انشر نماذج Ultralytics YOLO باستخدام تكامل ExecuTorch

تعمل بعض تطبيقات الرؤية الحاسوبية، مثل فحص الجودة الآلي والطائرات المسيّرة ذاتية التشغيل أو أنظمة الأمان الذكية، بأفضل أداء عندما تعمل نماذج Ultralytics YOLO، مثل Ultralytics YOLO11، بالقرب من المستشعر الذي يلتقط الصور. بعبارة أخرى، تحتاج هذه النماذج إلى معالجة البيانات مباشرةً في المكان الذي تُنشأ فيه، على الكاميرات أو الطائرات المسيّرة أو الأنظمة المضمّنة، بدلًا من إرسالها إلى السحابة.

يتيح هذا النهج، المعروف باسم الذكاء الاصطناعي الطرفي، للنماذج إجراء الاستدلال مباشرةً على الجهاز الذي تُلتقط فيه البيانات. ومن خلال معالجة المعلومات محليًا بدلًا من الاعتماد على خوادم بعيدة، يمكن للأنظمة تحقيق زمن استجابة أقل، وخصوصية محسّنة للبيانات، وموثوقية أكبر، حتى في البيئات التي يكون فيها الاتصال بالإنترنت محدودًا أو غير متاح.

فعلى سبيل المثال، لا تستطيع كاميرا تصنيع تفحص آلاف المنتجات كل دقيقة، أو طائرة مسيّرة تتنقل في بيئات معقدة، تحمّل التأخيرات الناتجة عن المعالجة السحابية. ويتيح تشغيل Ultralytics YOLO11 مباشرةً على الجهاز إجراء الاستدلال فورًا على الجهاز.

ولتسهيل تشغيل نماذج Ultralytics YOLO على الطرف وجعله أكثر كفاءة، يوفر تكامل ExecuTorch الجديد المدعوم من Ultralytics طريقة مبسطة لتصدير النماذج ونشرها مباشرةً على الأجهزة المحمولة والمضمّنة. ويُعد ExecuTorch جزءًا من منظومة PyTorch Edge، كما يوفر حلًا شاملًا لتشغيل نماذج الذكاء الاصطناعي مباشرةً على الأجهزة المحمولة وأجهزة الحافة، بما في ذلك الهواتف والأجهزة القابلة للارتداء واللوحات المضمّنة ووحدات التحكم الدقيقة.

يسهّل هذا التكامل نقل نموذج Ultralytics YOLO، مثل YOLO11، من التدريب إلى النشر على أجهزة الحافة. ومن خلال الجمع بين قدرات YOLO11 في الرؤية وبيئة التشغيل خفيفة الوزن وخط أنابيب التصدير في PyTorch الخاصَّين بـ ExecuTorch، يمكن للمستخدمين نشر نماذج تعمل بكفاءة على أجهزة الحافة مع الحفاظ على دقة وأداء الاستدلال المستند إلى PyTorch.

في هذه المقالة، سنلقي نظرةً أقرب على كيفية عمل تكامل ExecuTorch، وأسباب ملاءمته الكبيرة لتطبيقات الذكاء الاصطناعي الطرفي، وكيفية البدء في نشر نماذج Ultralytics YOLO باستخدام ExecuTorch. لنبدأ!

ما هو ExecuTorch؟#

عادةً، عندما تدرّب نموذجًا باستخدام PyTorch، فإنه يعمل على خوادم قوية أو وحدات معالجة الرسومات (GPUs) في السحابة. لكن نشر النموذج نفسه على جهاز محمول أو مضمّن، مثل هاتف ذكي أو طائرة مسيّرة أو وحدة تحكم دقيقة، يتطلب حلًا متخصصًا قادرًا على التعامل مع محدودية القدرة الحاسوبية والذاكرة والاتصال.

وهذا تحديدًا ما يقدمه ExecuTorch. فهو حل شامل طُوّر باعتباره جزءًا من منظومة PyTorch Edge، ويتيح إجراء الاستدلال بكفاءة على الجهاز عبر المنصات المحمولة والمضمّنة والطرفية. كما يوسّع إمكانات PyTorch إلى ما بعد السحابة، مما يسمح لنماذج الذكاء الاصطناعي بالعمل مباشرةً على الأجهزة المحلية.

نقل الاستدلال باستخدام PyTorch إلى الطرف#

يوفر ExecuTorch في جوهره بيئة تشغيل خفيفة الوزن بلغة C++ تتيح تنفيذ نماذج PyTorch مباشرةً على الجهاز. ويستخدم ExecuTorch تنسيق نماذج PyTorch ExecuTorch (.pte)، وهو تنسيق تصدير محسّن صُمم لتسريع التحميل وتقليل استهلاك الذاكرة وتحسين قابلية النقل.

وهو يدعم XNNPACK باعتباره الواجهة الخلفية الافتراضية لإجراء الاستدلال بكفاءة باستخدام وحدة المعالجة المركزية (CPU)، كما يوسّع التوافق ليشمل مجموعة واسعة من الواجهات الخلفية للأجهزة، بما في ذلك CoreML وMetal وVulkan وQualcomm وMediaTek وArm EthosU وOpenVINO وغيرها.

تتيح هذه الواجهات الخلفية تسريعًا محسّنًا على الأجهزة المحمولة والمضمّنة وأجهزة الحافة المتخصصة. كما يتكامل ExecuTorch مع خط أنابيب التصدير في PyTorch، موفرًا دعمًا لميزات متقدمة مثل التكميم ومعالجة الأشكال الديناميكية لتحسين الأداء والقدرة على التكيف عبر بيئات النشر المختلفة.

يقلل التكميم حجم النموذج ويعزز سرعة الاستدلال من خلال تحويل القيم عالية الدقة، مثل الأعداد العشرية ذات 32 بت، إلى قيم أقل دقة، بينما تُستخدم معالجة الأشكال الديناميكية لتمكين النماذج من معالجة أحجام الإدخال المتغيرة بكفاءة. وتُعد كلتا الميزتين ضروريتين لتشغيل نماذج الذكاء الاصطناعي على أجهزة الحافة محدودة الموارد.

الشكل 1. نظرة على كيفية عمل ExecuTorch (المصدر)

طبقة موحّدة لأجهزة الحافة#

إلى جانب بيئة التشغيل الخاصة به، يعمل ExecuTorch أيضًا كطبقة تجريد موحّدة لواجهات خلفية متعددة للأجهزة. وببساطة، فإنه يجرد التفاصيل الخاصة بالأجهزة ويدير كيفية تفاعل النماذج مع وحدات المعالجة المختلفة، بما في ذلك وحدات المعالجة المركزية ووحدات معالجة الرسومات ووحدات المعالجة العصبية (NPUs).

بعد تصدير النموذج، يمكن تهيئة ExecuTorch لاستهداف الواجهة الخلفية الأنسب لجهاز معين. ويمكن للمطورين نشر النماذج بكفاءة عبر أجهزة متنوعة من دون كتابة تعليمات برمجية مخصصة لكل جهاز أو صيانة مسارات تحويل منفصلة.

بفضل تصميمه المعياري والقابل للنقل وتكامله السلس مع PyTorch، يُعد ExecuTorch خيارًا رائعًا لنشر نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 على الأنظمة المحمولة والمضمّنة. فهو يسد الفجوة بين تدريب النماذج ونشرها في العالم الحقيقي، مما يجعل الذكاء الاصطناعي الطرفي أسرع وأكثر كفاءة وأسهل تنفيذًا.

الميزات الرئيسية في ExecuTorch#

قبل أن نلقي نظرة على كيفية تصدير نماذج Ultralytics YOLO إلى تنسيق ExecuTorch، دعونا نستكشف ما يجعل ExecuTorch خيارًا موثوقًا لنشر الذكاء الاصطناعي على الطرف.

إليك لمحة عن بعض ميزاته الرئيسية:

• دعم التكميم: يدعم ExecuTorch تكميم النماذج، وهي تقنية تحوّل القيم عالية الدقة إلى قيم أقل دقة لتقليل حجم النموذج وتسريع الاستدلال. ويساعد ذلك النماذج على العمل بسرعة أكبر واستخدام ذاكرة أقل على أجهزة الحافة مع الحفاظ على مستوى دقة مماثل تقريبًا.
• الاستخدام الفعال للذاكرة: تتمثل إحدى أكبر مزايا ExecuTorch في طريقة تعامله مع الذاكرة. فبدلًا من الاعتماد على التخصيص الديناميكي للذاكرة، الذي قد يضيف زمن استجابة واستهلاكًا للطاقة، يستخدم ExecuTorch تخطيط الذاكرة قبل التنفيذ (AOT). وأثناء التصدير، يحلل مخطط النموذج ويحسب مسبقًا مقدار الذاكرة المطلوبة لكل عملية. ويتيح ذلك لبيئة التشغيل تنفيذ النماذج باستخدام مخطط ذاكرة ثابت، مما يضمن أداءً يمكن التنبؤ به ويمنع التباطؤ أو التعطل على الأجهزة ذات سعة RAM أو القدرة المعالجة المحدودة.
• بيانات وصفية مضمّنة للنموذج: عند التصدير باستخدام التكامل المدعوم من Ultralytics، يتضمن كل نموذج ملف YAML يحتوي على بيانات وصفية مهمة، مثل حجم صورة الإدخال وأسماء الفئات ومعلمات التهيئة. ويسهّل هذا الملف الإضافي دمج النموذج في تطبيقات متنوعة ويضمن سلوكًا متسقًا عبر منصات الحافة المختلفة.

كيفية تصدير نماذج Ultralytics YOLO إلى تنسيق ExecuTorch#

بعد أن أصبح لدينا فهم أفضل لما يقدمه ExecuTorch، دعونا نستعرض خطوات تصدير نماذج Ultralytics YOLO إلى تنسيق ExecuTorch.

الخطوة 1: تثبيت حزمة Ultralytics Python#

للبدء، ستحتاج إلى تثبيت حزمة Ultralytics Python باستخدام pip، وهو مثبّت للحزم. ويمكنك القيام بذلك من خلال تشغيل الأمر “pip install ultralytics” في الطرفية أو موجه الأوامر.

إذا كنت تعمل في بيئة Jupyter Notebook أو Google Colab، فما عليك سوى إضافة علامة التعجب قبل الأمر، مثل "!pip install ultralytics". وبعد تثبيتها، توفر حزمة Ultralytics جميع الأدوات اللازمة لتدريب نماذج الرؤية الحاسوبية واختبارها وتصديرها، بما في ذلك Ultralytics YOLO11.

إذا واجهت أي مشكلات أثناء التثبيت أو تصدير النموذج، فتحتوي وثائق Ultralytics الرسمية ودليل المشكلات الشائعة على خطوات تفصيلية لاستكشاف الأخطاء وإصلاحها وأفضل الممارسات لمساعدتك على بدء العمل بسلاسة.

الخطوة 2: تصدير Ultralytics YOLO11#

بعد تثبيت حزمة Ultralytics، يمكنك تحميل إصدار من نموذج YOLO11 وتصديره إلى تنسيق ExecuTorch. فعلى سبيل المثال، يمكنك استخدام نموذج مُدرّب مسبقًا مثل “yolo11n.pt” وتصديره باستدعاء دالة التصدير مع ضبط التنسيق على “executorch”.

ينشئ هذا مجلدًا باسم “yolo11n_executorch_model”، يتضمن ملف النموذج المحسّن (.pte) وملف YAML منفصلًا للبيانات الوصفية يحتوي على تفاصيل مهمة، مثل حجم الصورة وأسماء الفئات.

إليك التعليمة البرمجية لتصدير النموذج:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="executorch")

الخطوة 3: تشغيل عمليات الاستدلال بعد تصدير النموذج#

بعد تصديره، يصبح النموذج جاهزًا للنشر على أجهزة الحافة والأجهزة المحمولة باستخدام بيئة تشغيل ExecuTorch. ويمكن تحميل ملف النموذج المُصدّر .pte في تطبيقك لإجراء الاستدلال في الوقت الفعلي على الجهاز، من دون الحاجة إلى اتصال سحابي.

على سبيل المثال، يوضح مقطع التعليمات البرمجية أدناه كيفية تحميل النموذج المُصدّر وتشغيل الاستدلال. ويعني الاستدلال ببساطة استخدام نموذج مُدرّب لإجراء تنبؤات على بيانات جديدة. وفي هذه الحالة، يُختبر النموذج على صورة لحافلة مأخوذة من عنوان URL عام.

executorch_model = YOLO("yolo11n_executorch_model")
results = executorch_model.predict("https://ultralytics.com/images/bus.jpg", save=True)

بعد تشغيل التعليمات البرمجية، ستجد صورة الإخراج التي تحتوي على الكائنات المكتشفة محفوظةً في مجلد “runs/detect/predict”.

الشكل 2. اكتشاف الكائنات باستخدام نموذج Ultralytics YOLO11 المُصدّر بتنسيق ExecuTorch.

فوائد استخدام تكامل ExecuTorch#

أثناء استكشاف خيارات التصدير المختلفة التي يدعمها Ultralytics، قد تتساءل عما يميز تكامل ExecuTorch. يكمن الاختلاف الرئيسي في مدى نجاحه في الجمع بين الأداء والبساطة والمرونة، مما يسهّل نشر نماذج الذكاء الاصطناعي القوية مباشرةً على الأجهزة المحمولة وأجهزة الحافة.

إليك نظرة على بعض المزايا الرئيسية لاستخدام تكامل ExecuTorch:

• خيارات نشر مرنة: يمكن نشر نماذج ExecuTorch عبر تطبيقات الأجهزة المحمولة والأنظمة المضمّنة وأجهزة إنترنت الأشياء (IoT) وعتاد الذكاء الاصطناعي الطرفي المتخصص. وتمكّن هذه المرونة المطورين من بناء حلول ذكاء اصطناعي قابلة للتوسع تعمل باستمرار عبر منصات وبيئات متنوعة.
• أداء مثبت بالاختبارات المعيارية: تُظهر الاختبارات على أجهزة مثل Raspberry Pi 5 أن نماذج Ultralytics YOLO11 المُصدّرة إلى تنسيق ExecuTorch تعمل بسرعة أكبر بنحو الضعف من نظيراتها في PyTorch، مع دقة متطابقة تقريبًا.
• واجهات برمجة تطبيقات مرنة للتكامل: يوفر ExecuTorch واجهات برمجة تطبيقات بلُغات C++ وKotlin وObjective-C لأنظمة iOS وAndroid وLinux المضمّن، مما يتيح للمطورين دمج نماذج YOLO مباشرةً في التطبيقات الأصلية.
• دعم تسريع الأجهزة: يدعم ExecuTorch واجهات خلفية متعددة لتسريع الأجهزة، بما في ذلك Vulkan وMetal لوحدات معالجة الرسومات المحمولة، مع تكامل اختياري مع OpenCL وواجهات برمجة التطبيقات الأخرى الخاصة بالمورّدين. كما يمكنه الاستفادة من المسرّعات المخصصة مثل وحدات المعالجة العصبية (NPUs) ومعالجات الإشارات الرقمية (DSPs) لتحقيق زيادات كبيرة في السرعة مقارنةً بالاستدلال باستخدام وحدة المعالجة المركزية فقط.

التطبيقات الواقعية لـ Ultralytics YOLO11 وتصدير ExecuTorch#

مؤخرًا، حظي Ultralytics بالتقدير باعتباره قصة نجاح PyTorch ExecuTorch، مما يسلط الضوء على دعمنا المبكر للاستدلال على الجهاز وإسهاماتنا المستمرة في منظومة PyTorch. ويعكس هذا التقدير هدفًا مشتركًا يتمثل في إتاحة الذكاء الاصطناعي عالي الأداء على نطاق أوسع في المنصات المحمولة والطرفية.

من السحابة إلى الطرف: كيف يضفي ExecuTorch وUltralytics YOLO11 الحياة على الذكاء الاصطناعي للرؤية#

عمليًا، يتمثل ذلك في حلول واقعية للذكاء الاصطناعي للرؤية تعمل بكفاءة على كل شيء، من الهواتف الذكية إلى الأنظمة المضمّنة. فعلى سبيل المثال، تؤدي أجهزة الحافة في قطاع التصنيع دورًا حاسمًا في مراقبة خطوط الإنتاج واكتشاف العيوب في الوقت الفعلي.

الشكل 3. مثال على استخدام Ultralytics YOLO11 لتحليل خط تجميع في منشأة تصنيع. (المصدر)

بدلًا من إرسال الصور أو بيانات المستشعرات إلى السحابة لمعالجتها، وهو ما قد يسبب تأخيرات ويتطلب اتصالًا بالإنترنت، يتيح تكامل ExecuTorch تشغيل نماذج Ultralytics YOLO11 مباشرةً على الأجهزة المحلية. وهذا يعني أن المصانع تستطيع اكتشاف مشكلات الجودة فورًا، وتقليل وقت التوقف، والحفاظ على خصوصية البيانات، مع العمل باستخدام موارد حوسبة محدودة.

فيما يلي بعض الأمثلة الأخرى على كيفية تطبيق تكامل ExecuTorch ونماذج Ultralytics YOLO:

• المدن الذكية: من خلال تشغيل نماذج Ultralytics YOLO11 محليًا باستخدام ExecuTorch، تستطيع المدن اتخاذ قرارات أسرع قائمة على البيانات، بدءًا من اكتشاف الاختناقات المرورية ووصولًا إلى تحديد المخاطر، مما يحسن التنقل والسلامة بشكل عام.
• البيع بالتجزئة والتخزين: باستخدام الاستدلال على الجهاز، يستطيع تجار التجزئة أتمتة مراقبة الرفوف وتتبع المخزون وفحص الطرود بسرعة وأمان من دون الاعتماد على الاتصالات السحابية.
• الروبوتات والطائرات المسيّرة: تمكّن نماذج Ultralytics YOLO11 المحسّنة لأجهزة الحافة الروبوتات والطائرات المسيّرة من التعرف على الكائنات والتنقل في البيئات واتخاذ قرارات في الوقت الفعلي حتى من دون الوصول إلى الإنترنت.

الشكل 4. اكتشاف السيارات وعدّها في حركة المرور باستخدام YOLO11 (المصدر)

أهم النقاط المستخلصة#

يسهّل تصدير نماذج Ultralytics YOLO إلى تنسيق ExecuTorch نشر نماذج الرؤية الحاسوبية عبر العديد من الأجهزة، بما في ذلك الهواتف الذكية والأجهزة اللوحية والأنظمة المضمّنة مثل Raspberry Pi. وهذا يعني إمكانية تشغيل الاستدلال المحسّن على الجهاز من دون الاعتماد على الاتصال السحابي، مما يحسن السرعة والخصوصية والموثوقية.

إلى جانب ExecuTorch، يدعم Ultralytics مجموعة واسعة من عمليات التكامل، بما في ذلك TensorRT وOpenVINO وCoreML وغيرها، مما يمنح المطورين المرونة اللازمة لتشغيل نماذجهم عبر منصات متعددة. ومع تزايد اعتماد الذكاء الاصطناعي للرؤية، تعمل عمليات التكامل هذه على تبسيط نشر الأنظمة الذكية المصممة للعمل بكفاءة في ظروف العالم الحقيقي.

هل لديك فضول بشأن الذكاء الاصطناعي؟ اطّلع على مستودعنا على GitHub، وانضم إلى مجتمعنا، واستكشف خيارات الترخيص لبدء مشروعك في الذكاء الاصطناعي للرؤية. تعرّف على المزيد حول الابتكارات مثل الذكاء الاصطناعي في قطاع التجزئة والرؤية الحاسوبية في الخدمات اللوجستية من خلال زيارة صفحات حلولنا.