نشر تطبيقات الرؤية الحاسوبية على أجهزة الذكاء الاصطناعي الطرفي

بفضل التطورات الحديثة في الرؤية الحاسوبية والذكاء الاصطناعي (AI)، بات هذا المجال، الذي كان يقتصر سابقًا على البحث، يقود تطبيقات مؤثرة في مجموعة من القطاعات. فمن السيارات ذاتية القيادة إلى التصوير الطبي والأمن، تحل أنظمة الرؤية الحاسوبية مشكلات حقيقية على نطاق واسع.

تتضمن كثير من هذه التطبيقات تحليل الصور والفيديو في الوقت الفعلي، وليس الاعتماد على الحوسبة السحابية عمليًا دائمًا بسبب زمن الاستجابة والتكاليف ومخاوف الخصوصية. ويُعد الذكاء الاصطناعي الطرفي حلًا ممتازًا في هذه الحالات. فمن خلال تشغيل نماذج الذكاء الاصطناعي للرؤية مباشرة على الأجهزة الطرفية، تستطيع الشركات معالجة البيانات بسرعة أكبر وبتكلفة أقل وأمان أعلى، ما يجعل الذكاء الاصطناعي في الوقت الفعلي أكثر إتاحة.

خلال YOLO Vision 2024 (YV24)، وهو الحدث الهجين السنوي الذي تستضيفه Ultralytics، تمحور أحد المواضيع الرئيسية حول إتاحة الذكاء الاصطناعي للرؤية للجميع عبر جعل النشر أسهل وأكثر كفاءة. وتحدث غاي دهان، كبير مهندسي الحلول في NVIDIA، عن دور حلول NVIDIA للأجهزة والبرمجيات، بما فيها أجهزة الحوسبة الطرفية وخوادم الاستدلال وأُطر التحسين وحزم SDK لنشر الذكاء الاصطناعي، في مساعدة المطورين على تحسين الذكاء الاصطناعي على الأجهزة الطرفية.

سنستعرض في هذا المقال أهم النقاط المستفادة من الكلمة الرئيسية التي ألقاها غاي دهان في YV24، وكيف تجعل أحدث ابتكارات NVIDIA نشر الذكاء الاصطناعي للرؤية أسرع وأكثر قابلية للتوسع.

ما الذكاء الاصطناعي الطرفي؟#

بدأ غاي دهان كلمته بالتعبير عن حماسه للمشاركة عن بُعد في YV24 واهتمامه بحزمة Python من Ultralytics ونماذج YOLO من Ultralytics، قائلًا: «أستخدم Ultralytics منذ يوم إطلاقها. تعجبني Ultralytics كثيرًا؛ فقد استخدمت YOLOv5 حتى قبل ذلك، وأنا متحمس جدًا لهذه الحزمة».

ثم قدّم مفهوم الذكاء الاصطناعي الطرفي، موضحًا أنه يتضمن تشغيل عمليات الذكاء الاصطناعي مباشرة على أجهزة مثل الكاميرات والطائرات المسيّرة والآلات الصناعية، بدلًا من إرسال البيانات إلى خوادم سحابية بعيدة لمعالجتها.

بدلًا من انتظار تحميل الصور أو مقاطع الفيديو وتحليلها ثم إعادتها بالنتائج، يتيح الذكاء الاصطناعي الطرفي تحليل البيانات فورًا على الجهاز نفسه. وهذا يجعل أنظمة الذكاء الاصطناعي للرؤية أسرع وأكثر كفاءة وأقل اعتمادًا على الاتصال بالإنترنت. ويفيد الذكاء الاصطناعي الطرفي خصوصًا في تطبيقات اتخاذ القرارات في الوقت الفعلي، مثل السيارات ذاتية القيادة وكاميرات الأمن والمصانع الذكية.

الفوائد الرئيسية للذكاء الاصطناعي الطرفي#

بعد تقديم الذكاء الاصطناعي الطرفي، سلط غاي دهان الضوء على مزاياه الرئيسية، مع التركيز على الكفاءة وتوفير التكاليف وأمن البيانات. وأوضح أن من أكبر فوائده انخفاض زمن الاستجابة؛ فبما أن نماذج الذكاء الاصطناعي تعالج البيانات مباشرة على الجهاز، فلا حاجة إلى إرسال المعلومات إلى السحابة وانتظار الرد.

يساعد الذكاء الاصطناعي الطرفي أيضًا على خفض التكاليف وحماية البيانات الحساسة. وقد يكون إرسال كميات كبيرة من البيانات إلى السحابة، ولا سيما تدفقات الفيديو، مكلفًا. لكن معالجتها محليًا يقلل تكاليف النطاق الترددي والتخزين.

ومن المزايا الرئيسية الأخرى خصوصية البيانات، إذ تبقى المعلومات على الجهاز بدلًا من نقلها إلى خادم خارجي. وتكتسب هذه الميزة أهمية خاصة في تطبيقات الرعاية الصحية والتمويل والأمن، حيث يمثل إبقاء البيانات محلية وآمنة أولوية قصوى.

الشكل 1. غاي دهان يقدم عرضًا عن بُعد في YV24 حول فوائد الذكاء الاصطناعي الطرفي.

واستنادًا إلى هذه الفوائد، علّق غاي دهان على تزايد اعتماد الذكاء الاصطناعي الطرفي. وأشار إلى أن الاستخدام ازداد عشرة أضعاف منذ أن طرحت NVIDIA منصة Jetson في عام 2014. ويعمل اليوم أكثر من 1.2 مليون مطور باستخدام أجهزة Jetson.

لمحة عامة عن NVIDIA Jetson: جهاز للذكاء الاصطناعي الطرفي#

ركز غاي دهان بعد ذلك على أجهزة NVIDIA Jetson، وهي عائلة من أجهزة الحوسبة الطرفية للذكاء الاصطناعي، مصممة لتقديم أداء عالٍ مع استهلاك منخفض للطاقة. وتناسب أجهزة Jetson تطبيقات الرؤية الحاسوبية في قطاعات مثل الروبوتات والزراعة والرعاية الصحية والأتمتة الصناعية. وأضاف غاي دهان: «أجهزة Jetson هي أجهزة للذكاء الاصطناعي الطرفي مصممة خصيصًا للذكاء الاصطناعي. ويمكنني القول إنها صُممت في الأصل في الأساس للرؤية الحاسوبية».

تأتي أجهزة Jetson بثلاث فئات، تناسب كل منها احتياجات مختلفة:

• الفئة الأساسية: تقدم هذه الأجهزة أداءً للذكاء الاصطناعي يتراوح بين 20 و40 تريليون عملية في الثانية (TOPS)، مع استهلاك للطاقة يتراوح بين 10 و15 واط، ما يجعلها خيارًا ميسور التكلفة لتطبيقات الحافة.
• الفئة المتوسطة: تحقق توازنًا بين الأداء والكفاءة، إذ تقدم ما بين 70 و200 TOPS باستهلاك طاقة يتراوح بين 20 و40 واط، ما يجعلها مناسبة لأعباء عمل الذكاء الاصطناعي متوسطة الحجم.
• الفئة عالية الأداء: تقدم أداءً يصل إلى 275 TOPS باستهلاك طاقة يتراوح بين 60 و75 واط، وهي مصممة لتطبيقات الذكاء الاصطناعي الصعبة، مثل الروبوتات والأتمتة.

كما تحدث Guy Dahan عن Jetson AGX Thor المرتقب، الذي سيُطرح هذا العام، وذكر أنه سيقدم أداءً لوحدة معالجة الرسومات (GPU) يبلغ ثمانية أضعاف، وسعة ذاكرة مضاعفة، وأداءً محسّنًا لوحدة المعالجة المركزية (CPU). وقد صُمم خصيصًا للروبوتات البشرية وتطبيقات الذكاء الاصطناعي الطرفي المتقدمة.

التحديات المرتبطة بنشر نماذج الرؤية الحاسوبية#

انتقل Guy Dahan بعد ذلك إلى مناقشة الجانب البرمجي للذكاء الاصطناعي الطرفي، موضحًا أن نشر النماذج بكفاءة قد يكون صعبًا حتى مع توفر عتاد قوي.

تُعدّ التوافقية من أكبر العقبات، إذ يعمل مطورو الذكاء الاصطناعي غالبًا باستخدام أُطر الذكاء الاصطناعي المختلفة مثل PyTorch وTensorFlow. وقد يكون الانتقال بين هذه الأُطر صعبًا، إذ يتطلب من المطورين إعادة إنشاء البيئات لضمان تشغيل كل شيء على النحو الصحيح.

قابلية التوسع تحدٍ رئيسي آخر. تتطلب نماذج الذكاء الاصطناعي قدرة حاسوبية كبيرة، وكما قال Dahan: «لم توجد قط شركة ذكاء اصطناعي ترغب في قدر أقل من الحوسبة». وقد يصبح توسيع نطاق تطبيقات الذكاء الاصطناعي عبر أجهزة متعددة مكلفًا بسرعة، مما يجعل التحسين أمرًا ضروريًا.

إضافة إلى ذلك، تتسم مسارات عمل الذكاء الاصطناعي بالتعقيد، وغالبًا ما تشمل أنواعًا مختلفة من البيانات والمعالجة الآنية وتكامل الأنظمة. ويبذل المطورون جهدًا كبيرًا لضمان عمل نماذجهم بسلاسة ضمن منظومات البرامج الحالية. ويُعد التغلب على هذه التحديات جزءًا أساسيًا من جعل عمليات نشر الذكاء الاصطناعي أكثر كفاءة وقابلية للتوسع.

الشكل 2. تحديات نشر النماذج.

تبسيط النشر باستخدام NVIDIA Triton Inference Server#

بعد ذلك، وجّه Guy Dahan اهتمامه إلى Triton Inference Server من NVIDIA. وأشار إلى أن كثيرًا من الشركات والشركات الناشئة تبدأ تطوير الذكاء الاصطناعي من دون تحسين نماذجها بالكامل. وقد تؤدي إعادة تصميم مسار عمل كامل للذكاء الاصطناعي من الصفر إلى تعطيل العمل واستهلاك الوقت، مما يصعّب التوسع بكفاءة.

بدلًا من الحاجة إلى إعادة بناء النظام بالكامل، يتيح Triton للمطورين تحسين مسارات عمل الذكاء الاصطناعي وصقلها تدريجيًا، ودمج مكونات أكثر كفاءة دون الإخلال بالإعداد الحالي. وبفضل دعمه لأطر عمل متعددة للذكاء الاصطناعي، منها TensorFlow وPyTorch وONNX وTensorRT، يتيح Triton النشر عبر البيئات السحابية ومراكز البيانات والأجهزة الطرفية مع الحد الأدنى من التعديلات.

الشكل 3. نظرة عامة على Triton Inference Server من NVIDIA.

فيما يلي بعض المزايا الرئيسية لـ Triton Inference Server من NVIDIA:

• التجميع التلقائي: يجمع Triton عدة طلبات ذكاء اصطناعي معًا قبل معالجتها، مما يحسن معدل الإنتاجية واستخدام GPU.
• التكامل مع Kubernetes: Triton مصمم للسحابة، أي إنه يتكامل مع Kubernetes (نظام يساعد على إدارة تطبيقات الذكاء الاصطناعي وتوسيع نطاقها عبر عدة حواسيب أو خوادم سحابية).
• مفتوح المصدر وقابل للتخصيص: يستطيع المطورون تعديل Triton ليناسب احتياجاتهم الخاصة، مما يضمن المرونة لمجموعة واسعة من تطبيقات الذكاء الاصطناعي.

تعزيز أداء الذكاء الاصطناعي إلى أقصى حد باستخدام NVIDIA TensorRT#

إذا كنت تبحث عن تسريع أكبر، فإن NVIDIA TensorRT خيار جدير بالاهتمام لتحسين نماذج الذكاء الاصطناعي. وأوضح Guy Dahan أن TensorRT مُحسِّن للتعلم العميق عالي الأداء، صُمم لوحدات معالجة الرسومات من NVIDIA. ويمكن تحويل النماذج من TensorFlow وPyTorch وONNX وMXNet إلى ملفات عالية الكفاءة قابلة للتنفيذ على وحدات معالجة الرسومات باستخدام TensorRT.

تنبع موثوقية TensorRT من تحسيناته المخصصة للعتاد. فلن يعمل نموذج مُحسّن لأجهزة Jetson بالكفاءة نفسها على وحدات GPU أخرى، لأن TensorRT يضبط الأداء بدقة وفقاً للعتاد المستهدف. ووفقاً لـNVIDIA، يمكن لـTensorRT تسريع الاستدلال بما يصل إلى 36 مرة مقارنةً بالمنصات التي تعتمد على CPU فقط.

لفت Guy Dahan الانتباه أيضًا إلى دعم Ultralytics لـ TensorRT، موضحًا كيف يجعل نشر نماذج الذكاء الاصطناعي أسرع وأكثر كفاءة. ويمكن تصدير نماذج Ultralytics YOLO مباشرةً إلى تنسيق TensorRT، ما يتيح للمطورين تحسينها لتعمل على وحدات GPU من NVIDIA دون الحاجة إلى إجراء أي تغييرات.

DeepStream 7.0: مجموعة أدوات لتحليلات تدفق البيانات#

واختتم Guy Dahan حديثه بعرض DeepStream 7.0، وهو إطار عمل للذكاء الاصطناعي مصمم لمعالجة الفيديو والصوت وبيانات المستشعرات في الوقت الفعلي باستخدام وحدات معالجة الرسومات من NVIDIA. وصُمم لدعم تطبيقات الرؤية الحاسوبية عالية السرعة، ويتيح اكتشاف الأجسام وتتبعها وتحليلها في الأنظمة ذاتية التشغيل والأمن والأتمتة الصناعية والمدن الذكية. ويُشغّل DeepStream الذكاء الاصطناعي مباشرةً على الأجهزة الطرفية، فيلغي الاعتماد على السحابة ويقلل زمن الاستجابة ويحسن الكفاءة.

الشكل 4. استكشاف DeepStream 7.0 في YV24 مع Guy Dahan.

على وجه التحديد، يستطيع DeepStream معالجة الفيديو المدعوم بالذكاء الاصطناعي من البداية إلى النهاية. وهو يدعم مسارات العمل الشاملة، بدءًا من فك ترميز الفيديو والمعالجة المسبقة وصولًا إلى استدلال الذكاء الاصطناعي والمعالجة اللاحقة.

قدّم DeepStream مؤخرًا عدة تحديثات لتعزيز نشر الذكاء الاصطناعي وجعله أسهل وصولًا وقابلًا للتوسع. وتبسّط الأدوات الجديدة عملية التطوير، وتحسن التتبع باستخدام كاميرات متعددة، وتحسّن مسارات عمل الذكاء الاصطناعي لتحقيق أداء أفضل.

أصبح لدى المطورين الآن دعم أوسع لبيئات Windows، وقدرات محسّنة لدمج بيانات المستشعرات من مصادر متعددة، وإمكانية الوصول إلى تطبيقات مرجعية جاهزة لتسريع النشر. وتجعل هذه التحسينات DeepStream حلًا أكثر مرونة وكفاءة لتطبيقات الذكاء الاصطناعي في الوقت الفعلي، مما يساعد المطورين على توسيع نطاق تحليلات الفيديو الذكية بسهولة.

أبرز النقاط#

كما أوضحت الكلمة الرئيسية التي ألقاها Guy Dahan في YV24، يعيد الذكاء الاصطناعي الطرفي رسم ملامح تطبيقات الرؤية الحاسوبية. ومع التقدم في العتاد والبرمجيات، أصبحت المعالجة في الوقت الفعلي أسرع وأكثر كفاءة وأقل تكلفة.

ومع اعتماد مزيد من القطاعات على الذكاء الاصطناعي الطرفي، سيكون التصدي لتحديات مثل التجزؤ وتعقيد النشر عاملًا أساسيًا لإطلاق كامل إمكاناته. وسيؤدي تبني هذه الابتكارات إلى تطوير تطبيقات ذكاء اصطناعي أكثر ذكاءً واستجابةً، ورسم مستقبل الرؤية الحاسوبية.

كن جزءًا من مجتمعنا المتنامي! استكشف مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي، واطّلع على خيارات الترخيص لدينا لبدء مشاريع ذكاء الرؤية. هل تثير فضولك ابتكارات مثل الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في التصنيع؟ تفضل بزيارة صفحات حلولنا لمعرفة المزيد!