تصدير نماذج Ultralytics YOLO11 إلى تنسيق نماذج NCNN

أصبحت حلول الذكاء الاصطناعي أكثر شيوعًا، حتى في القطاعات الحساسة مثل إدارة الكوارث وإدارة النفايات ومكافحة الحرائق. ومع استمرار تزايد الاعتماد عليها، يجري نشر نماذج الذكاء الاصطناعي في بيئات أكثر تنوعًا، ليس على الخوادم أو في السحابة فحسب، بل مباشرةً على الأجهزة العاملة ميدانيًا.

فعلى سبيل المثال، يمكن للطائرات المسيّرة والمعدات المزودة بمكوّنات طرفية تعمل بمعالجات صغيرة أن تؤدي دورًا حاسمًا في مناطق الكوارث. وبفضل تزويدها بكاميرات حرارية، تستطيع هذه الأجهزة جمع البيانات وتحليلها في الموقع لتحديد أماكن الأشخاص العالقين تحت الأنقاض. ويتحقق ذلك من خلال الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يفسّر المعلومات المرئية في الصور ومقاطع الفيديو.

ومع ذلك، فإن نشر نماذج الذكاء الاصطناعي للرؤية على الأجهزة الطرفية ليس بالسهولة التي قد تبدو عليها. إذ يجب تحسين نماذج الذكاء الاصطناعي لتعمل بكفاءة على أجهزة ذات قدرة حوسبية وذاكرة محدودتين. ولهذا السبب تُعد أطر الذكاء الاصطناعي مثل NCNN ضرورية؛ فهي تساعد على تحويل النماذج وتحسينها لتحقيق أداء فوري على الأجهزة منخفضة الطاقة دون التضحية بالدقة.

وعلى وجه الخصوص، يمكن بسهولة تصدير نماذج Ultralytics YOLO مثل Ultralytics YOLO11 إلى تنسيق نماذج NCNN باستخدام تكامل NCNN الذي تدعمه Ultralytics. ويتيح تحويل YOLO11 إلى تنسيق نماذج NCNN للنموذج أن يعمل بسرعة أكبر، وأن يستهلك ذاكرة أقل، وأن يعمل بسلاسة على أجهزة مختلفة دون فقدان الدقة.

في هذه المقالة، سنستكشف تكامل NCNN الذي تدعمه Ultralytics، ونوضح خطوةً بخطوة كيفية تصدير نموذج YOLO11 إلى تنسيق نماذج NCNN. لنبدأ!

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

NCNN هو إطار عمل مفتوح المصدر لاستدلال الشبكات العصبية، طوّرته Tencent. وقد صُمّم خصيصًا لبيئات الأجهزة المحمولة والطرفية، إذ يوفّر استدلالًا عالي الأداء مع بصمة منخفضة. وهذا يجعله مثاليًا للنشر على الأجهزة محدودة الموارد، مثل الهواتف الذكية والطائرات المسيّرة وأجهزة إنترنت الأشياء (IoT).

اكتسب إطار عمل NCNN شعبيةً في مجتمع الذكاء الاصطناعي والتعلّم العميق بفضل كفاءته وقابليته للنقل وتحسينه لوحدات المعالجة المركزية المحمولة (CPU). وهو يتيح للمطورين تشغيل نماذج الشبكات العصبية على أجهزة منخفضة التكلفة ذات ذاكرة وقدرة معالجة محدودتين. وصُمّم NCNN ليكون بسيطًا ومرنًا، ويدعم مجموعة واسعة من نماذج الرؤية الحاسوبية، ويعمل على منصات متعددة، بما في ذلك Android وLinux وiOS وmacOS.

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

الميزات الرئيسية لتحسين أداء NCNN#

فيما يلي بعض الميزات الرئيسية التي تجعل NCNN إطار عمل مؤثرًا وشائع الاستخدام لاستدلال الشبكات العصبية:

• بيئة تشغيل خفيفة الوزن ومستقلة عن العتاد: تم تحسين إطار عمل NCNN لتشغيل النماذج على وحدات المعالجة المركزية القياسية، ولا يتطلب عتادًا متخصصًا مثل وحدات معالجة الرسومات (GPU) أو وحدات المعالجة العصبية (NPU).
• تكميم النماذج: بالنسبة إلى التطبيقات التي تكون فيها الذاكرة والسرعة عاملين حاسمين، يدعم NCNN أساليب التكميم التي تقلل حجم النموذج وتحسّن زمن الاستدلال. ويساعد ذلك على تشغيل نماذج الذكاء الاصطناعي بسلاسة على الأجهزة المحمولة والمدمجة.
• مفتوح المصدر وسهل الوصول: باعتباره إطار عمل مفتوح المصدر، يتاح NCNN مجانًا لأي شخص لاستخدامه وتعديله وتحسينه. وهذا يشجع الابتكار والاعتماد الواسع عبر مجموعة متنوعة من حالات الاستخدام.
• تطوير نشط ومجتمع متنامٍ: تجري صيانة NCNN بنشاط على GitHub بواسطة Tencent ومجتمع متنامٍ من المطورين، مع تحديثات منتظمة وتحسينات في توافق النماذج.

تصدير Ultralytics YOLO11 إلى تنسيق نماذج NCNN: دليل سريع#

بعد أن ناقشنا ماهية NCNN، دعونا نلقِ نظرةً أقرب على كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق NCNN.

الخطوة 1: تثبيت حزمة Ultralytics Python#

قبل تصدير النموذج، تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics Python باستخدام مثبّت الحزم pip. ويمكن إجراء ذلك بتشغيل "pip install ultralytics" في الطرفية أو موجه الأوامر. وإذا كنت تعمل في Jupyter Notebook أو Google Colab، فأضف علامة تعجب قبل الأمر، كما يلي: "!pip install ultralytics".

توفر حزمة Ultralytics أدوات لتدريب نماذج الذكاء الاصطناعي للرؤية واختبارها وضبطها الدقيق وتصديرها لمجموعة متنوعة من مهام الرؤية الحاسوبية. وإذا واجهت أي مشكلات أثناء التثبيت أو تصدير نموذج، فإن وثائق Ultralytics الرسمية ودليل المشكلات الشائعة يمثلان مصدرين مفيدين جدًا لاستكشاف الأخطاء وإصلاحها.

الخطوة 2: تصدير Ultralytics YOLO11#

بعد تثبيت حزمة Ultralytics، يمكنك تحميل نموذج YOLO11 وتصديره إلى تنسيق NCNN. يستخدم المثال أدناه نموذجًا مُدرَّبًا مسبقًا ("yolo11n.pt") ويصدّره بتنسيق NCNN، مع حفظ الناتج 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 متنوعة، مثل الهواتف الذكية والأنظمة المدمجة أو منصات إنترنت الأشياء. كما أن عملية النشر مبسطة للغاية.

على سبيل المثال، انظر إلى مقتطف التعليمات البرمجية أدناه، الذي يوضح كيفية تحميل النموذج المُصدَّر وتشغيل الاستدلال. ويشير الاستدلال إلى عملية استخدام نموذج مُدرَّب لإجراء تنبؤات على بيانات جديدة لم يسبق رؤيتها. في هذا المثال، يُختبر النموذج على صورة لرجل يركب دراجة، جرى جلبها من عنوان URL متاح للعامة.

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 التعليمات البرمجية، ستجد صورة الناتج في مجلد "runs/detect/predict".

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

لماذا تختار الاكتشاف الفوري باستخدام NCNN؟#

أثناء استكشافك لعمليات التكامل المختلفة التي تدعمها Ultralytics، قد تلاحظ توفر عدة خيارات للتصدير. فمتى ينبغي اختيار تنسيق NCNN؟

يُعد تنسيق تصدير NCNN خيارًا موثوقًا عندما تحتاج إلى نشر نماذج Ultralytics YOLO11 على أجهزة محدودة الموارد. وهو مفيد بصفة خاصة للتطبيقات الفورية التي تعمل مباشرةً على الجهاز، مثل الأجهزة الطرفية، دون الحاجة إلى اتصال بالسحابة. وهذا يعني أن النموذج يستطيع تنفيذ مهام مثل اكتشاف الكائنات في الموقع مباشرةً.

فيما يلي بعض السيناريوهات الشائعة التي يناسبها NCNN بدرجة كبيرة:

• النشر على الأجهزة المحمولة: تم تحسين تنسيق NCNN لنظامي Android وiOS، ما يسهّل دمج النماذج في تطبيقات الأجهزة المحمولة لإجراء استدلال سريع على الجهاز مع زمن استجابة منخفض.

• الأنظمة المدمجة وأجهزة إنترنت الأشياء: إذا كنت تنشر على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، فقد يساعد التصدير إلى NCNN على تعزيز الأداء وسرعة الاستجابة.

• النشر على أجهزة سطح المكتب والخوادم: مع أن NCNN مناسب جدًا للأجهزة منخفضة الطاقة، فإنه يدعم أيضًا Linux وWindows وmacOS لبيئات سطح المكتب والخوادم. ويمنح ذلك المطورين خيارات مرنة للنشر.

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

حالات استخدام نشر نموذج Ultralytics YOLO11 باستخدام NCNN#

بعد ذلك، سنستعرض بعض حالات الاستخدام العملية التي يمكن أن يُحدث فيها تصدير نماذج Ultralytics YOLO11 إلى NCNN فرقًا حقيقيًا.

خوذات الرؤية بالذكاء الاصطناعي لمكافحة الحرائق#

يمكن استخدام خوذات السلامة المزودة بكاميرات وحواسيب دقيقة مدمجة في مجالات مثل البناء ومكافحة الحرائق لتحسين السلامة والوعي. ويمكن تشغيل نماذج الرؤية الفورية بالذكاء الاصطناعي، مثل Ultralytics YOLO11، على هذه الأجهزة لاكتشاف أنواع مختلفة من الكائنات والمعدات. فعلى سبيل المثال، يمكن لهذه الخوذات أن تساعد رجال الإطفاء على اكتشاف الأشخاص أو العوائق أو المخاطر في ظروف ضعف الرؤية.

ومع ذلك، قد يؤدي تشغيل النماذج كاملة الحجم مباشرةً على الأجهزة القابلة للارتداء إلى بطء الأداء واستنزاف البطارية بسرعة. وفي هذه الحالة، يُعد استخدام تكامل NCNN خيارًا ذكيًا، إذ يتيح استدلالًا منخفض زمن الاستجابة وفعالًا في استهلاك الطاقة.

تصنيف النفايات والحاويات الذكية#

وبالمثل، يمكن دمج حاويات النفايات الذكية مع الكاميرات ومعالجات الذكاء الاصطناعي الطرفية المدمجة للتعرف على المواد وفرزها أثناء التخلص منها. ويمكن تدريب نماذج الرؤية بالذكاء الاصطناعي مثل YOLO11 تدريبًا مخصصًا لاكتشاف أنواع مختلفة من مواد النفايات، مثل الورق والبلاستيك والمطاط وغيرها.

بعد تحديد النفايات، يمكن فرزها تلقائيًا في حجرات منفصلة استنادًا إلى قابليتها لإعادة الاستخدام. وباستخدام الذكاء الاصطناعي الطرفي إلى جانب نماذج Ultralytics YOLO11 المُصدَّرة بتنسيق NCNN، تستطيع هذه الحاويات معالجة البيانات محليًا، دون الحاجة إلى اتصال بالإنترنت. ويتيح لها ذلك العمل باستقلالية واتخاذ قرارات الفرز الفورية بأقل تأخير.

الشكل 4. اكتشاف مواد النفايات البلاستيكية باستخدام YOLO11.

مراقبة الماشية باستخدام الطائرات المسيّرة والرؤية الحاسوبية#

تفتقر المناطق الزراعية النائية أحيانًا إلى اتصالات إنترنت مستقرة أو حتى إلى إمداد ثابت بالطاقة، ما يحد من قدرتها على تشغيل تطبيقات الذكاء الاصطناعي عبر الإنترنت. وفي مثل هذه الحالات، يمكن استخدام الأجهزة الطرفية والطائرات المسيّرة لتنفيذ مجموعة متنوعة من المهام.

ومن الأمثلة الجيدة على ذلك مراقبة الماشية، مثل الأبقار والأغنام والدواجن. ويمكن تنفيذ ذلك باستخدام نماذج الرؤية بالذكاء الاصطناعي مثل YOLO11، التي تستطيع تتبع حركة الحيوانات واكتشاف علامات الإصابة أو المرض أو السلوك غير الطبيعي، وتنبيه المزارعين عند اختفاء الحيوانات. كما يتيح تكامل NCNN تشغيل هذه البيانات ومعالجتها مباشرةً على الأجهزة الطرفية، ما يجعله مناسبًا جدًا لتحليل الصور ومقاطع الفيديو في المزارع النائية أو الواقعة خارج نطاق شبكات الكهرباء.

الشكل 5. نظرة على استخدام YOLO11 لمراقبة الماشية.

أهم النقاط المستخلصة#

يمثل تصدير نماذج YOLO11 باستخدام تكامل NCNN الذي تدعمه Ultralytics طريقةً مباشرةً لجلب الرؤية بالذكاء الاصطناعي إلى البيئات منخفضة الطاقة. وسواء تعلق الأمر بالطائرات المسيّرة في مناطق الكوارث، أو بحاويات فرز النفايات الذكية، أو بمراقبة الماشية في المزارع النائية، فإن YOLO وNCNN يتيحان استدلالات فورية للذكاء الاصطناعي تتسم بالسرعة والكفاءة وقابلية النقل. ويساعد هذا النهج على جعل أنظمة الذكاء الاصطناعي أكثر سهولة في الوصول إليها وموثوقية عندما تكون الحاجة إليها أشد.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودعنا على GitHub، وتواصل مع مجتمعنا، واطّلع على خيارات الترخيص لدينا لبدء مشروعك في الرؤية الحاسوبية. تعرّف على كيفية إسهام ابتكارات مثل الذكاء الاصطناعي في قطاع التجزئة والرؤية الحاسوبية في الرعاية الصحية في تشكيل المستقبل عبر صفحات حلولنا.