تصدير نماذج Ultralytics YOLO11 إلى تنسيق 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 Vision AI على الأجهزة المتطورة ليس بالأمر السهل كما قد يبدو. يجب تحسين نماذج الذكاء الاصطناعي لتعمل بكفاءة على الأجهزة ذات القدرة الحاسوبية والذاكرة المحدودة. لهذا السبب تعد أطر عمل الذكاء الاصطناعي مثل NCNN ضرورية. فهي تساعد في تحويل النماذج وتحسين أدائها في الوقت الفعلي على الأجهزة منخفضة الطاقة دون التضحية بالدقة.

على وجه الخصوص، نماذج Ultralytics YOLO مثل Ultralytics YOLO11 يمكن تصديرها 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، سنستكشف تكاملNCNN المدعوم من قبل Ultralytics وسنتعرف على كيفية تصدير نموذج YOLO11 الخاص بك إلى تنسيق نموذج NCNN . لنبدأ!

لمحة عامة عن NCNN: إطار عمل شبكة عصبية خفيفة الوزن

NCNN هو إطار عمل مفتوح المصدر للاستدلال على الشبكات العصبية طورته Tencent. وقد تم تصميمه خصيصًا لبيئات الأجهزة المحمولة وبيئات الحافة، حيث يعمل على تشغيل الاستدلال عالي الأداء بأقل قدر من البصمة. وهذا يجعلها مثالية للنشر على الأجهزة ذات الموارد المحدودة مثل الهواتف الذكية والطائرات بدون طيار وأجهزة إنترنت الأشياء.

وقد اكتسب إطار عمل NCNN العصبية NCNN شعبية في مجتمع الذكاء الاصطناعي والتعلم العميق بسبب كفاءته وقابليته للنقل وتحسينه لوحدات المعالجة المركزية المتنقلة (وحدات المعالجة المركزية). وهو يمكّن المطورين من تشغيل نماذج الشبكات العصبية على أجهزة ذات ذاكرة وطاقة معالجة محدودة وبأسعار معقولة. تدعم NCNN المصممة لتكون بسيطة ومرنة، مجموعة واسعة من نماذج الرؤية الحاسوبية وتعمل 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 من الشبكة العصبية NCNN إطار عمل مؤثر ومستخدم على نطاق واسع للاستدلال على الشبكات العصبية:

• 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 (GPU) أو وحدات المعالجة العصبية (NPU).
  ‍
• تكميم النموذج: بالنسبة للتطبيقات التي تكون فيها الذاكرة والسرعة أمرًا بالغ الأهمية، تدعم NCNN طرق التكميم التي تقلل من حجم النموذج وتحسن وقت الاستدلال. وهي تساعد في تشغيل نماذج الذكاء الاصطناعي بسلاسة على الأجهزة المحمولة والأجهزة المدمجة.

• مفتوحة المصدر ويمكن الوصول إليها: باعتبارها إطار عمل مفتوح المصدر، فإن NCNN مفتوحة المصدر متاحة مجانًا لأي شخص لاستخدامها وتعديلها وتحسينها. وهذا يشجع على الابتكار والاعتماد الواسع عبر مجموعة متنوعة من حالات الاستخدام.
  ‍
• تطوير نشط ومجتمع نشط: تتم صيانة NCNN بشكل نشط على GitHub بواسطة Tencent ومجتمع مطورين متنامٍ، مع تحديثات منتظمة وتحسينات في توافق النموذج.

تصدير YOLO11 إلى تنسيق نموذج NCNN : دليل سريع

والآن بعد أن ناقشنا ما هو NCNN دعنا نلقي نظرة فاحصة على كيفية تصدير نماذج YOLO11 إلى تنسيق NCNN .

الخطوة 1: قم بتثبيت حزمة Ultralytics Python

قبل تصدير النموذج، تتمثل الخطوة الأولى في تثبيت حزمةUltralytics Python باستخدام أداة تثبيت الحزمة، pip. يمكن القيام بذلك عن طريق تشغيل "pip install ultralytics" في جهازك الطرفي أو موجه الأوامر. إذا كنت تعمل في دفتر Jupyter Notebook أو Google Colab، أضف علامة تعجب قبل الأمر، مثل هذا "!pip install ultralytics".

توفر حزمة Ultralytics أدوات لتدريب نماذج Vision AI واختبارها وضبطها وتصديرها لمجموعة متنوعة من مهام الرؤية الحاسوبية. إذا واجهت أي مشاكل أثناء التثبيت أو أثناء تصدير نموذج، فإن وثائق Ultralytics الرسمية ودليل المشكلات الشائعة هما مصدران رائعان 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 مع حفظ المخرجات في مجلد باسم "/yolo11n_cnn_model". 

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

model.export(format="ncnn")  

يمكن بعد ذلك نشر نموذج YOLO11 الذي تم تصديره على مختلف الأجهزة خفيفة الوزن مثل الهواتف الذكية أو الأنظمة المدمجة أو منصات إنترنت الأشياء. كما أن عملية النشر 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 الشيفرة البرمجية، ستجد صورة الإخراج في مجلد "detect".

‍

لماذا تختار الكشف في الوقت الحقيقي مع NCNN

أثناء استكشافك لعمليات التكامل المختلفة التي تدعمها Ultralytics قد تلاحظ أن هناك العديد من خيارات التصدير المتاحة. إذن، متى يجب عليك اختيار تنسيق NCNN

يعد تنسيق التصدير NCNN خياراً موثوقاً عندما تحتاج إلى نشر نماذج YOLO11 على الأجهزة ذات الموارد المحدودة. وهو مفيد بشكل خاص للتطبيقات في الوقت الحقيقي التي تعمل مباشرةً على الجهاز، مثل الأجهزة المتطورة، دون الحاجة إلى الاتصال بالسحابة. هذا يعني أن النموذج يمكنه التعامل مع مهام مثل اكتشاف الكائنات مباشرةً على الفور.

فيما يلي بعض السيناريوهات الشائعة التي تكون فيها NCNN مناسبة تمامًا:

• النشر على الأجهزة المحمولة: تم تحسين تنسيق NCNN لنظامي Android iOS مما يجعل من السهل دمج النماذج في تطبيقات الأجهزة المحمولة 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.

• نشر سطح المكتب والخادم: على الرغم من أن NCNN رائع للأجهزة منخفضة الطاقة، إلا أنه يدعم أيضًا أنظمة Linux وWindows وmacOS لبيئات سطح المكتب والخوادم. وهذا يمنح المطورين خيارات مرنة للنشر.

‍

حالات استخدام نشر نموذج YOLO11 مع NCNN

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

خوذات الذكاء الاصطناعي البصري لمكافحة الحرائق

يمكن استخدام خوذات السلامة المزودة بكاميرات وحواسيب صغيرة مدمجة في مجالات مثل البناء ومكافحة الحرائق لتحسين السلامة والوعي. يمكن تشغيل نماذج الذكاء الاصطناعي للرؤية في الوقت الحقيقي، مثل YOLO11 على هذه الأجهزة detect أنواع مختلفة من الأجسام والمعدات. على سبيل المثال، يمكن أن تساعد هذه الخوذات رجال الإطفاء على detect الأشخاص أو العوائق أو المخاطر في ظروف الرؤية المنخفضة.

ومع ذلك، فإن تشغيل النماذج كاملة الحجم مباشرةً على الأجهزة القابلة للارتداء يمكن أن يتسبب في بطء الأداء واستنزاف البطارية بسرعة. في هذه الحالة، يعد استخدام تكامل NCNN خياراً ذكياً. فهو يتيح الاستدلال منخفض الكمون وموفر للطاقة. 

تصنيف النفايات والحاويات الذكية

وبالمثل، يمكن دمج حاويات النفايات الذكية مع الكاميرات ومعالجات الذكاء الاصطناعي المدمجة لتحديد المواد وفرزها أثناء التخلص منها. يمكن تدريب نماذج الذكاء الاصطناعي المرئي مثل YOLO11 خصيصاً detect أنواع مختلفة من النفايات مثل الورق والبلاستيك والمطاط وغيرها.

وبمجرد تحديد النفايات، يمكن فرزها تلقائيًا إلى أجزاء منفصلة بناءً على قابليتها لإعادة الاستخدام. وباستخدام الذكاء الاصطناعي المتطور إلى جانب نماذج YOLO11 المصدرة بتنسيق NCNN للنفايات، يمكن لهذه الحاويات 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. 

ومن الأمثلة الجيدة على ذلك مراقبة الماشية مثل الماشية والأغنام والدواجن. يمكن القيام بذلك باستخدام نماذج الذكاء الاصطناعي المرئي مثل YOLO11 والتي يمكن استخدامها track حركة الحيوانات، detect علامات الإصابة أو المرض أو السلوك غير الطبيعي، وتنبيه المزارعين عند فقدان الحيوانات. كما يتيح تكامل NCNN إمكانية تشغيل هذه البيانات ومعالجتها مباشرةً على الأجهزة المتطورة، مما يجعلها مناسبة تمامًا لتحليل الصور والفيديو في المزارع في المناطق النائية أو خارج الشبكة.

‍

النقاط الرئيسية

يعد تصدير نماذج YOLO11 باستخدام تكامل NCNN المدعوم من Ultralytics طريقة مباشرة لجلب الذكاء الاصطناعي البصري إلى البيئات منخفضة الطاقة. سواء كان الأمر يتعلق بالطائرات بدون طيار في مناطق الكوارث، أو صناديق فرز النفايات الذكية، أو مراقبة الماشية في المزارع البعيدة، فإن YOLO و NCNN تتيح استنتاجات الذكاء الاصطناعي في الوقت الفعلي التي تتسم بالسرعة والكفاءة والقابلية للنقل. يساعد هذا النهج في جعل أنظمة الذكاء الاصطناعي أكثر سهولة ويمكن الاعتماد عليها عندما يكون الأمر أكثر أهمية.

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.