نشر Ultralytics YOLO11 على Rockchip لتحقيق ذكاء اصطناعي طرفي فعّال

من المصطلحات الرائجة مؤخرًا في مجتمع الذكاء الاصطناعي «الذكاء الاصطناعي الطرفي»، ولا سيما في مجال الرؤية الحاسوبية. ومع تزايد التطبيقات المعتمدة على الذكاء الاصطناعي، تزداد الحاجة إلى تشغيل النماذج بكفاءة على الأجهزة المضمنة ذات الطاقة وقدرات الحوسبة المحدودة.

على سبيل المثال، تستخدم الطائرات المسيّرة الذكاء الاصطناعي البصري للملاحة الآنية، وتكتشف الكاميرات الذكية الأجسام فورًا، وتنفذ أنظمة الأتمتة الصناعية مراقبة الجودة دون الاعتماد على الحوسبة السحابية. وتتطلب هذه التطبيقات معالجة سريعة وفعالة للذكاء الاصطناعي مباشرةً على الأجهزة الطرفية لضمان الأداء الآني وانخفاض زمن الاستجابة. ومع ذلك، ليس تشغيل نماذج الذكاء الاصطناعي على الأجهزة الطرفية سهلًا دائمًا. فكثيرًا ما تتطلب نماذج الذكاء الاصطناعي طاقة وذاكرة تفوق ما تستطيع أجهزة طرفية كثيرة توفيره.

تساعد مجموعة أدوات RKNN من Rockchip على حل هذه المشكلة من خلال تحسين نماذج التعلم العميق لأجهزة Rockchip. وتستخدم وحدات معالجة عصبية مخصصة (NPUs) لتسريع الاستدلال، ما يقلل زمن الاستجابة واستهلاك الطاقة مقارنة بالمعالجة باستخدام CPU أو GPU.

كان مجتمع الذكاء الاصطناعي المرئي متحمسًا لتشغيل Ultralytics YOLO11 على الأجهزة القائمة على Rockchip، وقد استجبنا لطلبكم. أضفنا دعم تصدير YOLO11 إلى تنسيق نموذج RKNN. في هذه المقالة، سنستكشف كيفية عمل التصدير إلى RKNN، وأسباب فائدة نشر YOLO11 على الأجهزة المدعومة من Rockchip في مجال الذكاء الاصطناعي الطرفي.

ما هي Rockchip ومجموعة أدوات RKNN؟#

Rockchip شركة تصمم الأنظمة على الرقاقة (SoCs)، وهي معالجات صغيرة لكنها قوية تشغّل العديد من الأجهزة المضمنة. تجمع هذه الرقائق بين CPU وGPU ووحدة معالجة عصبية (NPU) للتعامل مع كل شيء، من مهام الحوسبة العامة إلى تطبيقات الذكاء الاصطناعي البصري التي تعتمد على اكتشاف الأجسام ومعالجة الصور.

تُستخدم أنظمة Rockchip على الرقاقة في مجموعة متنوعة من الأجهزة، بما في ذلك الحواسيب أحادية اللوحة (SBCs) ولوحات التطوير وأنظمة الذكاء الاصطناعي الصناعية والكاميرات الذكية. وتنتج العديد من الشركات المصنّعة المعروفة للأجهزة، مثل Radxa وASUS وPine64 وOrange Pi وOdroid وKhadas وBanana Pi، أجهزة تعمل بأنظمة Rockchip على الرقاقة. وتحظى هذه اللوحات بشعبية في تطبيقات الذكاء الاصطناعي الطرفي والرؤية الحاسوبية، لأنها توفر توازنًا بين الأداء وكفاءة الطاقة والتكلفة المعقولة.

الشكل 1. مثال على جهاز يعمل بمعالج Rockchip.

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

تُحسّن نماذج RKNN لتوفير استدلال منخفض زمن الاستجابة واستهلاك فعّال للطاقة. وبتحويل النماذج إلى RKNN، يستطيع المطورون تحقيق سرعات معالجة أعلى واستهلاك أقل للطاقة وكفاءة محسّنة على الأجهزة المعتمدة على Rockchip.

نماذج RKNN محسّنة#

لنتعمق في كيفية تحسين نماذج RKNN لأداء الذكاء الاصطناعي على الأجهزة المزودة بمعالجات Rockchip.

على خلاف وحدات CPU وGPU، التي تتعامل مع نطاق واسع من مهام الحوسبة، صُممت وحدات NPU من Rockchip خصيصًا للتعلّم العميق. ومن خلال تحويل نماذج الذكاء الاصطناعي إلى تنسيق RKNN، يمكن للمطورين تشغيل عمليات الاستدلال مباشرةً على وحدة NPU. وهذا يجعل نماذج RKNN مفيدة بشكل خاص في مهام الرؤية الحاسوبية، حيث تُعد المعالجة السريعة والفعالة ضرورية.

تتميز وحدات NPU بسرعة وكفاءة أعلى من CPU وGPU في مهام الذكاء الاصطناعي، لأنها مصممة للتعامل مع حسابات الشبكات العصبية بالتوازي. فبينما تعالج CPU المهام خطوةً تلو الأخرى وتوزع GPU أعباء العمل على أنوية متعددة، تُحسّن وحدات NPU لتنفيذ العمليات الحسابية الخاصة بالذكاء الاصطناعي بكفاءة أكبر.

ونتيجة لذلك، تعمل نماذج RKNN بسرعة أكبر وتستهلك طاقة أقل، ما يجعلها مثالية للأجهزة العاملة بالبطاريات والكاميرات الذكية والأتمتة الصناعية وغيرها من تطبيقات الذكاء الاصطناعي الطرفي التي تتطلب اتخاذ قرارات آنية.

لمحة عامة عن نماذج Ultralytics YOLO#

صُممت نماذج Ultralytics YOLO (انظر مرة واحدة فقط) لمهام الرؤية الحاسوبية الآنية، مثل اكتشاف الأجسام وتقسيم الكائنات وتصنيف الصور. وتشتهر بسرعتها ودقتها وكفاءتها، وتُستخدم على نطاق واسع في قطاعات مثل الزراعة والتصنيع والرعاية الصحية والأنظمة ذاتية التشغيل.

تحسنت هذه النماذج كثيرًا بمرور الوقت. فعلى سبيل المثال، سهّل Ultralytics YOLOv5 استخدام كشف الكائنات مع PyTorch. ثم أضاف Ultralytics YOLOv8 مهام جديدة مثل تقدير الوضعية، وجمع الكشف والتقسيم والتصنيف وتقدير الوضعية ضمن إطار عمل واحد. والآن، يحقق YOLO11 تقدمًا إضافيًا بزيادة الدقة مع استخدام موارد أقل. وفي الواقع، يقدم YOLO11m أداءً أفضل على مجموعة بيانات COCO مع عدد معلمات أقل بنسبة 22% من YOLOv8m، ما يجعله أدق وأكثر كفاءة.

الشكل 2. اكتشاف الأجسام باستخدام Ultralytics YOLO11.

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

مع إضافة دعم تصدير YOLO11 إلى تنسيق نموذج RKNN، أصبح بإمكان YOLO11 الاستفادة من وحدات NPU في Rockchip. ويحقق أصغر نموذج، YOLO11n بتنسيق RKNN، زمن استدلال يبلغ 99.5 مللي ثانية لكل صورة، ما يتيح المعالجة الآنية حتى على الأجهزة المضمنة.

تصدير نموذج Ultralytics YOLO11 إلى تنسيق RKNN#

وقت كتابة هذا النص، كان من الممكن تصدير نماذج كشف الكائنات Ultralytics YOLO11 إلى تنسيق RKNN. ومنذ ذلك الحين، توسع دعم التصدير إلى RKNN ليشمل جميع مهام Ultralytics وتكميم INT8 (quantize=8)، كما هو موضح في دليل تكامل RKNN المرتبط أعلاه.

تصدير Ultralytics YOLO11 إلى تنسيق RKNN عملية مباشرة. يمكنك تحميل نموذج YOLO11 المدرّب خصيصًا، وتحديد منصة Rockchip المستهدفة، وتحويله إلى تنسيق RKNN باستخدام بضعة أسطر من التعليمات البرمجية. ويتوافق تنسيق RKNN مع أنظمة Rockchip على الرقاقة المختلفة، بما فيها RK3588 وRK3566 وRK3576، ما يضمن دعمًا واسعًا للأجهزة.

الشكل 3. تصدير Ultralytics YOLO11 إلى تنسيق نموذج RKNN.

نشر Ultralytics YOLO11 على الأجهزة المعتمدة على Rockchip#

بعد التصدير، يمكن نشر نموذج RKNN على الأجهزة المعتمدة على Rockchip. ولنشر النموذج، ما عليك سوى تحميل ملف RKNN المُصدّر على جهاز Rockchip وتشغيل الاستدلال، أي استخدام نموذج الذكاء الاصطناعي المدرّب لتحليل صور أو مقاطع فيديو جديدة واكتشاف الأجسام في الوقت الفعلي. وباستخدام بضعة أسطر من التعليمات البرمجية، يمكنك البدء في تحديد الأجسام في الصور أو تدفقات الفيديو.

الشكل 4. تشغيل الاستدلال باستخدام نموذج RKNN المُصدّر.

تطبيقات الذكاء الاصطناعي الطرفي لـ Ultralytics YOLO11 وRockchip#

للتعرف بصورة أفضل على المواضع التي يمكن فيها نشر Ultralytics YOLO11 على الأجهزة المزودة بمعالجات Rockchip في الواقع العملي، لنتناول بعض تطبيقات الذكاء الاصطناعي الطرفي الرئيسية.

تُستخدم معالجات Rockchip على نطاق واسع في الأجهزة اللوحية العاملة بنظام Android ولوحات التطوير وأنظمة الذكاء الاصطناعي الصناعية. وبفضل دعم Android وLinux وPython، يمكنك بسهولة إنشاء حلول تعتمد على الذكاء الاصطناعي البصري ونشرها في مجموعة متنوعة من القطاعات.

الأجهزة اللوحية المتينة المدمج فيها Ultralytics YOLO11#

من التطبيقات الشائعة لتشغيل Ultralytics YOLO11 على الأجهزة المعتمدة على Rockchip استخدامه في الأجهزة اللوحية المتينة. فهي أجهزة لوحية عالية الأداء مصممة لتحمل البيئات القاسية، مثل المستودعات ومواقع البناء والمنشآت الصناعية. ويمكن لهذه الأجهزة الاستفادة من اكتشاف الأجسام لتحسين الكفاءة والسلامة.

على سبيل المثال، في الخدمات اللوجستية للمستودعات، يمكن للعمال استخدام جهاز لوحي يعمل بمعالج Rockchip مع YOLO11 لمسح المخزون واكتشافه تلقائيًا، ما يقلل الأخطاء البشرية ويسرّع أوقات المعالجة. وبالمثل، يمكن استخدام هذه الأجهزة في مواقع البناء للتحقق من ارتداء العمال معدات السلامة المطلوبة، مثل الخوذات والسترات، ما يساعد الشركات على تطبيق اللوائح ومنع الحوادث.

الشكل 5. اكتشاف معدات السلامة باستخدام Ultralytics YOLO11.

الذكاء الاصطناعي الصناعي لمراقبة الجودة#

في التصنيع والأتمتة، يمكن للوحات الصناعية المعتمدة على Rockchip أن تؤدي دورًا مهمًا في مراقبة الجودة ومتابعة العمليات. واللوحة الصناعية وحدة حوسبة مدمجة عالية الأداء مصممة للأنظمة المضمنة في البيئات الصناعية. وتتضمن هذه اللوحات عادةً معالجات وذاكرة وواجهات إدخال وإخراج وخيارات اتصال، ويمكن دمجها مع المستشعرات والكاميرات والآلات المؤتمتة.

يتيح تشغيل نماذج Ultralytics YOLO11 على هذه اللوحات تحليل خطوط الإنتاج في الوقت الفعلي، ورصد المشكلات فورًا وتحسين الكفاءة. فعلى سبيل المثال، في صناعة السيارات، يمكن لنظام 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، يستطيع المصنّعون تقليل الهدر وخفض تكاليف الإنتاج وضمان معايير جودة أعلى قبل وصول المركبات إلى العملاء.

فوائد تشغيل Ultralytics YOLO11 على الأجهزة المعتمدة على Rockchip#

توفر الأجهزة المعتمدة على Rockchip توازنًا جيدًا بين الأداء والتكلفة والكفاءة، ما يجعلها خيارًا ممتازًا لنشر Ultralytics YOLO11 في تطبيقات الذكاء الاصطناعي الطرفي.

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

• تحسين أداء الذكاء الاصطناعي: تتعامل الأجهزة المزودة بمعالجات Rockchip مع استدلال الذكاء الاصطناعي بكفاءة أعلى من اللوحات المعتمدة على CPU مثل Raspberry Pi، ما يوفر اكتشافًا أسرع للأجسام وزمن استجابة أقل.
• حل اقتصادي: إذا كنت تجرب تقنيات الذكاء الاصطناعي وتحتاج إلى خيار مناسب للميزانية مع أداء قوي، فإن Rockchip خيار ممتاز. فهو يوفر وسيلة ميسورة التكلفة لتشغيل Ultralytics YOLO11 دون المساومة على السرعة أو الكفاءة.
• كفاءة الطاقة: يستهلك تشغيل نماذج الرؤية الحاسوبية على الأجهزة المعتمدة على Rockchip طاقة أقل من GPU، ما يجعلها مثالية للأجهزة العاملة بالبطاريات وتطبيقات الذكاء الاصطناعي المضمنة.

أبرز النقاط#

يمكن تشغيل Ultralytics YOLO11 بكفاءة على الأجهزة المعتمدة على Rockchip بالاستفادة من تسريع الأجهزة وتنسيق RKNN. وهذا يقلل زمن الاستدلال ويحسن الأداء، ما يجعله مثاليًا لمهام الرؤية الحاسوبية الآنية وتطبيقات الذكاء الاصطناعي الطرفي.

توفر مجموعة أدوات RKNN أدوات تحسين أساسية مثل التكميم، بما يضمن أداء نماذج Ultralytics YOLO11 بكفاءة على منصات Rockchip. وسيكون تحسين النماذج لمعالجتها بكفاءة على الجهاز أمراً أساسياً مع تزايد اعتماد الذكاء الاصطناعي الطرفي. وباستخدام الأدوات والعتاد المناسبين، يستطيع المطورون فتح آفاق جديدة لحلول الرؤية الحاسوبية في قطاعات متنوعة.

انضم إلى مجتمعنا واستكشف مستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي. اطّلع على كيفية إسهام الرؤية الحاسوبية في الزراعة والذكاء الاصطناعي في الرعاية الصحية في دفع عجلة الابتكار من خلال زيارة صفحات حلولنا. وتفقّد أيضًا خيارات الترخيص لبدء بناء حلول الذكاء الاصطناعي البصري اليوم!