نشر Ultralytics YOLO11 على Rockchip لذكاء الحافة بكفاءة

أحد المصطلحات الشائعة مؤخراً في مجتمع الذكاء الاصطناعي هو الذكاء الاصطناعي عند الحافة (edge AI)، خاصةً عندما يتعلق الأمر بـ الرؤية الحاسوبية. مع نمو التطبيقات المعتمدة على الذكاء الاصطناعي، تزداد الحاجة إلى تشغيل النماذج بكفاءة على الأجهزة المدمجة ذات الموارد المحدودة من الطاقة والحوسبة.

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 الذكاء الاصطناعي والرؤية متحمساً لتشغيل Ultralytics YOLO11 على الأجهزة القائمة على Rockchip، وقد استمعنا إليكم. لقد أضفنا دعماً لـ تصدير YOLO11 إلى تنسيق نموذج RKNN. في هذه المقالة، سنستكشف كيفية عمل التصدير إلى RKNN وسبب كون نشر YOLO11 على الأجهزة التي تعمل بشرائح Rockchip نقلة نوعية.

Link to this sectionما هي Rockchip ومجموعة أدوات RKNN؟#

Rockchip هي شركة تصمم أنظمة على رقاقة (SoCs) - وهي معالجات صغيرة ولكنها قوية تشغل العديد من الأجهزة المدمجة. تجمع هذه الرقاقات بين CPU و GPU ووحدة معالجة عصبية (NPU) للتعامل مع كل شيء بدءاً من مهام الحوسبة العامة وصولاً إلى تطبيقات الرؤية الحاسوبية المعتمدة على اكتشاف الأشياء ومعالجة الصور.

تُستخدم أنظمة Rockchip على رقاقة (SoCs) في مجموعة متنوعة من الأجهزة، بما في ذلك الحواسيب ذات اللوحة الواحدة (SBCs)، ولوحات التطوير، وأنظمة الذكاء الاصطناعي الصناعية، والكاميرات الذكية. يقوم العديد من مصنعي الأجهزة المعروفين، مثل Radxa و ASUS و Pine64 و Orange Pi و Odroid و Khadas و Banana Pi، ببناء أجهزة تعمل بشرائح Rockchip. تحظى هذه اللوحات بشعبية كبيرة في الذكاء الاصطناعي عند الحافة وتطبيقات الرؤية الحاسوبية لأنها توفر توازناً بين الأداء وكفاءة الطاقة والقدرة على تحمل التكاليف.

Fig 1. مثال على جهاز يعمل 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.

Link to this sectionنماذج RKNN مُحسَّنة#

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

على عكس وحدات CPU و GPU، التي تتعامل مع مجموعة واسعة من مهام الحوسبة، صُممت وحدات NPU من Rockchip خصيصاً للتعلم العميق. من خلال تحويل نماذج الذكاء الاصطناعي إلى تنسيق RKNN، يمكن للمطورين تشغيل عمليات الاستدلال مباشرةً على وحدة NPU. وهذا يجعل نماذج RKNN مفيدة بشكل خاص لـ مهام الرؤية الحاسوبية في الوقت الفعلي، حيث تكون المعالجة السريعة والفعالة أمراً ضرورياً.

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.

Link to this sectionنظرة عامة على نماذج Ultralytics YOLO#

صُممت نماذج Ultralytics YOLO (You Only Look Once) لمهام الرؤية الحاسوبية في الوقت الفعلي مثل اكتشاف الأشياء، وتقسيم الحالات (instance segmentation)، وتصنيف الصور. وهي معروفة بسرعتها ودقتها وكفاءتها، وتُستخدم على نطاق واسع في صناعات مثل الزراعة، والتصنيع، والرعاية الصحية، والأنظمة المستقلة.

تحسنت هذه النماذج بشكل كبير بمرور الوقت. على سبيل المثال، جعلت Ultralytics YOLOv5 اكتشاف الأشياء أسهل في الاستخدام مع PyTorch. ثم أضافت Ultralytics YOLOv8 ميزات جديدة مثل تقدير الوضعية وتصنيف الصور. والآن، تأخذ YOLO11 الأمور إلى أبعد من ذلك من خلال زيادة الدقة مع استخدام موارد أقل. في الواقع، يعمل YOLO11m بشكل أفضل على مجموعة بيانات COCO مع استخدام معلمات أقل بنسبة 22% من YOLOv8m، مما يجعله أكثر دقة وكفاءة.

الشكل 2. اكتشاف الأشياء باستخدام YOLO11.

تدعم نماذج Ultralytics YOLO أيضاً التصدير إلى تنسيقات متعددة، مما يتيح نشرها بمرونة عبر منصات مختلفة. تشمل هذه التنسيقات ONNX و TensorRT و CoreML و OpenVINO، مما يمنح المطورين حرية تحسين الأداء بناءً على أجهزتهم 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.

Link to this sectionتصدير نموذج YOLO11 الخاص بك إلى تنسيق RKNN#

حالياً، يمكن تصدير نماذج اكتشاف الأشياء YOLO11 إلى تنسيق RKNN. ترقبوا المزيد - فنحن نعمل على إضافة دعم لمهام الرؤية الحاسوبية الأخرى وتكميم INT8 في التحديثات المستقبلية.

يعد تصدير YOLO11 إلى تنسيق RKNN عملية مباشرة. يمكنك تحميل نموذج YOLO11 المدرب مخصصاً، وتحديد منصة Rockchip المستهدفة، وتحويله إلى تنسيق RKNN بضعة أسطر من الكود. تنسيق RKNN متوافق مع مختلف أنظمة Rockchip على رقاقة (SoCs)، بما في ذلك RK3588 و RK3566 و RK3576، مما يضمن دعماً واسعاً للأجهزة.

الشكل 3. تصدير YOLO11 إلى تنسيق نموذج RKNN.

Link to this sectionنشر 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.

Link to this sectionتطبيقات الذكاء الاصطناعي عند الحافة لـ YOLO11 و Rockchip#

للحصول على فكرة أفضل عن الأماكن التي يمكن فيها نشر YOLO11 على الأجهزة التي تدعم Rockchip في العالم الحقيقي، دعنا نستعرض بعض تطبيقات الذكاء الاصطناعي عند الحافة الرئيسية.

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.

Link to this sectionأجهزة لوحية متينة مدمجة مع YOLO11#

من التطبيقات الشائعة التي تتضمن تشغيل YOLO11 على الأجهزة التي تعمل بشرائح Rockchip هي 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 الأشياء لتحسين الكفاءة والسلامة.

على سبيل المثال، في الخدمات اللوجستية للمستودعات، يمكن للعاملين استخدام جهاز لوحي يعمل بشريحة 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.

الشكل 5. اكتشاف معدات السلامة باستخدام YOLO11.

Link to this sectionذكاء 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.

إن تشغيل نماذج YOLO11 على هذه اللوحات يجعل من الممكن تحليل خطوط الإنتاج في الوقت الفعلي، واكتشاف المشكلات فورياً وتحسين الكفاءة. على سبيل المثال، في تصنيع السيارات، يمكن لنظام ذكاء اصطناعي يستخدم أجهزة Rockchip و YOLO11 اكتشاف الخدوش، أو الأجزاء غير المحاذية، أو عيوب الطلاء أثناء تحرك السيارات على خط التجميع. من خلال تحديد هذه العيوب في الوقت الفعلي، يمكن للمصنعين تقليل الهدر، وخفض تكاليف الإنتاج، وضمان معايير جودة أعلى قبل وصول المركبات إلى العملاء.

Link to this sectionفوائد تشغيل YOLO11 على الأجهزة القائمة على Rockchip#

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

إليك بعض مزايا تشغيل YOLO11 على الأجهزة القائمة على Rockchip:

• تحسين أداء الذكاء الاصطناعي: تتعامل الأجهزة التي تدعم Rockchip مع استدلال الذكاء الاصطناعي بكفاءة أكبر من اللوحات القائمة على CPU مثل Raspberry Pi، مما يوفر اكتشافاً أسرع للأشياء وزمن وصول أقل.
• حل فعال من حيث التكلفة: إذا كنت تجرب الذكاء الاصطناعي وتحتاج إلى خيار صديق للميزانية لا يزال يقدم أداءً قوياً، فإن Rockchip خيار رائع. فهو يوفر طريقة ميسورة التكلفة لتشغيل YOLO11 دون المساومة على السرعة 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.

Link to this sectionأبرز 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.

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

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي. تعرف على كيفية قيادة الرؤية الحاسوبية في الزراعة و الذكاء الاصطناعي في الرعاية الصحية للابتكار من خلال زيارة صفحات الحلول الخاصة بنا. كما يمكنك الاطلاع على خيارات الترخيص لدينا للبدء في بناء حلول الرؤية بالذكاء الاصطناعي الخاصة بك اليوم!