نشر Ultralytics YOLO11 على Rockchip لتحقيق Edge AI بكفاءة

من المصطلحات الرائجة حديثًا في مجتمع الذكاء الاصطناعي الذكاء الاصطناعي على الحافة، ولا سيما عندما يتعلق الأمر بـالرؤية الحاسوبية. ومع نمو التطبيقات المدعومة بالذكاء الاصطناعي، تزداد الحاجة إلى تشغيل النماذج بكفاءة على الأجهزة المضمّنة ذات الطاقة وموارد الحوسبة المحدودة.

فعلى سبيل المثال، تستخدم الطائرات المسيّرة الذكاء الاصطناعي للرؤية في الملاحة الآنية، وتكتشف الكاميرات الذكية الأجسام فورًا، وتنفّذ أنظمة الأتمتة الصناعية فحص الجودة من دون الاعتماد على الحوسبة السحابية. وتتطلب هذه التطبيقات معالجة سريعة وفعالة للذكاء الاصطناعي مباشرةً على الأجهزة الطرفية لضمان الأداء الآني وزمن الوصول المنخفض. غير أن تشغيل نماذج الذكاء الاصطناعي على الأجهزة الطرفية ليس سهلًا دائمًا؛ إذ تتطلب النماذج غالبًا طاقة وذاكرة تفوق ما تستطيع كثير من الأجهزة الطرفية توفيره.

تساعد مجموعة أدوات RKNN من Rockchip في حل هذه المشكلة من خلال تحسين نماذج التعلم العميق للأجهزة المدعومة من Rockchip. وهي تستخدم وحدات المعالجة العصبية (NPUs) المخصصة لتسريع الاستدلال، ما يقلل زمن الوصول واستهلاك الطاقة مقارنةً بالمعالجة عبر CPU أو GPU.

كان مجتمع الرؤية الحاسوبية متحمسًا لتشغيل Ultralytics YOLO11 على الأجهزة القائمة على Rockchip، وقد استجبنا لذلك. أضفنا دعمًا لـتصدير YOLO11 إلى تنسيق نموذج RKNN. في هذه المقالة، سنستكشف كيفية عمل التصدير إلى RKNN وسبب اعتبار نشر YOLO11 على الأجهزة المدعومة من Rockchip نقلة نوعية.

ما هو Rockchip ومجموعة أدوات RKNN؟#

Rockchip شركة تصمم الأنظمة على شرائح (SoCs)، وهي معالجات صغيرة لكنها قوية تشغّل العديد من الأجهزة المضمّنة. تجمع هذه الشرائح بين CPU وGPU ووحدة معالجة عصبية (NPU) للتعامل مع كل شيء، من مهام الحوسبة العامة إلى تطبيقات الرؤية الحاسوبية المدعومة بالذكاء الاصطناعي التي تعتمد على اكتشاف الأجسام ومعالجة الصور.

تُستخدم SoCs من Rockchip في مجموعة متنوعة من الأجهزة، بما في ذلك الحواسيب أحادية اللوحة (SBCs) ولوحات التطوير وأنظمة الذكاء الاصطناعي الصناعية والكاميرات الذكية. وتبني العديد من الشركات المصنّعة المعروفة للأجهزة، مثل Radxa وASUS وPine64 وOrange Pi وOdroid وKhadas وBanana Pi، أجهزةً مدعومةً بـSoCs من Rockchip. وتحظى هذه اللوحات بشعبية في تطبيقات الذكاء الاصطناعي على الحافة والرؤية الحاسوبية لأنها توفر توازنًا بين الأداء وكفاءة الطاقة والتكلفة المناسبة.

الشكل 1. مثال على جهاز مدعوم من Rockchip.

لمساعدة نماذج الذكاء الاصطناعي على العمل بكفاءة على هذه الأجهزة، توفر Rockchip مجموعة أدوات RKNN (شبكة Rockchip العصبية). وتتيح للمطورين تحويل نماذج التعلم العميق وتحسينها لاستخدام وحدات المعالجة العصبية (NPUs) من Rockchip.

تُحسَّن نماذج RKNN للاستدلال منخفض زمن الوصول والاستخدام الفعال للطاقة. ومن خلال تحويل النماذج إلى RKNN، يمكن للمطورين تحقيق سرعات معالجة أعلى واستهلاك أقل للطاقة وكفاءة محسّنة على الأجهزة المدعومة من Rockchip.

نماذج RKNN مُحسّنة#

لنتعمق قليلًا في كيفية تحسين نماذج RKNN لأداء الذكاء الاصطناعي على الأجهزة المزوّدة بـRockchip.

بخلاف وحدات CPU وGPU التي تتعامل مع نطاق واسع من مهام الحوسبة، صُممت وحدات NPU من Rockchip خصيصًا للتعلم العميق. ومن خلال تحويل نماذج الذكاء الاصطناعي إلى تنسيق RKNN، يستطيع المطورون تشغيل عمليات الاستدلال مباشرةً على وحدة NPU. وهذا يجعل نماذج RKNN مفيدةً خصوصًا لمهام الرؤية الحاسوبية الآنية، حيث تكون المعالجة السريعة والفعالة ضرورية.

تُعد وحدات NPU أسرع وأكثر كفاءة من وحدات CPU وGPU في مهام الذكاء الاصطناعي لأنها مصممة للتعامل مع حسابات الشبكات العصبية بالتوازي. فبينما تعالج وحدات CPU المهام خطوةً واحدةً في كل مرة، وتوزع وحدات GPU أعباء العمل على نوى متعددة، تُحسَّن وحدات NPU لتنفيذ الحسابات الخاصة بالذكاء الاصطناعي بكفاءة أكبر.

ونتيجةً لذلك، تعمل نماذج RKNN بسرعة أكبر وتستهلك طاقة أقل، ما يجعلها مثاليةً للأجهزة التي تعمل بالبطاريات والكاميرات الذكية والأتمتة الصناعية وغيرها من تطبيقات الذكاء الاصطناعي على الحافة التي تتطلب اتخاذ قرارات آنية.

نظرة عامة على نماذج Ultralytics YOLO#

صُممت نماذج Ultralytics YOLO (أنت تنظر مرة واحدة) لمهام الرؤية الحاسوبية الآنية مثل اكتشاف الأجسام وتقسيم المثيلات وتصنيف الصور. وتشتهر هذه النماذج بسرعتها ودقتها وكفاءتها، وتُستخدم على نطاق واسع في قطاعات مثل الزراعة والتصنيع والرعاية الصحية والأنظمة الذاتية.

تحسنت هذه النماذج بدرجة كبيرة بمرور الوقت. فعلى سبيل المثال، جعلت Ultralytics YOLOv5 اكتشاف الأجسام أسهل استخدامًا مع PyTorch. ثم أضافت Ultralytics YOLOv8 ميزات جديدة مثل تقدير الوضعية وتصنيف الصور. أما الآن، فيتقدم YOLO11 خطوةً أخرى بزيادة الدقة مع استخدام موارد أقل. وفي الواقع، يحقق YOLO11m أداءً أفضل على مجموعة بيانات COCO مع استخدام معلمات أقل بنسبة 22% من YOLOv8m، ما يجعله أكثر دقة وكفاءة في آنٍ واحد.

الشكل 2. اكتشاف الأجسام باستخدام Ultralytics YOLO11.

تدعم نماذج Ultralytics YOLO أيضًا التصدير إلى تنسيقات متعددة، ما يتيح النشر المرن عبر منصات مختلفة. وتشمل هذه التنسيقات ONNX وTensorRT وCoreML وOpenVINO، مما يمنح المطورين حرية تحسين الأداء وفقًا للأجهزة المستهدفة.

مع إضافة دعم تصدير YOLO11 إلى تنسيق نموذج RKNN، يستطيع YOLO11 الآن الاستفادة من وحدات NPU في Rockchip. ويحقق أصغر نموذج، YOLO11n بتنسيق RKNN، زمن استدلال مذهلًا يبلغ 99.5ms لكل صورة، ما يتيح المعالجة الآنية حتى على الأجهزة المضمّنة.

تصدير نموذج Ultralytics YOLO11 إلى تنسيق RKNN#

حاليًا، يمكن تصدير نماذج Ultralytics YOLO11 لاكتشاف الأجسام إلى تنسيق RKNN. كما نعمل على إضافة دعم لمهام الرؤية الحاسوبية الأخرى والتكميم INT8 في التحديثات المستقبلية، فترقبوا ذلك.

يُعد تصدير Ultralytics YOLO11 إلى تنسيق RKNN عمليةً مباشرة. يمكنك تحميل نموذج YOLO11 المدرَّب خصيصًا، وتحديد منصة Rockchip المستهدفة، وتحويله إلى تنسيق RKNN باستخدام بضعة أسطر من التعليمات البرمجية. ويتوافق تنسيق RKNN مع مختلف SoCs من Rockchip، بما في ذلك RK3588 وRK3566 وRK3576، مما يضمن دعمًا واسعًا للأجهزة.

الشكل 3. تصدير Ultralytics YOLO11 إلى تنسيق نموذج RKNN.

نشر Ultralytics YOLO11 على الأجهزة القائمة على Rockchip#

بعد التصدير، يمكن نشر نموذج RKNN على الأجهزة القائمة على Rockchip. ولنشر النموذج، ما عليك سوى تحميل ملف RKNN المُصدَّر إلى جهاز Rockchip وتشغيل الاستدلال؛ أي استخدام نموذج الذكاء الاصطناعي المدرَّب لتحليل الصور أو الفيديوهات الجديدة واكتشاف الأجسام في الوقت الفعلي. وباستخدام بضعة أسطر من التعليمات البرمجية، يمكنك البدء في تحديد الأجسام من الصور أو تدفقات الفيديو.

الشكل 4. تشغيل الاستدلال باستخدام نموذج RKNN المُصدَّر.

تطبيقات الذكاء الاصطناعي على الحافة باستخدام Ultralytics YOLO11 وRockchip#

للحصول على فكرة أفضل عن مواضع نشر Ultralytics YOLO11 على الأجهزة المزوّدة بـRockchip في العالم الحقيقي، نستعرض بعض تطبيقات الذكاء الاصطناعي الأساسية على الحافة.

تُستخدم معالجات Rockchip على نطاق واسع في الأجهزة اللوحية القائمة على Android ولوحات التطوير وأنظمة الذكاء الاصطناعي الصناعية. وبفضل دعم Android وLinux وPython، يمكنك بسهولة بناء حلول مدعومة بذكاء اصطناعي للرؤية ونشرها في مجموعة متنوعة من القطاعات.

الأجهزة اللوحية المتينة المدمج بها Ultralytics YOLO11#

من التطبيقات الشائعة التي تتضمن تشغيل Ultralytics YOLO11 على الأجهزة المدعومة من Rockchip الأجهزة اللوحية المتينة. وهي أجهزة لوحية متينة وعالية الأداء مصممة للبيئات القاسية مثل المستودعات ومواقع البناء والبيئات الصناعية. ويمكن لهذه الأجهزة اللوحية الاستفادة من اكتشاف الأجسام لتحسين الكفاءة والسلامة.

فعلى سبيل المثال، في الخدمات اللوجستية للمستودعات، يمكن للعاملين استخدام جهاز لوحي مدعوم من Rockchip مع YOLO11 لمسح المخزون واكتشافه تلقائيًا، مما يقلل الأخطاء البشرية ويسرّع أوقات المعالجة. وبالمثل، في مواقع البناء، يمكن استخدام هذه الأجهزة اللوحية لاكتشاف ما إذا كان العاملون يرتدون معدات السلامة المطلوبة، مثل الخوذ والسترات، ما يساعد الشركات على تطبيق اللوائح ومنع الحوادث.

الشكل 5. اكتشاف معدات السلامة باستخدام Ultralytics YOLO11.

الذكاء الاصطناعي الصناعي لمراقبة الجودة#

فيما يتعلق بالتصنيع والأتمتة، يمكن أن تؤدي اللوحات الصناعية المدعومة من Rockchip دورًا مهمًا في مراقبة الجودة ومتابعة العمليات. واللوحة الصناعية وحدة حوسبة مدمجة وعالية الأداء مصممة للأنظمة المضمّنة في البيئات الصناعية. وتتضمن هذه اللوحات عادةً معالجات وذاكرة وواجهات إدخال وإخراج وخيارات اتصال يمكنها التكامل مع المستشعرات والكاميرات والآلات الآلية.

يتيح تشغيل نماذج Ultralytics YOLO11 على هذه اللوحات تحليل خطوط الإنتاج في الوقت الفعلي، واكتشاف المشكلات فورًا، وتحسين الكفاءة. فعلى سبيل المثال، في تصنيع السيارات، يستطيع نظام ذكاء اصطناعي يستخدم أجهزة Rockchip وYOLO11 اكتشاف الخدوش أو الأجزاء غير المتراصفة أو عيوب الطلاء أثناء تحرك السيارات على خط التجميع. ومن خلال تحديد هذه العيوب في الوقت الفعلي، يمكن للمصنّعين تقليل الهدر وخفض تكاليف الإنتاج وضمان معايير جودة أعلى قبل وصول المركبات إلى العملاء.

فوائد تشغيل Ultralytics YOLO11 على الأجهزة القائمة على Rockchip#

توفر الأجهزة القائمة على Rockchip توازنًا جيدًا بين الأداء والتكلفة والكفاءة، مما يجعلها خيارًا ممتازًا لنشر Ultralytics YOLO11 في تطبيقات الذكاء الاصطناعي على الحافة.

فيما يلي بعض مزايا تشغيل Ultralytics YOLO11 على الأجهزة القائمة على Rockchip:

• تحسين أداء الذكاء الاصطناعي: تتعامل الأجهزة المزوّدة بـRockchip مع استدلال الذكاء الاصطناعي بكفاءة أعلى من اللوحات القائمة على CPU مثل Raspberry Pi، فتقدم اكتشافًا أسرع للأجسام وزمن وصول أقل.
• حل اقتصادي: إذا كنت تجرّب الذكاء الاصطناعي وتحتاج إلى خيار منخفض التكلفة لا يزال يقدم أداءً قويًا، فإن Rockchip خيار ممتاز. فهو يوفر طريقة ميسورة التكلفة لتشغيل Ultralytics YOLO11 من دون التضحية بالسرعة أو الكفاءة.
• كفاءة الطاقة: يستهلك تشغيل نماذج الرؤية الحاسوبية على الأجهزة المدعومة من Rockchip طاقةً أقل من وحدات GPU، مما يجعلها مثاليةً للأجهزة التي تعمل بالبطاريات وتطبيقات الذكاء الاصطناعي المضمّنة.

أهم النقاط المستخلصة#

يمكن تشغيل Ultralytics YOLO11 بكفاءة على الأجهزة القائمة على Rockchip بالاستفادة من تسريع الأجهزة وتنسيق RKNN. ويقلل ذلك زمن الاستدلال ويحسن الأداء، مما يجعله مثاليًا لمهام الرؤية الحاسوبية الآنية وتطبيقات الذكاء الاصطناعي على الحافة.

توفر مجموعة أدوات RKNN أدوات تحسين أساسية مثل التكميم والضبط الدقيق، مما يضمن أداء نماذج Ultralytics YOLO11 جيدًا على منصات Rockchip. وسيكون تحسين النماذج للمعالجة الفعالة على الجهاز أمرًا ضروريًا مع انتشار اعتماد الذكاء الاصطناعي على الحافة. وباستخدام الأدوات والأجهزة المناسبة، يستطيع المطورون استكشاف إمكانات جديدة لحلول الرؤية الحاسوبية في مختلف القطاعات.

انضم إلى مجتمعنا واستكشف مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي. وتعرّف على كيفية إسهام الرؤية الحاسوبية في الزراعة والذكاء الاصطناعي في الرعاية الصحية في دفع عجلة الابتكار من خلال زيارة صفحات حلولنا. كما يمكنك الاطلاع على خيارات الترخيص لبدء بناء حلول الذكاء الاصطناعي للرؤية اليوم!