استخدام الحاويات عبر Docker لتبسيط نشر النماذج

يتطلب بناء حل للرؤية الحاسوبية خطوات أكثر من مجرد تدريب نموذج واختباره. وفي الواقع، من أكثر جوانب بناء النماذج إرضاءً مشاهدة أثرها في بيئات العالم الحقيقي. ويقود استخدام الذكاء الاصطناعي المرئي لحل المشكلات بطبيعة الحال إلى نشر نماذج الرؤية الحاسوبية التي تطورها في بيئة الإنتاج.

يشمل نشر النماذج خطوات متعددة، منها تحسين النماذج لضمان الموثوقية وقابلية التوسع والأداء في ظروف متنوعة. ويصل سير عمل النشر المنظم جيدًا بين تطوير النموذج وإحداثه أثرًا ملموسًا ومفيدًا.

غالبًا ما تتوفر تقنيات وخيارات متعددة لنشر نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، ويعتمد الاختيار الأنسب على التطبيق المحدد الذي تبنيه. فعلى سبيل المثال، يمكن لتقنيات مثل تحويل التطبيقات إلى حاويات تبسيط سير عمل النشر.

يساعد إنشاء الحاويات على تجميع النموذج واعتمادياته، مثل المكتبات وأطر العمل والإعدادات، في وحدة واحدة مستقلة تُسمى حاوية. ومن أكثر الطرق كفاءةً وشيوعًا لإنجاز ذلك استخدام Docker، وهي منصة مفتوحة المصدر تسهّل بناء التطبيقات المحوّاة وشحنها وتشغيلها.

في هذه المقالة، سنستكشف كيف يسهم تحويل التطبيقات إلى حاويات وDocker في تبسيط نشر النماذج، وتحسين قابلية التوسع والكفاءة في تطبيقات الذكاء الاصطناعي المرئي في العالم الحقيقي.

ما المقصود بنشر النماذج؟#

نشر النماذج هو المرحلة الأخيرة من دورة حياة تعلم الآلة، حيث يُدخَل النموذج المدرّب إلى بيئة إنتاج لإجراء تنبؤات في العالم الحقيقي. ويُعد النشر الناجح عنصرًا أساسيًا لكي يعمل النموذج بموثوقية في الظروف العملية.

على سبيل المثال، لنفترض وجود نموذج للرؤية الحاسوبية مصمم للتعرف على لوحات المركبات لأغراض تحصيل رسوم المرور آليًا. قد يحقق النموذج دقة عالية في بيئة مضبوطة وباستخدام مجموعات بيانات موسومة جيدًا، لكن نشره على كاميرات الطرق قد يسبب مشكلات في زمن الاستجابة بسبب عوامل مثل معالجة الصور عالية الدقة وتأخيرات الشبكة وقيود الأجهزة ومتطلبات الاستدلال الفوري.

قد تؤدي التنبؤات البطيئة إلى تأخير تحصيل الرسوم أو الازدحام أو حتى تفويت عمليات الكشف. ويمكن لاستراتيجيات نشر النماذج المناسبة تقليل زمن الاستجابة وتحسين الكفاءة ودعم الأداء الموثوق في التطبيقات الواقعية.

الشكل 1. الكشف عن لوحات المركبات باستخدام Ultralytics YOLO11.

كما توجد عدة اعتبارات ينبغي أخذها في الحسبان عند نشر النماذج. أحدها قابلية التوسع؛ إذ قد تحقق النماذج أداءً جيدًا أثناء التدريب، لكنها تواجه صعوبة في التعامل مع البيانات على نطاق واسع.

ومن التحديات الأخرى عدم تطابق البيئات، مثل اختلاف الأجهزة؛ إذ قد يُدرَّب النموذج على وحدات معالجة الرسوميات عالية الأداء (GPU)، ثم يُنشر على أجهزة ذات قدرة معالجة محدودة. وقد تؤدي هذه التباينات في النشر إلى سلوك غير متوقع للنموذج. ويمكن استخدام حلول متقدمة مثل تحويل التطبيقات إلى حاويات لمعالجة هذه التحديات.

إنشاء الحاويات#

يمكن تشبيه تحويل التطبيقات إلى حاويات بتجهيز صندوق الغداء، الذي يحتوي على كل ما تحتاج إليه للوجبة، مثل الطعام وأدوات المائدة والتوابل. ويمكنك تناول الطعام في أي مكان دون القلق بشأن العثور على مطبخ أو أدوات معينة.

وبالمثل، يجمع إنشاء الحاويات النموذج مع جميع اعتمادياته، مثل المكتبات وأطر العمل والإعدادات، في وحدة واحدة تُسمى حاوية. وتضمن هذه الحاويات تشغيل النموذج باستمرار عبر توفير الاعتماديات نفسها على أي نظام، بصرف النظر عن البيئة الأساسية. وعلى عكس الأجهزة الافتراضية التي تتضمن أنظمة تشغيل كاملة، تتميز الحاويات بخفة وزنها وقابليتها للنقل، ما يجعلها بديلًا فعالًا.

الشكل 2. نظرة عامة على إنشاء الحاويات.

إليك بعض المزايا الرئيسية لإنشاء الحاويات:

• التحكم في الإصدارات: يتيح إنشاء الحاويات تشغيل إصدارات مختلفة من النموذج أو حزمة البرامج جنبًا إلى جنب، ما يسهل الرجوع إلى إصدارات سابقة والتحديث دون تعطيل أنظمة الإنتاج.
• الأمان: تعزل الحاويات التطبيقات عن النظام الأساسي، ما يقلل مخاطر التعارضات والثغرات الأمنية والوصول غير المصرح به.
• النشر السريع: تتيح صور الحاويات المُعدّة مسبقًا عمليات نشر سريعة وقابلة للتكرار، فتقلل وقت الإعداد وتحد من أخطاء النشر.

Docker: تبسيط إنشاء الحاويات#

مع أن إنشاء الحاويات طريقة رائعة لتشغيل التطبيقات في بيئات معزولة، فإن إعدادها قد يكون معقدًا. وهنا يأتي دور Docker. Docker منصة مفتوحة المصدر تبسّط بناء التطبيقات المحوّاة ونشرها وإدارتها.

توفر المنصة بيئة متسقة ومعزولة، إلى جانب الأدوات وأطر العمل اللازمة لاختبار النموذج. وتشتهر Docker تحديدًا بنظامها المتكامل القوي وسهولة استخدامها. كما تسهّل نشر نماذج الذكاء الاصطناعي بتبسيط العملية، والتكامل السلس مع المنصات السحابية، وإتاحة تشغيل النماذج بكفاءة على الأجهزة الطرفية لتحقيق نتائج أسرع.

تستخدم صناعات كثيرة Docker حاليًا لنشر التطبيقات المحوّاة وإدارتها بكفاءة. ويتألف نشر النماذج باستخدام Docker عمومًا من ثلاثة مكونات رئيسية:

• Dockerfile: ملف إعداد نصي يعمل كمخطط لإنشاء صورة Docker. ويتضمن جميع التعليمات اللازمة، بما فيها الصورة الأساسية والاعتماديات المطلوبة وإعدادات البيئة والأوامر اللازمة لتشغيل النموذج.
• صور Docker: ملفات حزم مُعدّة مسبقًا تتضمن كل ما يلزم لتشغيل النموذج، مثل التعليمات البرمجية والمكتبات وبيئات التشغيل والاعتماديات. وتضمن هذه الصور تشغيل النموذج بالإعدادات نفسها على أي نظام.
• حاويات Docker: مثيلات قيد التشغيل من صور Docker توفر بيئة معزولة وآمنة لتنفيذ النموذج. ويمكن تدريب النموذج واختباره وضبطه بدقة ضمن هذه البيئة دون التأثير في التطبيقات الأخرى أو النظام المضيف.

الشكل 3. فهم المكونات الرئيسية لـ Docker.

استكشاف تطبيق للرؤية الحاسوبية باستخدام Docker#

لنفترض أن مدينة تريد نشر نظام لمراقبة حركة المرور يستخدم الرؤية الحاسوبية لاكتشاف المركبات وتصنيفها في الوقت الفعلي. وقد يشكل نشر هذا النظام في مواقع متعددة، لكل منها ظروف أجهزة وشبكات مختلفة، تحديًا. ويمكن أن تؤدي مشكلات التوافق وتعارضات الاعتماديات وعدم اتساق البيئات إلى أداء غير موثوق.

باستخدام Docker، يمكن للمطورين تجميع نموذج الرؤية الحاسوبية بالكامل مع اعتمادياته، مثل أطر عمل الذكاء الاصطناعي مثل TensorFlow والبرامج النصية المخصصة، داخل حاوية. ويضمن ذلك تشغيل النموذج باتساق في بيئات مختلفة، من التطوير المحلي إلى الخوادم السحابية أو حتى الأجهزة الطرفية المثبتة على كاميرات المرور.

الشكل 4. آلية عمل Docker.

فعلى سبيل المثال، من خلال نشر نماذج الرؤية الحاسوبية المعبأة في حاويات Docker عند عدة تقاطعات، تستطيع المدينة تحليل تدفق حركة المرور ورصد المخالفات وتحسين إشارات المرور. وبما أن Docker يوفر بيئة موحدة في جميع المواقع، تصبح الصيانة أسهل والتحديثات أبسط 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، يستطيع Ultralytics YOLO11 معالجة بث الفيديو في تطبيقات اللياقة البدنية من أجل تتبع التمارين مثل تمارين الضغط باستخدام تقدير الوضعية. ومن خلال كشف حركات الجسم وعدّ التكرارات آنيًا، يساعد على تحسين تتبع التمارين وتحليل الأداء.

الشكل 5. مراقبة تمرين باستخدام Ultralytics YOLO11.

لنشر مثل هذا النموذج في تطبيقات العالم الحقيقي، علينا إدارة الاعتماديات وتحسين الأجهزة وضمان اتساق الأداء في البيئات المختلفة. ويبسّط Docker هذه العملية بتجميع Ultralytics YOLO11 مع جميع المكتبات والإعدادات اللازمة، ما يجعل النشر أكثر كفاءة وقابلية للتوسع وموثوقية.

إليك لمحة سريعة عن فوائد نشر Ultralytics YOLO11 باستخدام Docker:

• تبسيط الصيانة: يبسط Docker عملية تحديث Ultralytics YOLO11 واعتمادياته وصيانتها. ويمكن تطبيق التحديثات على صورة الحاوية دون التأثير في النظام المضيف، ما يضمن إدارة النماذج بسلاسة وكفاءة.
• تبسيط التعاون: يمكن للمطورين والباحثين مشاركة حاويات Docker المعدّة مسبقًا بسهولة، ما يضمن عمل الفرق في البيئة نفسها ويجنبها مشكلات التوافق.
• كفاءة الموارد: على عكس الأجهزة الافتراضية التقليدية، تشارك حاويات Docker نظام التشغيل المضيف، ما يقلل الأعباء ويحسن استخدام الموارد، وهو أمر بالغ الأهمية لمهام الاستدلال الفوري.

تطبيقات Ultralytics YOLO11 التي يمكن نشرها باستخدام Docker#

لنستعرض بعض الأمثلة على تطبيقات الرؤية الحاسوبية التي يمكن بناؤها 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 بناء نظام شامل لإدارة حركة المرور. كيف يعمل ذلك؟

يمكن لـ Ultralytics YOLO11 تحليل تدفقات الفيديو المباشرة من كاميرات المرور لاكتشاف المركبات وتتبعها في الوقت الفعلي. ومن خلال تحديد مواقع المركبات وسرعاتها وأنماط حركتها باستمرار، يستطيع النظام مراقبة مستويات الازدحام واكتشاف المخالفات المرورية، مثل تجاوز الإشارة الحمراء أو الانعطاف غير القانوني، وتحسين إشارات المرور استنادًا إلى البيانات الفورية.

كما يضمن نشر Ultralytics YOLO11 على الأجهزة الطرفية أو المنصات السحابية بمساعدة Docker كفاءة المعالجة وقابلية التوسع، ما يجعله أداة قيّمة لإدارة حركة المرور في المدن الذكية.

الشكل 6. تتبع المركبات وعدّها باستخدام YOLO11.

تعزيز العلاج الطبيعي باستخدام Ultralytics YOLO11#

في مجال الرعاية الصحية، يُعد العلاج الطبيعي ضروريًا لإعادة التأهيل، كما أن الوضعية والحركة السليمتين عاملان أساسيان لنجاح التعافي. ويمكن للتغذية الراجعة الفورية من نظام لمراقبة المرضى يعتمد على الرؤية أن تساعد المعالجين على اكتشاف مشكلات مثل زوايا المفاصل غير الصحيحة أو اختلال توازن العضلات.

على سبيل المثال، إذا كان المريض يرفع كتفه لكنه لا يرفع ذراعه إلى الارتفاع الصحيح أو يعوض ذلك بوضعية غير سليمة، فيمكن للنظام اكتشاف هذه الأخطاء وتقديم تصحيحات فورية. وهذا يتيح للمعالجين تعديل العلاجات في الوقت الفعلي.

يمكن استخدام قدرات تقدير الوضعية في Ultralytics YOLO11 لاكتشاف نقاط الجسم الرئيسية وتحليل حركات المفاصل. ويمكنه معالجة تدفقات الفيديو المباشرة لتقديم تغذية راجعة فورية، ما يساعد المعالجين على تصحيح الوضعية وتحسين دقة الحركة والوقاية من الإصابات. وهذا يسهل إعداد 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 لاستخدام Docker ضمان التشغيل السلس في بيئات مختلفة، سواء في العيادات أو لمراقبة المرضى عن بُعد. ويبسط Docker النشر ويعزز قابلية التوسع ويحافظ على اتساق النظام، ما يجعل أدوات العلاج الطبيعي المدعومة بالذكاء الاصطناعي أكثر موثوقية وسهولة في الوصول.

أبرز النقاط#

يُعد نشر نموذج للرؤية الحاسوبية خطوة حاسمة لنقله من مرحلة التطوير إلى الاستخدام في العالم الحقيقي. وتضمن عملية النشر السلسة أداء النموذج المدرّب بموثوقية في التطبيقات العملية. وقد سهّلت أدوات مثل Docker وتقنيات إنشاء الحاويات هذه العملية بإزالة العديد من التحديات التقليدية.

تُغيّر هذه التقنيات، بفضل خفة وزنها وقابليتها للنقل والتوسع، طريقة بناء نماذج مثل Ultralytics YOLO11 ونشرها. وباستخدام إنشاء الحاويات، يمكن للشركات توفير الوقت وخفض التكاليف وتحسين الكفاءة، مع ضمان تشغيل النماذج باتساق في البيئات المختلفة.

انضم إلى مجتمعنا واطّلع على مستودع GitHub للتعرف على المزيد عن الذكاء الاصطناعي. اقرأ عن تطبيقات متنوعة لـالرؤية الحاسوبية في الرعاية الصحية والذكاء الاصطناعي في التصنيع. استكشف خيارات ترخيص YOLO للبدء باستخدام الذكاء الاصطناعي للرؤية.