تصدير نماذج Ultralytics YOLO11 إلى تنسيق نموذج NCNN

أصبحت حلول الذكاء الاصطناعي أكثر شيوعاً، حتى في القطاعات عالية المخاطر مثل إدارة الكوارث، وإدارة النفايات، ومكافحة الحرائق. ومع استمرار نمو وتبني هذه التقنيات، يتم نشر نماذج الذكاء الاصطناعي في بيئات أكثر تنوعاً، ليس فقط على الخوادم أو في السحابة بل مباشرة على الأجهزة العاملة في الميدان.

على سبيل المثال، يمكن للطائرات بدون طيار والمعدات ذات المكونات الطرفية التي تعمل بمعالجات صغيرة أن تلعب دوراً حاسماً في مناطق الكوارث. ومجهزة بكاميرات حرارية، تستطيع هذه الأجهزة جمع وتحليل البيانات في الموقع لتحديد أماكن الأشخاص العالقين تحت الأنقاض. أصبح هذا ممكناً من خلال رؤية الحاسوب، وهي فرع من الذكاء الاصطناعي يفسر المعلومات المرئية من الصور ومقاطع الفيديو.

ومع ذلك، فإن نشر نماذج رؤية الذكاء الاصطناعي على الأجهزة الطرفية ليس بالأمر السهل كما قد يبدو. إذ يجب تحسين نماذج الذكاء الاصطناعي لتعمل بكفاءة على أجهزة ذات قدرة حوسبة وذاكرة محدودة. ولهذا السبب، تعد أطر عمل الذكاء الاصطناعي مثل NCNN ضرورية، فهي تساعد في تحويل النماذج وتحسينها لتحقيق أداء في الوقت الفعلي على الأجهزة منخفضة الطاقة دون التضحية بالدقة.

على وجه الخصوص، يمكن تصدير نماذج Ultralytics YOLO مثل Ultralytics YOLO11 بسهولة إلى صيغة نموذج NCNN باستخدام تكامل NCNN المدعوم من Ultralytics. يتيح تحويل YOLO11 إلى صيغة نموذج NCNN للنموذج التشغيل بشكل أسرع، واستهلاك ذاكرة أقل، والعمل بسلاسة عبر مختلف الأجهزة دون فقدان الدقة.

في هذه المقالة، سنستكشف تكامل NCNN المدعوم من Ultralytics ونستعرض خطوة بخطوة كيف يمكنك تصدير نموذج YOLO11 الخاص بك إلى صيغة نموذج NCNN. لنبدأ الان!

نظرة عامة على NCNN: إطار عمل خفيف الوزن للشبكات العصبية#

NCNN هو إطار عمل مفتوح المصدر لاستنتاج الشبكات العصبية طورته شركة Tencent. لقد صُمم خصيصاً لبيئات الهاتف المحمول والبيئات الطرفية، مما يوفر استنتاجاً عالي الأداء مع بصمة تقنية ضئيلة. وهذا يجعله مثالياً للنشر على الأجهزة محدودة الموارد مثل الهواتف الذكية، والطائرات بدون طيار، وأجهزة إنترنت الأشياء (IoT).

اكتسب إطار عمل NCNN شعبية في مجتمع الذكاء الاصطناعي والتعلم العميق نظراً لكفاءته وقابليته للنقل وتحسينه لوحدات المعالجة المركزية للهواتف المحمولة (CPUs). فهو يتيح للمطورين تشغيل نماذج الشبكات العصبية على أجهزة ميسورة التكلفة ذات ذاكرة وقوة معالجة محدودتين. تم تصميم NCNN ليكون بسيطاً ومرناً، وهو يدعم مجموعة واسعة من نماذج رؤية الحاسوب ويعمل عبر منصات متعددة، بما في ذلك Android و Linux و iOS و macOS.

الشكل 1. يمكن نشر النماذج بصيغة NCNN عبر العديد من المنصات.

الميزات الرئيسية لتحسين أداء NCNN#

فيما يلي بعض الميزات الرئيسية التي تجعل NCNN إطار عمل مؤثراً وشائع الاستخدام لاستنتاج الشبكات العصبية:

• بيئة تشغيل خفيفة الوزن ومستقلة عن الأجهزة: تم تحسين إطار عمل NCNN لتشغيل النماذج على وحدات المعالجة المركزية (CPUs) القياسية، ولا يتطلب أجهزة متخصصة مثل وحدات معالجة الرسومات (GPUs) أو وحدات المعالجة العصبية (NPUs).
• تقييس النماذج: بالنسبة للتطبيقات التي تكون فيها الذاكرة والسرعة أمراً بالغ الأهمية، يدعم NCNN طرق التقييس التي تقلل حجم النموذج وتحسن وقت الاستدلال. فهو يساعد على تشغيل نماذج الذكاء الاصطناعي بسلاسة على الأجهزة المحمولة والمدمجة.
• مفتوح المصدر ويمكن الوصول إليه: كإطار عمل مفتوح المصدر، يتوفر NCNN مجاناً لأي شخص لاستخدامه وتعديله وتحسينه. وهذا يشجع على الابتكار والاعتماد الواسع عبر مجموعة متنوعة من حالات الاستخدام.
• تطوير نشط ومجتمع: تتم صيانة NCNN بنشاط على GitHub بواسطة Tencent ومجتمع متنامٍ من المطورين، مع تحديثات منتظمة وتحسينات في توافق النماذج.

تصدير نماذج Ultralytics YOLO11 إلى تنسيق نموذج NCNN: دليل سريع#

الآن بعد أن ناقشنا ماهية NCNN، دعنا نلقي نظرة فاحصة على كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق NCNN.

الخطوة 1: تثبيت حزمة Ultralytics Python#

قبل تصدير النموذج، تتمثل الخطوة الأولى في تثبيت حزمة Python من Ultralytics باستخدام مثبت الحزم pip. يمكن القيام بذلك عن طريق تشغيل "pip install ultralytics" في نافذة الطرفية (terminal) أو موجه الأوامر (command prompt). إذا كنت تعمل في دفتر ملاحظات Jupyter أو Google Colab، فأضف علامة تعجب قبل الأمر، هكذا: "!pip install ultralytics".

توفر حزمة Ultralytics الأدوات اللازمة للتدريب، والاختبار، الضبط الدقيق، وتصدير نماذج رؤية الذكاء الاصطناعي لمجموعة متنوعة من مهام رؤية الحاسوب. إذا واجهت أي مشاكل أثناء التثبيت أو أثناء تصدير النموذج، فإن توثيق Ultralytics الرسمي ودليل المشاكل الشائعة يعدان موارد ممتازة لاستكشاف الأخطاء وإصلاحها.

الخطوة 2: تصدير Ultralytics YOLO11#

بعد تثبيت حزمة Ultralytics، يمكنك تحميل نموذج YOLO11 الخاص بك وتصديره إلى تنسيق NCNN. يستخدم المثال أدناه نموذجاً مدرباً مسبقاً ("yolo11n.pt") ويقوم بتصديره بتنسيق NCNN، مع حفظ المخرجات في مجلد باسم "/yolo11n_ncnn_model".

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="ncnn")

يمكن بعد ذلك نشر نموذج Ultralytics YOLO11 المُصدَّر على أجهزة خفيفة الوزن مختلفة مثل الهواتف الذكية، أو الأنظمة المضمنة، أو منصات إنترنت الأشياء (IoT). كما أن عملية النشر مبسطة للغاية أيضاً.

على سبيل المثال، ضع في اعتبارك مقتطف الكود أدناه، الذي يوضح كيفية تحميل النموذج المصدر وتشغيل الاستنتاج. يشير الاستنتاج إلى عملية استخدام نموذج مدرب لإجراء تنبؤات على بيانات جديدة وغير مرئية. في هذا المثال، يتم اختبار النموذج على صورة رجل يركب دراجة، تم جلبها من رابط عام متاح.

ncnn_model = YOLO("./yolo11n_ncnn_model")
results = ncnn_model("https://images.pexels.com/photos/19431209/pexels-photo-19431209/free-photo-of-a-man-riding-a-bike-on-a-road.jpeg?auto=compress&cs=tinysrgb&w=1260&h=750&dpr=2.jpg", save=True)

بعد تشغيل الكود، ستجد الصورة الناتجة في المجلد "runs/detect/predict".

الشكل 2. اكتشاف الكائنات باستخدام نموذج Ultralytics YOLO11 مُصدَّر بتنسيق NCNN. الصورة بواسطة المؤلف.

لماذا تختار الاكتشاف في الوقت الفعلي مع NCNN#

أثناء استكشافك لمختلف التكاملات التي تدعمها Ultralytics، قد تلاحظ وجود العديد من خيارات التصدير المتاحة. إذن، متى يجب عليك اختيار صيغة NCNN؟

يُعد تنسيق تصدير NCNN خياراً موثوقاً عندما تحتاج إلى نشر نماذج Ultralytics YOLO11 على أجهزة ذات موارد محدودة. وهو مفيد بشكل خاص للتطبيقات في الوقت الفعلي التي تعمل مباشرة على الجهاز، مثل الحواف (edge devices)، دون الحاجة إلى الاتصال بالخحساب السحابي. هذا يعني أن النموذج يمكنه التعامل مع مهام مثل اكتشاف الكائنات في الحال.

إليك بعض السيناريوهات الشائعة حيث يعد NCNN خياراً ممتازاً:

• النشر على الأجهزة المحمولة: تم تحسين تنسيق NCNN لـ Android وiOS، مما يسهل دمج النماذج في تطبيقات الجوال للحصول على استنتاج سريع على الجهاز بأقل قدر من التأخير.

• الأنظمة المدمجة وأجهزة إنترنت الأشياء: إذا كنت تقوم بالنشر على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، فإن التصدير إلى NCNN يمكن أن يساعد في تعزيز الأداء والاستجابة.

• النشر على سطح المكتب والخادم: في حين أن NCNN رائع للأجهزة منخفضة الطاقة، فإنه يدعم أيضاً Linux وWindows وmacOS لبيئات سطح المكتب والخوادم. وهذا يمنح المطورين خيارات مرنة للنشر.

الشكل 3. خيارات نشر نموذج Ultralytics YOLO11 باستخدام NCNN. الصورة بواسطة المؤلف.

حالات استخدام نشر نموذج Ultralytics YOLO11 مع NCNN#

بعد ذلك، دعنا نتعمق في بعض حالات الاستخدام العملية التي يمكن أن يحدث فيها تصدير نماذج Ultralytics YOLO11 إلى NCNN فرقاً حقيقياً.

خوذات رؤية الذكاء الاصطناعي لمكافحة الحرائق#

يمكن استخدام خوذات الأمان المزودة بكاميرات وأجهزة حاسوب صغيرة مدمجة في مجالات مثل construction وإطفاء الحرائق لتحسين الأمان والوعي. يمكن تشغيل نماذج الذكاء الاصطناعي للرؤية في الوقت الفعلي، مثل Ultralytics YOLO11، على هذه الأجهزة لاكتشاف أنواع مختلفة من الكائنات والمعدات. على سبيل المثال، يمكن لهذه الخوذات مساعدة رجال الإطفاء في اكتشاف الأشخاص، أو العوائق، أو المخاطر في ظروف انخفاض الرؤية.

ومع ذلك، فإن تشغيل نماذج كاملة الحجم مباشرة على الأجهزة القابلة للارتداء يمكن أن يسبب بطئاً في الأداء ويستنزف البطارية بسرعة. في هذه الحالة، يعد استخدام تكامل NCNN خياراً ذكياً، حيث يتيح استنتاجاً منخفض التأخير وموفراً للطاقة.

تصنيف النفايات والحاويات الذكية#

وبالمثل، يمكن دمج صناديق النفايات الذكية بكاميرات ومعالجات ذكاء اصطناعي طرفية مدمجة لتحديد المواد وفرزها أثناء التخلص منها. يمكن تدريب نماذج رؤية الذكاء الاصطناعي مثل YOLO11 خصيصاً لاكتشاف أنواع مختلفة من مواد النفايات مثل الورق، والبلاستيك، والمطاط، وغيرها.

بمجرد تحديد النفايات، يمكن فرزها تلقائياً إلى مقصورات منفصلة بناءً على إمكانية إعادة استخدامها. من خلال استخدام ذكاء الحافة إلى جانب نماذج Ultralytics YOLO11 المُصدَّرة بتنسيق NCNN، يمكن لهذه الحاويات معالجة البيانات محلياً - دون الحاجة إلى اتصال بالإنترنت. يتيح لها هذا العمل بشكل مستقل واتخاذ قرارات فرز في الوقت الفعلي بأقل قدر من التأخير.

الشكل 4. اكتشاف مواد النفايات البلاستيكية باستخدام YOLO11.

مراقبة الماشية باستخدام الطائرات بدون طيار ورؤية الحاسوب#

في بعض الأحيان، تفتقر المناطق الزراعية في المواقع النائية إلى الوصول إلى اتصالات إنترنت مستقرة أو حتى طاقة ثابتة، مما يحد من قدرتها على تشغيل تطبيقات الذكاء الاصطناعي عبر الإنترنت. في مثل هذه الحالات، يمكن استخدام الأجهزة الطرفية والطائرات بدون طيار للتعامل مع مجموعة متنوعة من المهام.

من الأمثلة الجيدة مراقبة الماشية مثل الأبقار والأغنام والدواجن. يمكن القيام بذلك باستخدام نماذج رؤية الذكاء الاصطناعي مثل YOLO11، والتي يمكن استخدامها لتتبع حركة الحيوانات، واكتشاف علامات الإصابة أو المرض أو السلوك غير الطبيعي، وتنبيه المزارعين عندما تفقد الحيوانات. يجعل تكامل NCNN أيضاً من الممكن تشغيل هذه البيانات ومعالجتها مباشرة على الأجهزة الطرفية، مما يجعله مناسباً تماماً لتحليل الصور والفيديو في المزارع في المناطق النائية أو التي ليس لها اتصال بالشبكة.

الشكل 5. نظرة على استخدام YOLO11 لمراقبة الماشية.

أبرز النقاط#

يعد تصدير نماذج YOLO11 باستخدام تكامل NCNN المدعوم من Ultralytics طريقة مباشرة لجلب رؤية الذكاء الاصطناعي إلى البيئات منخفضة الطاقة. سواء كانت طائرات بدون طيار في مناطق الكوارث، أو حاويات فرز النفايات الذكية، أو مراقبة الماشية في المزارع النائية، فإن YOLO وNCNN يتيحان استنتاجات ذكاء اصطناعي في الوقت الفعلي تتسم بالسرعة والكفاءة والقابلية للنقل. يساعد هذا النهج في جعل أنظمة الذكاء الاصطناعي أكثر سهولة في الوصول إليها وموثوقية عندما تشتد الحاجة إليها.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، وتفقّد خيارات الترخيص الخاصة بنا لبدء مشروع رؤية الحاسوب الخاص بك. اكتشف كيف تشكل الابتكارات مثل الذكاء الاصطناعي في التجزئة ورؤية الحاسوب في الرعاية الصحية المستقبل على صفحات الحلول الخاصة بنا.