تصدير نماذج Ultralytics YOLO11 إلى تنسيق NCNN

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

على سبيل المثال، يمكن للطائرات المسيّرة والمعدات المزودة بمكونات طرفية تعمل بمعالجات صغيرة أن تؤدي دورًا حاسمًا في مناطق الكوارث. وعند تجهيزها بكاميرات حرارية، تستطيع هذه الأجهزة جمع البيانات وتحليلها في الموقع لتحديد مواقع الأشخاص العالقين تحت الأنقاض. ويصبح ذلك ممكنًا بفضل الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يفسر المعلومات المرئية المستمدة من الصور والفيديو.

لكن نشر نماذج الذكاء الاصطناعي للرؤية على الأجهزة الطرفية ليس سهلاً كما قد يبدو. إذ يجب تحسين النماذج لتعمل بكفاءة على عتاد محدود القدرة الحاسوبية والذاكرة. ولهذا تُعد أطر الذكاء الاصطناعي مثل NCNN أساسية؛ فهي تساعد على تحويل النماذج وتحسينها لتحقيق أداء آني على الأجهزة منخفضة الطاقة مع أدنى خسارة في الدقة.

وعلى وجه الخصوص، يمكن بسهولة تصدير نماذج Ultralytics YOLO مثل Ultralytics YOLO11 إلى تنسيق نموذج NCNN باستخدام تكامل NCNN الذي تدعمه Ultralytics. ويتيح تحويل YOLO11 إلى تنسيق نموذج NCNN تشغيل النموذج بسرعة أكبر، واستهلاك ذاكرة أقل، والعمل بسلاسة على أجهزة مختلفة مع أدنى خسارة في الدقة.

سنستكشف في هذه المقالة تكامل NCNN الذي تدعمه Ultralytics، ونشرح كيفية تصدير نموذج YOLO11 إلى تنسيق نموذج NCNN.

لمحة عامة عن NCNN: إطار عمل خفيف الوزن للشبكات العصبية#

NCNN إطار عمل مفتوح المصدر لاستدلال الشبكات العصبية، طورته Tencent. وقد صُمم خصيصًا لبيئات الأجهزة المحمولة والأجهزة الطرفية، ويوفر استدلالًا عالي الأداء ببصمة موارد صغيرة. وهذا يجعله مثاليًا للنشر على الأجهزة محدودة الموارد مثل الهواتف الذكية والطائرات المسيّرة وأجهزة إنترنت الأشياء (IoT).

اكتسب إطار عمل NCNN شعبية في مجتمع الذكاء الاصطناعي والتعلم العميق بفضل كفاءته وقابليته للنقل وتحسينه لوحدات المعالجة المركزية (CPU) المحمولة. ويتيح للمطورين تشغيل نماذج الشبكات العصبية على أجهزة منخفضة التكلفة ومحدودة الذاكرة وقدرة المعالجة. وقد صُمم NCNN ليكون بسيطًا ومرنًا، ويدعم مجموعة واسعة من نماذج الرؤية الحاسوبية ويعمل على منصات متعددة، منها Android وLinux وiOS وmacOS.

الشكل 1. يمكن نشر النماذج بتنسيق NCNN عبر منصات عديدة.

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 الأجهزة: حُسّن 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: يدعم NCNN طرق التكميم التي تقلل حجم النموذج وتحسن زمن الاستدلال، وذلك للتطبيقات التي تكون فيها الذاكرة والسرعة عاملين حاسمين. ويساعد ذلك على تشغيل نماذج الذكاء الاصطناعي بسلاسة على الأجهزة المحمولة والمضمنة.
• مفتوح المصدر ومتاح للجميع: يتوفر إطار العمل مفتوح المصدر NCNN مجانًا لأي شخص لاستخدامه وتعديله وتحسينه. وهذا يشجع الابتكار واعتماده على نطاق واسع في مجموعة متنوعة من حالات الاستخدام.
• تطوير نشط ومجتمع داعم: تتولى Tencent صيانة NCNN بنشاط على GitHub بالتعاون مع مجتمع مطورين متنامٍ، مع تحديثات منتظمة وتحسينات في توافق النماذج.

تصدير Ultralytics YOLO11 إلى تنسيق نماذج NCNN: دليل سريع#

بعد أن ناقشنا ماهية NCNN، لنتعمق في كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق NCNN.

الخطوة 1: تثبيت حزمة Ultralytics Python#

قبل تصدير النموذج، تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics لـ Python باستخدام أداة تثبيت الحزم pip. ويمكنك ذلك بتشغيل pip install ultralytics في الطرفية أو موجه الأوامر. وإذا كنت تعمل في Jupyter Notebook أو Google Colab، فأضف علامة تعجب قبل الأمر، هكذا: !pip install ultralytics.

توفر حزمة Ultralytics أدوات لتدريب نماذج الرؤية الحاسوبية 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 مصدران رائعان لاستكشاف الأخطاء وإصلاحها.

الخطوة 2: تصدير Ultralytics YOLO11#

بعد تثبيت حزمة Ultralytics، يمكنك تحميل نموذج YOLO11 وتصديره بتنسيق NCNN. يستخدم المثال أدناه نموذج YOLO11n مدرَّباً مسبقاً (yolo11n.pt) ويصدّره 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 المُصدّر على أجهزة خفيفة الوزن متنوعة، مثل الهواتف الذكية والأنظمة المضمنة ومنصات إنترنت الأشياء. كما أن عملية النشر مبسطة للغاية.

على سبيل المثال، انظر مقتطف الشيفرة أدناه، الذي يوضح كيفية تحميل النموذج المُصدَّر وتشغيل الاستدلال. والاستدلال هو عملية استخدام نموذج مدرَّب لإجراء تنبؤات على بيانات جديدة لم يسبق له رؤيتها. في هذا المثال، يُختبر النموذج على صورة لرجل يركب دراجة، جُلبت 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، ستجد صورة المخرجات في المجلد runs/detect/predict.

الشكل 2. اكتشاف الأجسام باستخدام نموذج Ultralytics YOLO11 المُصدّر بتنسيق NCNN. الصورة من إعداد المؤلف.

لماذا تختار الكشف الفوري باستخدام NCNN#

أثناء استكشاف عمليات التكامل المتنوعة التي تدعمها Ultralytics، قد تلاحظ توفر عدة خيارات للتصدير. فمتى ينبغي اختيار تنسيق NCNN؟

يُعد تنسيق التصدير NCNN خيارًا موثوقًا عندما تحتاج إلى نشر نماذج Ultralytics YOLO11 على أجهزة محدودة الموارد. وهو مفيد بشكل خاص للتطبيقات الفورية التي تعمل مباشرة على الجهاز، مثل الأجهزة الطرفية، دون الحاجة إلى الاتصال بالسحابة. وهذا يعني أن النموذج يستطيع تنفيذ مهام مثل اكتشاف الأجسام مباشرةً على الجهاز.

فيما يلي بعض الحالات الشائعة التي يكون فيها NCNN خيارًا مناسبًا:

• النشر على الأجهزة المحمولة: تم تحسين تنسيق NCNN للعمل على Android وiOS، ما يسهّل دمج النماذج في تطبيقات الأجهزة المحمولة لإجراء الاستدلال بسرعة على الجهاز وبأقل زمن استجابة.
• الأنظمة المضمنة 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: على الرغم من أن NCNN مناسب للأجهزة منخفضة الطاقة، فإنه يدعم أيضًا Linux وWindows وmacOS لبيئات أجهزة سطح المكتب والخوادم. وهذا يمنح 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، لنلقِ نظرة على بعض حالات الاستخدام العملية التي يمكن أن يُحدث فيها تصدير نماذج Ultralytics YOLO11 إلى NCNN فرقاً ملموساً.

خوذات مزودة برؤية الذكاء الاصطناعي لمكافحة الحرائق#

يمكن استخدام خوذات السلامة المزوّدة بكاميرات وحواسيب مصغرة مضمنة في مجالات مثل البناء ومكافحة الحرائق لتحسين السلامة والوعي بالمحيط. ويمكن تشغيل نماذج الرؤية بالذكاء الاصطناعي الفورية، مثل Ultralytics YOLO11، على هذه الأجهزة لاكتشاف أنواع مختلفة من الأجسام والمعدات. فعلى سبيل المثال، يمكن لهذه الخوذات مساعدة رجال الإطفاء على اكتشاف الأشخاص والعوائق والمخاطر في ظروف ضعف الرؤية.

لكن تشغيل النماذج كاملة الحجم مباشرةً على الأجهزة القابلة للارتداء قد يؤدي إلى بطء الأداء واستنزاف البطارية بسرعة. في هذه الحالة، يُعد استخدام تكامل NCNN خيارًا ذكيًا، إذ يتيح استدلالًا منخفض الكمون وموفرًا للطاقة.

تصنيف النفايات وحاوياتها الذكية#

وبالمثل، يمكن دمج حاويات النفايات الذكية مع الكاميرات ومعالجات الذكاء الاصطناعي الطرفية المدمجة لتحديد المواد وفرزها عند التخلص منها. ويمكن تدريب نماذج الذكاء الاصطناعي للرؤية مثل YOLO11 تدريباً مخصصاً لاكتشاف أنواع مختلفة من النفايات، مثل الورق والبلاستيك والمطاط وغيرها.

بمجرد تحديد النفايات، يمكن فرزها تلقائيًا في حجرات منفصلة بناءً على إمكانية إعادة استخدامها. وباستخدام الذكاء الاصطناعي الطرفي إلى جانب نماذج Ultralytics YOLO11 المُصدّرة بتنسيق NCNN، تستطيع هذه الحاويات معالجة البيانات محليًا، من دون الحاجة إلى اتصال بالإنترنت. وهذا يتيح لها العمل باستقلالية واتخاذ قرارات الفرز الفورية بأقل تأخير.

الشكل 4. اكتشاف مواد النفايات البلاستيكية باستخدام YOLO11.

مراقبة الماشية باستخدام الطائرات المسيّرة والرؤية الحاسوبية#

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

ومن الأمثلة الجيدة مراقبة الماشية، مثل الأبقار والأغنام والدواجن. ويمكن إجراء 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 فقدان 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 غير المتصلة بشبكة الكهرباء.

الشكل 5. نظرة على استخدام YOLO11 لمراقبة الماشية.

أبرز النقاط#

يُعد تصدير نماذج YOLO11 باستخدام تكامل NCNN الذي تدعمه Ultralytics طريقة مباشرة لإيصال الذكاء الاصطناعي للرؤية إلى البيئات منخفضة الطاقة. سواء أكان الأمر يتعلق بطائرات مسيّرة في مناطق الكوارث، أو حاويات ذكية لفرز النفايات، أو مراقبة الماشية في المزارع النائية، فإن YOLO وNCNN يتيحان استدلالاً آنياً بالذكاء الاصطناعي سريعاً وفعالاً وقابلاً للنقل. ويساعد هذا النهج على جعل أنظمة الذكاء الاصطناعي أكثر إتاحة واعتمادية حين تشتد الحاجة إليها.

هل ترغب في معرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودع GitHub، وتواصل مع مجتمعنا، واطّلع على خيارات الترخيص لبدء مشروعك في الرؤية الحاسوبية. تعرّف على كيفية تشكيل ابتكارات مثل الذكاء الاصطناعي في تجارة التجزئة والرؤية الحاسوبية في الرعاية الصحية للمستقبل عبر صفحات الحلول لدينا.