نشر Ultralytics YOLO11 على Rockchip لذكاء الحافة بكفاءة

من المصطلحات الشائعة حديثاً في مجتمع الذكاء الاصطناعي هو الذكاء الاصطناعي على الحافة (edge AI)، سيما عندما يتعلق الأمر بـ الرؤية الحاسوبية. مع نمو التطبيقات المدعومة بالذكاء الاصطناعي، تزداد الحاجة إلى تشغيل النماذج بكفاءة على الأجهزة المضمنة ذات الطاقة المحدودة وموارد الحوسبة.

على سبيل المثال، تستخدم الطائرات بدون طيار الرؤية المدعومة بالذكاء الاصطناعي للملاحة في الوقت الفعلي، وتكتشف الكاميرات الذكية الأشياء فورياً، وتقوم أنظمة الأتمتة الصناعية بمراقبة الجودة دون الاعتماد على الحوسبة السحابية. تتطلب هذه التطبيقات معالجة ذكاء اصطناعي سريعة وفعالة مباشرةً على أجهزة الحافة لضمان الأداء في الوقت الفعلي وزمن وصول منخفض. ومع ذلك، ليس من السهل دائماً تشغيل نماذج الذكاء الاصطناعي على أجهزة الحافة، حيث غالباً ما تتطلب هذه النماذج طاقة وذاكرة أكبر مما يمكن للعديد من أجهزة الحافة التعامل معه.

تساعد مجموعة أدوات RKNN من Rockchip في حل هذه المشكلة من خلال تحسين نماذج التعلم العميق للأجهزة التي تعمل بشرائح Rockchip. فهي تستخدم وحدات معالجة عصبية (NPUs) مخصصة لتسريع الاستدلال، مما يقلل من زمن الوصول واستهلاك الطاقة مقارنة بالمعالجة عبر CPU أو GPU.

كان مجتمع رؤية الذكاء الاصطناعي حريصاً على تشغيل نموذج Ultralytics YOLO11 على الأجهزة التي تعمل بمعالجات Rockchip، وقد استمعنا إليكم. لقد أضفنا دعماً لـ تصدير YOLO11 إلى تنسيق نموذج RKNN. في هذه المقالة، سنستكشف كيف يعمل التصدير إلى RKNN ولماذا يُعد نشر YOLO11 على الأجهزة المدعومة بمعالجات Rockchip نقلة نوعية.

ما هي Rockchip ومجموعة أدوات RKNN؟#

Rockchip هي شركة تصمم منظومات على شريحة (SoCs) - وهي معالجات دقيقة لكنها قوية تشغل العديد من الأجهزة المضمنة. تجمع هذه الرقاقات بين وحدة معالجة مركبة (CPU)، ووحدة معالجة رسومية (GPU)، ووحدة معالجة عصبية (NPU) للتعامل مع كل شيء بدءاً من مهام الحوسبة العامة وصولاً إلى تطبيقات الرؤية الحاسوبية التي تعتمد على اكتشاف الكائنات ومعالجة الصور.

تُستخدم منظومات Rockchip على شريحة في مجموعة متنوعة من الأجهزة، بما في ذلك الحواسيب ذات اللوحة الواحدة (SBCs)، ولوحات التطوير، وأنظمة الذكاء الاصطناعي الصناعية، والكاميرات الذكية. تقوم العديد من الشركات المصنعة للأجهزة المعروفة مثل Radxa، وASUS، وPine64، وOrange Pi، وOdroid، وKhadas، وBanana Pi بتصنيع أجهزة تعمل بمنظومات Rockchip على شريحة. تُعد هذه اللوحات شائعة لتطبيقات الذكاء الاصطناعي على الحافة والرؤية الحاسوبية لأنها توفر توازناً بين الأداء، وكفاءة الطاقة، والقدرة على تحمل التكاليف.

الشكل 1. مثال على جهاز مدعوم بمعالج Rockchip.

لمساعدة نماذج الذكاء الاصطناعي على العمل بكفاءة على هذه الأجهزة، توفر Rockchip مجموعة أدوات RKNN (Rockchip Neural Network). وهي تتيح للمطورين تحويل وتحسين نماذج التعلم العميق لاستخدام وحدات المعالجة العصبية (NPUs) الخاصة بـ Rockchip.

تم تحسين نماذج RKNN من أجل استدلال ذي زمن وصول منخفض واستخدام فعال للطاقة. من خلال تحويل النماذج إلى RKNN، يمكن للمطورين تحقيق سرعات معالجة أسرع، وتقليل استهلاك الطاقة، وتحسين الكفاءة على الأجهزة التي تعمل بشرائح Rockchip.

نماذج RKNN مُحسَّنة#

لنلقِ نظرة فاحصة على كيفية تحسين نماذج RKNN لأداء الذكاء الاصطناعي على الأجهزة التي تدعم Rockchip.

على عكس وحدات المعالجة المركزية ووحدات معالجة الرسوميات التي تتعامل مع مجموعة واسعة من مهام الحوسبة، تم تصميم وحدات المعالجة العصبية (NPUs) من Rockchip خصيصاً للتعلم العميق. من خلال تحويل نماذج الذكاء الاصطناعي إلى تنسيق RKNN، يمكن للمطورين تشغيل الاستدلال مباشرة على وحدة المعالجة العصبية. هذا يجعل نماذج RKNN مفيدة بشكل خاص لمهام الرؤية الحاسوبية في الوقت الفعلي، حيث تكون المعالجة السريعة والفعالة أمراً بالغ الأهمية.

تعد وحدات NPU أسرع وأكثر كفاءة من وحدات CPU و GPU لمهام الذكاء الاصطناعي لأنها مصممة للتعامل مع حسابات الشبكات العصبية بالتوازي. في حين تعالج وحدات CPU المهام خطوة بخطوة وتوزع وحدات GPU أعباء العمل عبر مراكز متعددة، فإن وحدات NPU مُحسَّنة لأداء الحسابات الخاصة بالذكاء الاصطناعي بكفاءة أكبر.

ونتيجة لذلك، تعمل نماذج RKNN بشكل أسرع وتستهلك طاقة أقل، مما يجعلها مثالية للأجهزة التي تعمل بالبطارية، والكاميرات الذكية، والأتمتة الصناعية، وتطبيقات الذكاء الاصطناعي عند الحافة الأخرى التي تتطلب اتخاذ قرارات في الوقت الفعلي.

نظرة عامة على نماذج Ultralytics YOLO#

تم تصميم نماذج Ultralytics YOLO (You Only Look Once) لمهام الرؤية الحاسوبية في الوقت الفعلي مثل اكتشاف الكائنات، وتجزئة المثيلات، وتصنيف الصور. وهي معروفة بسرعتها ودقتها وكفاءتها، وتُستخدم على نطاق واسع في قطاعات مثل الزراعة، والتصنيع، والرعاية الصحية، والأنظمة المستقلة.

لقد تحسنت هذه النماذج بشكل كبير بمرور الوقت. على سبيل المثال، جعل نموذج Ultralytics YOLOv5 عملية اكتشاف الكائنات أسهل في الاستخدام مع PyTorch. بعد ذلك، أضاف نموذج Ultralytics YOLOv8 ميزات جديدة مثل تقدير الوضعية وتصنيف الصور. والآن، يأتي YOLO11 ليخطو خطوة أبعد من خلال زيادة الدقة مع استهلاك عدد أقل من الموارد. في الواقع، يحقق YOLO11m أداءً أفضل على مجموعة بيانات COCO بينما يستخدم معلمات أقل بنسبة 22% مقارنة بـ YOLOv8m، مما يجعله أكثر دقة وكفاءة في آن واحد.

الشكل 2. اكتشاف الكائنات باستخدام Ultralytics YOLO11.

تدعم نماذج Ultralytics YOLO أيضاً التصدير إلى تنسيقات متعددة، مما يتيح النشر المرن عبر مختلف المنصات. تشمل هذه التنسيقات ONNX، وTensorRT، وCoreML، وOpenVINO، مما يمنح المطورين الحرية في تحسين الأداء بناءً على الأجهزة المستهدفة.

مع إضافة دعم لتصدير YOLO11 إلى تنسيق نموذج RKNN، يمكن لـ YOLO11 الآن الاستفادة من وحدات NPU الخاصة بـ Rockchip. يحقق أصغر نموذج، وهو YOLO11n بتنسيق RKNN، زمن استدلال مثير للإعجاب يبلغ 99.5 مللي ثانية لكل صورة، مما يتيح المعالجة في الوقت الفعلي حتى على الأجهزة المدمجة.

تصدير نموذج Ultralytics YOLO11 الخاص بك إلى تنسيق RKNN#

حالياً، يمكن تصدير نماذج اكتشاف الكائنات Ultralytics YOLO11 إلى تنسيق RKNN. وأيضاً، ترقبونا - فنحن نعمل على إضافة دعم لمهام رؤية الكمبيوتر الأخرى وتكميم INT8 في التحديثات المستقبلية.

يعد تصدير نماذج Ultralytics YOLO11 إلى تنسيق RKNN عملية مباشرة. يمكنك تحميل نموذج YOLO11 المُدرب خصيصًا، وتحديد منصة Rockchip المستهدفة، وتحويله إلى تنسيق RKNN ببضع أسطر من الكود. يتوافق تنسيق RKNN مع وحدات SoC المختلفة من Rockchip، بما في ذلك RK3588 وRK3566 وRK3576، مما يضمن دعمًا واسع النطاق للأجهزة.

الشكل 3. تصدير نموذج Ultralytics YOLO11 إلى تنسيق نموذج RKNN.

نشر Ultralytics YOLO11 على الأجهزة القائمة على Rockchip#

بمجرد تصديره، يمكن نشر نموذج RKNN على الأجهزة القائمة على Rockchip. لنشر النموذج، ما عليك سوى تحميل ملف RKNN المُصدَّر على جهاز Rockchip الخاص بك وتشغيل الاستدلال - وهي عملية استخدام نموذج الذكاء الاصطناعي المدرب لتحليل صور أو فيديو جديد واكتشاف الأشياء في الوقت الفعلي. باستخدام بضعة أسطر فقط من الكود، يمكنك البدء في تحديد الأشياء من الصور أو تدفقات الفيديو.

الشكل 4. تشغيل استدلال باستخدام نموذج RKNN المُصدَّر.

تطبيقات الذكاء الاصطناعي على الحافة لنماذج Ultralytics YOLO11 و Rockchip#

للحصول على فكرة أفضل عن المكان الذي يمكن فيه نشر Ultralytics YOLO11 على الأجهزة المدعومة بـ Rockchip في الواقع، دعنا نستعرض بعض تطبيقات الذكاء الاصطناعي الرئيسية على الحافة.

تُستخدم معالجات Rockchip على نطاق واسع في الأجهزة اللوحية التي تعمل بنظام Android، ولوحات التطوير، وأنظمة الذكاء الاصطناعي الصناعية. مع دعم Android و Linux و Python، يمكنك بسهولة بناء ونشر حلول تعتمد على الرؤية بالذكاء الاصطناعي لمجموعة متنوعة من الصناعات.

الأجهزة اللوحية المدمجة المتكاملة مع Ultralytics YOLO11#

التطبيق الشائع الذي يتضمن تشغيل Ultralytics YOLO11 على الأجهزة المدعومة بـ Rockchip هو الأجهزة اللوحية المتينة. وهي أجهزة لوحية متينة وعالية الأداء مصممة للبيئات القاسية مثل المستودعات ومواقع البناء والإعدادات الصناعية. يمكن لهذه الأجهزة اللوحية الاستفادة من اكتشاف الكائنات لتحسين الكفاءة والسياسة والسلامة.

على سبيل المثال، في خدمات لوجستيات المستودعات، يمكن للعمال استخدام جهاز لوحي مدعوم بمعالج Rockchip مع YOLO11 لمسح المخزون واكتشافه تلقائياً، مما يقلل من الخطأ البشري ويسرع أوقات المعالجة. وبالمثل، في مواقع البناء، يمكن استخدام هذه الأجهزة اللوحية لاكتشاف ما إذا كان العمال يرتدون معدات السلامة المطلوبة، مثل الخوذات والسترات، مما يساعد الشركات على فرض اللوائح ومنع الحوادث.

Fig 5. اكتشاف معدات السلامة باستخدام Ultralytics YOLO11.

ذكاء اصطناعي صناعي لمراقبة الجودة#

فيما يتعلق بالتصنيع والأتمتة، يمكن للوحات الصناعية التي تعمل بشرائح Rockchip أن تلعب دوراً كبيراً في مراقبة الجودة ومراقبة العمليات. اللوحة الصناعية عبارة عن وحدة حوسبة مدمجة وعالية الأداء مصممة للأنظمة المدمجة في البيئات الصناعية. تشتمل هذه اللوحات عادةً على معالجات، وذاكرة، وواجهات إدخال/إخراج، وخيارات اتصال يمكن دمجها مع أجهزة الاستشعار، والكاميرات، والآلات المؤتمتة.

يؤدي تشغيل نماذج Ultralytics YOLO11 على هذه اللوحات إلى إمكانية تحليل خطوط الإنتاج في الوقت الفعلي، واكتشاف المشكلات على الفور وتحسين الكفاءة. على سبيل المثال، في صناعة السيارات، يمكن لنظام الذكاء الاصطناعي الذي يستخدم أجهزة Rockchip وYOLO11 اكتشاف الخدوش، أو الأجزاء غير المحاذية، أو عيوب الطلاء أثناء تحرك السيارات على خط التجميع. ومن خلال تحديد هذه العيوب في الوقت الفعلي، يمكن للمصنعين تقليل الهدر، وخفض تكاليف الإنتاج، وضمان معايير جودة أعلى قبل وصول المركبات إلى العملاء.

مزايا تشغيل Ultralytics YOLO11 على الأجهزة القائمة على Rockchip#

توفر الأجهزة القائمة على Rockchip توازناً جيداً بين الأداء والتكلفة والكفاءة، مما يجعلها خياراً رائعاً لنشر Ultralytics YOLO11 في تطبيقات الذكاء الاصطناعي على الحافة.

إليك بعض مزايا تشغيل Ultralytics YOLO11 على الأجهزة القائمة على Rockchip:

• أداء ذكاء اصطناعي محسّن: تتعامل الأجهزة المدعومة بمعالجات Rockchip مع استدلال الذكاء الاصطناعي بكفاءة أكبر مقارنة باللوحات المستندة إلى وحدات المعالجة المركزية مثل Raspberry Pi، مما يوفر اكتشافاً أسرع للكائنات وزمن وصول أقل.
• حل فعال من حيث التكلفة: إذا كنت تجري تجارب باستخدام الذكاء الاصطناعي وتحتاج إلى خيار مناسب للميزانية يقدم أداءً قوياً، فإن Rockchip خيار رائع. فهو يوفر طريقة ميسورة التكلفة لتشغيل Ultralytics YOLO11 دون المساس بالسرعة أو الكفاءة.
• كفاءة الطاقة: استهلاك تشغيل نماذج الرؤية الحاسوبية على الأجهزة التي تعمل بشرائح Rockchip لطاقة أقل مقارنة بـ GPUs، مما يجعلها مثالية للأجهزة التي تعمل بالبطارية وتطبيقات الذكاء الاصطناعي المدمجة.

أبرز النقاط#

يمكن لـ Ultralytics YOLO11 العمل بكفاءة على الأجهزة القائمة على Rockchip من خلال الاستفادة من تسريع الأجهزة وتنسيق RKNN. وهذا يقلل من زمن الاستدلال ويحسن الأداء، مما يجعله مثالياً لمهام الرؤية الحاسوبية في الوقت الفعلي وتطبيقات الذكاء الاصطناعي عند الحافة.

توفّر مجموعة أدوات RKNN أدوات تحسين رئيسية مثل التكميم والضبط الدقيق، مما يضمن أداء نماذج Ultralytics YOLO11 بشكل جيد على منصات Rockchip. سيكون تحسين النماذج للمعالجة الفعالة على الجهاز أمراً أساسياً مع نمو اعتماد الذكاء الاصطناعي على الحافة. مع الأدوات والأجهزة المناسبة، يمكن للمطورين فتح إمكانيات جديدة لحلول رؤية الكمبيوتر في مختلف الصناعات.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي. تعرف على كيفية قيادة الرؤية الحاسوبية في الزراعة والذكاء الاصطناعي في الرعاية الصحية للابتكار من خلال زيارة صفحات الحلول الخاصة بنا. تحقق أيضاً من خيارات الترخيص الخاصة بنا لتبدأ في بناء حلول رؤية الذكاء الاصطناعي الخاصة بك اليوم!