معالجة فعالة وقابلية للتوسع، مما يجعله أداة قيمة لإدارة حركة مرور المدن الذكية.

الشكل 6. تتبع وعداد المركبات باستخدام YOLO11.

Link to this sectionعلاج طبيعي محسن مع YOLO11#

عندما يتعلق الأمر بالرعاية الصحية، يعد العلاج الطبيعي أمراً بالغ الأهمية لإعادة التأهيل، وتعد الوضعية والحركة الصحيحة حيويتين لنجاح التعافي. يمكن أن تساعد التعليقات في الوقت الفعلي من نظام مراقبة المريض القائم على الرؤية المعالجين في اكتشاف مشاكل مثل زوايا المفاصل غير الصحيحة أو اختلالات العضلات.

على سبيل المثال، إذا كان المريض يؤدي تمرين رفع الكتف ولكنه لا يرفع ذراعه إلى الارتفاع الصحيح أو يعوض بوضعية غير مناسبة، يمكن للنظام اكتشاف هذه الأخطاء وتقديم تصحيحات فورية. وهذا يسمح للمعالجين بتعديل العلاجات في الوقت الفعلي.

يمكن استخدام إمكانات تقدير الوضعية في YOLO11 لاكتشاف نقاط الجسم الرئيسية وتحليل حركات المفاصل. يمكنه معالجة خلاصات الفيديو المباشرة لتقديم ملاحظات فورية، مما يساعد المعالجين على تصحيح الوضعية، وتحسين دقة الحركة، ومنع الإصابات. وهذا يجعل من السهل إنشاء خطط علاجية مخصصة بناءً على تقدم كل مريض.

الشكل 7. مثال على مراقبة العلاج الطبيعي مع YOLO11.

فيما يتعلق بنشر هذا النوع من الحلول، يمكن أن يضمن استخدام Docker تشغيلاً سلساً عبر بيئات مختلفة، سواء في العيادات أو لمراقبة المرضى عن بعد. يبسط Docker النشر، ويعزز قابلية التوسع، ويحافظ على اتساق النظام، مما يجعل أدوات العلاج الطبيعي المدعومة بالذكاء الاصطناعي أكثر موثوقية ويمكن الوصول إليها.

Link to this sectionأبرز النقاط#

يعد نشر نموذج رؤية حاسوبية خطوة حاسمة في نقله من التطوير إلى الاستخدام في العالم الحقيقي. تضمن عملية النشر السلسة أن النموذج المدرب يعمل بشكل موثوق في التطبيقات العملية. لقد جعلت أدوات مثل Docker والحاويات هذه العملية أسهل من خلال إزالة العديد من التحديات التقليدية.

بفضل طبيعتها خفيفة الوزن والقابلة للنقل والقابلة للتوسع، تغير هذه التقنيات كيفية بناء ونشر نماذج مثل YOLO11. باستخدام الحاويات، يمكن للشركات توفير الوقت، وخفض التكاليف، وتحسين الكفاءة مع ضمان عمل النماذج بشكل متسق عبر بيئات مختلفة.

انضم إلى مجتمعنا وتحقق من مستودع GitHub الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي. اقرأ عن تطبيقات مختلفة لـ الرؤية الحاسوبية في الرعاية الصحية و الذكاء الاصطناعي في التصنيع. استكشف خيارات ترخيص YOLO الخاصة بنا للبدء في الذكاء الاصطناعي للرؤية.