تصدير نماذج Ultralytics YOLO11 إلى صيغة نموذج NCNN

أصبحت حلول الذكاء الاصطناعي أكثر شيوعًا، حتى في القطاعات ذات المخاطر العالية مثل إدارة الكوارث وإدارة النفايات ومكافحة الحرائق. مع استمرار نمو التبني، يتم نشر نماذج الذكاء الاصطناعي في بيئات أكثر تنوعًا - ليس فقط على الخوادم أو في السحابة ولكن مباشرة على الأجهزة العاملة في الميدان.

على سبيل المثال، يمكن للطائرات بدون طيار والمعدات المزودة بمكونات طرفية تعمل بمعالجات صغيرة أن تلعب دورًا حاسمًا في مناطق الكوارث. يمكن لهذه الأجهزة، المزودة بكاميرات حرارية، جمع وتحليل البيانات في الموقع لتحديد مكان الأشخاص المحاصرين تحت الأنقاض. أصبح هذا ممكنًا من خلال الرؤية الحاسوبية، وهو فرع من فروع الذكاء الاصطناعي يفسر المعلومات المرئية من الصور ومقاطع الفيديو.

ومع ذلك، فإن نشر نماذج الرؤية الاصطناعية على الأجهزة الطرفية ليس بالأمر المباشر كما قد يبدو. يجب تحسين نماذج الذكاء الاصطناعي لتعمل بكفاءة على الأجهزة ذات القدرة الحاسوبية والذاكرة المحدودة. لهذا السبب تعتبر 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. يتيح تحويل YOLO11 إلى تنسيق نموذج NCNN تشغيل النموذج بشكل أسرع واستخدام ذاكرة أقل والعمل بسلاسة عبر أجهزة مختلفة دون فقدان الدقة.

في هذه المقالة، سوف نستكشف تكامل NCNN المدعوم من Ultralytics ونتناول كيفية تصدير نموذج YOLO11 الخاص بك إلى تنسيق نموذج NCNN. هيا بنا نبدأ!

نظرة عامة على NCNN: إطار عمل خفيف الوزن للشبكات العصبية

NCNN هو إطار عمل مفتوح المصدر للاستدلال بالشبكات العصبية تم تطويره بواسطة Tencent. تم تصميمه خصيصًا لبيئات الأجهزة المحمولة والحافة، مما يوفر استدلالًا عالي الأداء بأقل بصمة. هذا يجعله مثاليًا للنشر على الأجهزة ذات الموارد المحدودة مثل الهواتف الذكية والطائرات بدون طيار وأجهزة إنترنت الأشياء (IoT).

اكتسب إطار عمل NCNN شعبية في مجتمع الذكاء الاصطناعي والتعلم العميق نظرًا لكفاءته وقابليته للنقل والتحسين لوحدات المعالجة المركزية (CPUs) للأجهزة المحمولة. فهو يمكّن المطورين من تشغيل نماذج الشبكات العصبية على أجهزة ميسورة التكلفة ذات ذاكرة محدودة وقوة معالجة. تم تصميم NCNN ليكون بسيطًا ومرنًا، وهو يدعم مجموعة واسعة من نماذج رؤية الكمبيوتر ويعمل عبر منصات متعددة، بما في ذلك Android و Linux و iOS و macOS.

‍

الميزات الرئيسية لتحسين أداء NCNN

فيما يلي بعض الميزات الرئيسية التي تجعل NCNN إطار عمل استنتاج للشبكات العصبونية مؤثراً وواسع الاستخدام:

• وقت تشغيل خفيف الوزن ومستقل عن الأجهزة: تم تحسين إطار عمل NCNN لتشغيل النماذج على وحدات المعالجة المركزية القياسية، ولا يتطلب أجهزة متخصصة مثل وحدات معالجة الرسومات (GPUs) أو وحدات معالجة الشبكات العصبية (NPUs).
  ‍
• تكميم النموذج: بالنسبة للتطبيقات التي تكون فيها الذاكرة والسرعة بالغة الأهمية، يدعم NCNN طرق التكميم التي تقلل من حجم النموذج وتحسن وقت الاستدلال. فهو يساعد على تشغيل نماذج الذكاء الاصطناعي بسلاسة على الأجهزة المحمولة والمدمجة.

• مفتوح المصدر ويمكن الوصول إليه: بصفته إطار عمل مفتوح المصدر، فإن NCNN متاح مجانًا لأي شخص لاستخدامه وتعديله وتحسينه. يشجع هذا الابتكار والاعتماد على نطاق واسع عبر مجموعة متنوعة من حالات الاستخدام.
  ‍
• تطوير ونشاط المجتمع: يتم الحفاظ على NCNN بنشاط على GitHub بواسطة Tencent ومجتمع متنامي من المطورين، مع تحديثات منتظمة وتحسينات في توافق النموذج.

تصدير YOLO11 إلى صيغة نموذج NCNN: دليل سريع

الآن بعد أن ناقشنا ماهية NCNN، دعونا نلقي نظرة فاحصة على كيفية تصدير نماذج YOLOv11 إلى تنسيق NCNN.

الخطوة 1: تثبيت حزمة Ultralytics Python

قبل تصدير النموذج، الخطوة الأولى هي تثبيت حزمة Ultralytics Python باستخدام أداة تثبيت الحزم، pip. يمكن القيام بذلك عن طريق تشغيل الأمر "pip install ultralytics" في جهازك الطرفي أو موجه الأوامر. إذا كنت تعمل في Jupyter Notebook أو Google Colab، فأضف علامة تعجب قبل الأمر، هكذا: "!pip install ultralytics".

توفر حزمة Ultralytics أدوات لتدريب واختبار وضبط وتصدير نماذج Vision AI لمجموعة متنوعة من مهام رؤية الكمبيوتر. إذا واجهت أي مشكلات أثناء التثبيت أو أثناء تصدير نموذج، فإن وثائق Ultralytics الرسمية و دليل المشكلات الشائعة هي موارد رائعة 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 نموذجًا مدربًا مسبقًا ("yolo11n.pt") ويصدره بتنسيق NCNN، ويحفظ الإخراج في مجلد باسم "/yolo11n_ncnn_model". 

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

model.export(format="ncnn")  

يمكن بعد ذلك نشر نموذج YOLO11 المُصدَّر على أجهزة خفيفة الوزن مختلفة مثل الهواتف الذكية أو الأنظمة المدمجة أو منصات إنترنت الأشياء (IoT). عملية النشر أيضًا مبسطة للغاية. 

على سبيل المثال، ضع في اعتبارك مقتطف التعليمات البرمجية أدناه، والذي يوضح كيفية تحميل النموذج المُصدَّر وتشغيل الاستدلال. يشير الاستدلال إلى عملية استخدام نموذج مُدرَّب لعمل تنبؤات بشأن بيانات جديدة وغير مرئية. في هذا المثال، يتم اختبار النموذج على صورة لرجل يركب دراجة، مأخوذة من عنوان URL متاح للجمهور.

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".

‍

لماذا تختار الكشف في الوقت الفعلي باستخدام NCNN؟

أثناء استكشاف عمليات التكامل المختلفة التي تدعمها Ultralytics، قد تلاحظ وجود العديد من خيارات التصدير المتاحة. إذن، متى يجب عليك اختيار تنسيق NCNN؟

يُعد تنسيق تصدير NCNN خيارًا موثوقًا به عندما تحتاج إلى نشر نماذج YOLO11 على الأجهزة ذات الموارد المحدودة. إنه مفيد بشكل خاص للتطبيقات في الوقت الفعلي التي تعمل مباشرة على الجهاز، مثل الأجهزة الطرفية، دون الحاجة إلى اتصال بالسحابة. هذا يعني أن النموذج يمكنه التعامل مع مهام مثل اكتشاف الكائنات على الفور.

فيما يلي بعض السيناريوهات الشائعة التي يكون فيها NCNN مناسبًا تمامًا:

• النشر على الهاتف المحمول: تم تحسين تنسيق NCNN لنظامي التشغيل Android و iOS، مما يسهل دمج النماذج في تطبيقات الهاتف المحمول للاستدلال السريع على الجهاز بأقل زمن انتقال.

• 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، إلا أنه يدعم أيضًا أنظمة Linux وWindows وmacOS لبيئات سطح المكتب والخادم. وهذا يمنح المطورين خيارات مرنة للنشر.

‍

حالات استخدام نشر نموذج YOLO11 مع NCNN

بعد ذلك، دعنا نتعمق في بعض حالات الاستخدام العملي حيث يمكن أن يحدث تصدير نماذج YOLO11 إلى NCNN فرقًا حقيقيًا.

خوذات الذكاء الاصطناعي البصري لمكافحة الحرائق

يمكن استخدام خوذات السلامة المزودة بكاميرات وأجهزة كمبيوتر صغيرة مدمجة في مجالات مثل البناء ومكافحة الحرائق لتحسين السلامة والوعي. يمكن تشغيل نماذج الرؤية الاصطناعية في الوقت الفعلي، مثل YOLO11، على هذه الأجهزة لاكتشاف أنواع مختلفة من الأشياء والمعدات. على سبيل المثال، يمكن أن تساعد هذه الخوذات رجال الإطفاء على اكتشاف الأشخاص أو العوائق أو المخاطر في ظروف الرؤية المنخفضة.

ومع ذلك، فإن تشغيل نماذج كاملة الحجم مباشرة على الأجهزة القابلة للارتداء يمكن أن يتسبب في بطء الأداء واستنزاف البطارية بسرعة. في هذه الحالة، يعد استخدام تكامل NCNN خيارًا ذكيًا. فهو يتيح استدلالًا منخفض الكمون وموفرًا للطاقة. 

تصنيف النفايات والحاويات الذكية

وبالمثل، يمكن دمج صناديق النفايات الذكية مع الكاميرات ومعالجات الذكاء الاصطناعي المدمجة لتحديد المواد وفرزها أثناء التخلص منها. يمكن تدريب نماذج Vision AI مثل YOLO11 بشكل مخصص لاكتشاف أنواع مختلفة من مواد النفايات مثل الورق والبلاستيك والمطاط وما إلى ذلك.

بمجرد تحديد النفايات، يمكن فرزها تلقائيًا إلى حجرات منفصلة بناءً على إمكانية إعادة استخدامها. باستخدام الذكاء الاصطناعي المتطور (edge AI) جنبًا إلى جنب مع نماذج YOLO11 المصدرة بتنسيق NCNN، يمكن لهذه الصناديق معالجة البيانات محليًا - دون الحاجة إلى اتصال بالإنترنت. وهذا يسمح لها بالعمل بشكل مستقل واتخاذ قرارات الفرز في الوقت الفعلي بأقل قدر من التأخير.

‍

مراقبة الماشية باستخدام الطائرات بدون طيار والرؤية الحاسوبية

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 Vision AI مثل YOLO11، والتي يمكن استخدامها لتتبع حركة الحيوانات، واكتشاف علامات الإصابة أو المرض أو السلوك غير الطبيعي، وتنبيه المزارعين عند فقدان الحيوانات. كما أن دمج NCNN يجعل من الممكن تشغيل هذه البيانات ومعالجتها مباشرة على الأجهزة الطرفية، مما يجعلها مناسبة تمامًا لتحليل الصور والفيديو في المزارع الموجودة في المناطق النائية أو غير المتصلة بالشبكة.

‍

النقاط الرئيسية

يُعد تصدير نماذج YOLO11 باستخدام تكامل NCNN المدعوم من Ultralytics طريقة مباشرة لإدخال رؤية الذكاء الاصطناعي إلى البيئات منخفضة الطاقة. سواء كانت طائرات بدون طيار في مناطق الكوارث، أو صناديق فرز النفايات الذكية، أو مراقبة الماشية في المزارع النائية، فإن YOLO و NCNN يمكّنان استدلالات الذكاء الاصطناعي في الوقت الفعلي التي تتسم بالسرعة والكفاءة وقابلية النقل. يساعد هذا النهج في جعل أنظمة الذكاء الاصطناعي أكثر سهولة وموثوقية عندما تكون في أمس الحاجة إليها.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، وتفقد خيارات الترخيص الخاصة بنا لبدء مشروع الرؤية الحاسوبية الخاص بك. اكتشف كيف تشكل الابتكارات مثل الذكاء الاصطناعي في مجال البيع بالتجزئة و الرؤية الحاسوبية في مجال الرعاية الصحية المستقبل في صفحات الحلول الخاصة بنا.