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 الاعتماد على هذه الحلول، يتم نشر نماذج الذكاء الاصطناعي في بيئات أكثر تنوعاً، ليس فقط على الخوادم أو في السحابة، بل مباشرة على الأجهزة التي تعمل في الميدان.

على سبيل المثال، يمكن للطائرات بدون طيار والمعدات ذات المكونات الطرفية التي تعمل بمعالجات صغيرة أن تلعب دوراً حاسماً في مناطق الكوارث. وبفضل تزويدها بكاميرات حرارية، يمكن لهذه الأجهزة جمع وتحليل البيانات في الموقع لتحديد أماكن الأشخاص العالقين تحت الأنقاض. أصبح هذا ممكناً من خلال رؤية الحاسوب، وهو 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 تنسيق نموذج NCNN باستخدام تكامل NCNN المدعوم من Ultralytics. كما يتيح تحويل YOLO11 إلى تنسيق نموذج NCNN للنموذج أن يعمل بشكل أسرع، ويستهلك ذاكرة أقل، ويعمل بسلاسة عبر أجهزة مختلفة دون فقدان الدقة.

في هذه المقالة، سنستكشف تكامل NCNN المدعوم من Ultralytics وسنشرح كيفية تصدير نموذج YOLO11 الخاص بك إلى تنسيق نموذج NCNN. لنبدأ!

Link to this sectionنظرة 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 (CPUs) للهواتف المحمولة. إنه يمكّن المطورين من تشغيل نماذج الشبكات العصبية على أجهزة ميسورة التكلفة ذات ذاكرة وقدرة معالجة محدودة. وبفضل تصميمه البسيط والمرن، يدعم NCNN مجموعة واسعة من نماذج رؤية الحاسوب ويعمل عبر منصات متعددة، بما في ذلك Android وLinux وiOS وmacOS.

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

Link to this sectionالميزات 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).
• تكميم النموذج: بالنسبة للتطبيقات التي تكون فيها الذاكرة والسرعة أمراً بالغ الأهمية، يدعم NCNN طرق التكميم التي تقلل حجم النموذج وتحسن وقت الاستنتاج. إنه يساعد في 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.

Link to this sectionتصدير YOLO11 إلى تنسيق نموذج NCNN: دليل سريع#

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

Link to this sectionالخطوة 1: تثبيت حزمة Ultralytics Python#

قبل تصدير النموذج، الخطوة الأولى هي تثبيت حزمة Ultralytics Python باستخدام مثبت الحزم pip. يمكن القيام بذلك عن طريق تشغيل "pip install ultralytics" في نافذة Terminal أو Command Prompt. إذا كنت تعمل في Jupyter Notebook أو Google Colab، أضف علامة تعجب قبل الأمر، هكذا: "!pip install ultralytics".

توفر حزمة Ultralytics أدوات لتدريب نماذج رؤية الذكاء الاصطناعي واختبارها وضبطها وتصديرها لمجموعة متنوعة من مهام رؤية الحاسوب. إذا واجهت أي مشكلات أثناء التثبيت أو أثناء تصدير نموذج، فإن وثائق Ultralytics الرسمية ودليل المشكلات الشائعة تعد مصادر رائعة لاستكشاف الأخطاء وإصلاحها.

Link to this sectionالخطوة 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 YOLO11 المصدر على العديد من الأجهزة خفيفة الوزن مثل الهواتف الذكية أو الأنظمة المدمجة أو منصات إنترنت الأشياء. عملية النشر انسيابية 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 YOLO11 مصدر بتنسيق NCNN. الصورة بواسطة المؤلف.

Link to this sectionلماذا تختار الاكتشاف في الوقت الفعلي مع NCNN#

بينما تستكشف التكاملات المختلفة التي تدعمها Ultralytics، قد تلاحظ وجود العديد من خيارات التصدير المتاحة. إذاً، متى يجب أن تختار تنسيق NCNN؟

تنسيق التصدير NCNN هو خيار موثوق عندما تحتاج إلى نشر نماذج YOLO11 على أجهزة ذات موارد محدودة. إنه مفيد بشكل خاص للتطبيقات التي تعمل في الوقت الفعلي مباشرة على الجهاز، مثل الأجهزة الطرفية، دون الحاجة إلى اتصال بالسحابة. وهذا يعني أن النموذج يمكنه التعامل مع مهام مثل اكتشاف الكائنات في الموقع مباشرة.

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 لنشر نموذج YOLO11 باستخدام NCNN. الصورة بواسطة المؤلف.

Link to this sectionحالات استخدام نشر نموذج YOLO11 مع NCNN#

بعد ذلك، دعنا نتعمق في بعض حالات الاستخدام العملية حيث يمكن لتصدير نماذج YOLO11 إلى NCNN أن يحدث فرقاً حقيقياً.

Link to this sectionخوذات رؤية الذكاء الاصطناعي لمكافحة الحرائق#

يمكن استخدام خوذات السلامة المجهزة بكاميرات وحواسيب دقيقة مدمجة في مجالات مثل البناء ومكافحة الحرائق لتحسين السلامة والوعي. يمكن تشغيل نماذج رؤية الذكاء الاصطناعي في الوقت الفعلي، مثل 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 الرؤية المنخفضة.

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.

Link to this sectionتصنيف النفايات والحاويات الذكية#

وبالمثل، يمكن دمج حاويات النفايات الذكية مع كاميرات ومعالجات ذكاء اصطناعي طرفية مدمجة لتحديد المواد وفرزها أثناء التخلص منها. يمكن تدريب نماذج رؤية الذكاء الاصطناعي مثل YOLO11 بشكل مخصص لاكتشاف أنواع مختلفة من مواد النفايات مثل الورق والبلاستيك والمطاط، إلخ.

بمجرد تحديد النفايات، يمكن فرزها تلقائياً إلى مقصورات منفصلة بناءً على قابليتها لإعادة الاستخدام. باستخدام الذكاء الاصطناعي الطرفي جنباً إلى جنب مع نماذج YOLO11 المصدرة بتنسيق NCNN، يمكن لهذه الحاويات معالجة البيانات محلياً - دون الحاجة إلى اتصال بالإنترنت. وهذا يسمح لها بالعمل بشكل مستقل واتخاذ قرارات فرز في الوقت الفعلي بأقل تأخير ممكن.

الشكل 4. اكتشاف نفايات البلاستيك باستخدام YOLO11.

Link to this sectionمراقبة 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 على ذلك 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 تضيع الحيوانات. كما يجعل تكامل NCNN من الممكن تشغيل هذه البيانات ومعالجتها مباشرة على الأجهزة الطرفية، مما يجعله مناسباً تماماً لتحليل الصور والفيديو في المزارع في المناطق النائية أو التي لا تتصل بالشبكة الكهربائية.

الشكل 5. نظرة على استخدام YOLO11 لمراقبة الماشية.

Link to this sectionأبرز 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، واطلع على خيارات الترخيص لدينا لبدء مشروع رؤية الحاسوب الخاص بك. اكتشف كيف تشكل الابتكارات مثل الذكاء الاصطناعي في البيع بالتجزئة ورؤية الحاسوب في الرعاية الصحية المستقبل على صفحات حلولنا.