تصدير Ultralytics YOLO11 باستخدام تكامل PaddlePaddle

مع تقدم الذكاء الاصطناعي (AI)، تتحسن الآلات في فهم العالم من حولها. أحد المجالات الرئيسية التي تدفع هذا التقدم هو computer vision، وهو فرع من فروع الذكاء الاصطناعي يمكن الآلات من تفسير البيانات المرئية واتخاذ قرارات بناءً عليها.

بدءاً من مساعدة السيارات في التعرف على إشارات المرور وصولاً إلى فحص الرفوف في متاجر التجزئة، أصبحت الرؤية الحاسوبية جزءاً من العديد من الأدوات اليومية. تعتمد هذه المهام على نماذج الرؤية بالذكاء الاصطناعي التي يمكنها مسح الصور أو مقاطع الفيديو بسرعة وتحديد ما هو مهم.

بمرور الوقت، أصبحت هذه النماذج أسرع وأكثر دقة، مما جعلها مفيدة في مجالات مثل الزراعة، والرعاية الصحية، والأمن، والتجزئة. على سبيل المثال، Ultralytics YOLO11 هو نموذج مصمم للتعامل مع مجموعة من مهام الرؤية الحاسوبية بسرعة ودقة. يمكنه اكتشاف الكائنات وتصنيفها، وتتبع الحركة، وتقدير وضعيات الجسم.

جزء حيوي من نقل الرؤية الحاسوبية من الأبحاث إلى تطبيقات العالم الحقيقي هو النشر. بمجرد تدريب النموذج، تكون الخطوة التالية هي تشغيله على أجهزة مثل الهواتف، أو الأجهزة الطرفية (edge hardware)، أو خوادم السحابة.

الشكل 1. يعد نشر النموذج جزءاً رئيسياً من أي مشروع رؤية حاسوبية.

دعمًا لذلك، يمكن تصدير Ultralytics YOLO models مثل YOLO11 إلى تنسيقات مختلف اعتمادًا على النظام الأساسي المستهدف. أحد هذه التنسيقات هو PaddlePaddle، وهو إطار عمل للذكاء الاصطناعي مفتوح المصدر يتيح نشر النماذج بكفاءة والاستدلال عبر مجموعة واسعة من الأجهزة والأنظمة.

في هذه المقالة، سنستكشف كيف يمكن تصدير Ultralytics YOLO11 من خلال PaddlePaddle integration المدعوم من Ultralytics لتمكين النشر الفعال عبر مختلف الأنظمة الأساسية.

ما هو PaddlePaddle؟#

قد يكون نشر نماذج الذكاء الاصطناعي خارج بيئات البحث، مثل الأجهزة المحمولة أو الأجهزة الطرفية، معقدًا في بعض الأحيان، خاصة عندما تحتاج إلى تشغيلها بكفاءة واستخدام الحد الأدنى من الموارد. PaddlePaddle هو deep learning framework مصمم للمساعدة في ذلك تمامًا.

إنها منصة صينية مفتوحة المصدر، ويرمز اسمها إلى Parallel Distributed Deep Learning (التعلم العميق الموزع بالتوازي). تم تطويرها بواسطة Baidu، وهي شركة معروفة بعملها في مجال الذكاء الاصطناعي والبنية التحتية للبرمجيات، وقد تم إنشاء PaddlePaddle خصيصاً لتطبيقات العالم الحقيقي، وليس فقط للأبحاث.

يمكن للمطورين تشغيل النماذج بتنسيق PaddlePaddle على الخوادم، والأجهزة الطرفية، وحتى الأجهزة المحمولة. كما أنها تدعم أدوات تبسط تطوير الذكاء الاصطناعي، بما في ذلك خيارات الرموز البرمجية المنخفضة (low-code) وبدون رموز (no-code). تمتلك المنصة مجتمع مطورين قوياً يضم أكثر من 4.7 مليون مستخدم، وتُستخدم عبر مجموعة متنوعة من الصناعات، بما في ذلك الرعاية الصحية، والزراعة، والتصنيع، والتمويل.

الميزات الرئيسية لـ PaddlePaddle#

فيما يلي بعض الميزات الرئيسية التي تساعد PaddlePaddle على تشغيل النماذج بكفاءة أكبر على أجهزة العالم الحقيقي:

• تحويل الرسم البياني الديناميكي إلى ثابت: تحول هذه الميزة نموذجاً مرناً إلى نسخة ثابتة تعمل بسلاسة وبشكل أكثر قابلية للتنبؤ. النموذج الثابت أسهل في التحسين وأسرع عند إجراء التنبؤات.
• دمج المشغلات (Operator fusion): يمكن لـ PaddlePaddle دمج خطوات متعددة في النموذج في خطوة واحدة. هذا يقلل من مقدار الذاكرة التي يستخدمها النموذج ويساعده على العمل بشكل أسرع. فكر في الأمر كدمج لعدة مهام في إجراء واحد لتوفير الوقت.
• Quantization: يجعل هذا النماذج أصغر حجمًا باستخدام أرقام أبسط (مثل التقريب إلى عدد أقل من المنازل العشرية). فهو يساعد النموذج على العمل على الأجهزة ذات الطاقة المحدودة، مثل الهواتف أو الكاميرات الذكية، دون فقدان كبير في الدقة.

الشكل 2. مزايا استخدام PaddlePaddle. الصورة من إعداد المؤلف.

نظرة عامة على نشر Ultralytics YOLO11 باستخدام PaddlePaddle#

يجعل تكامل PaddlePaddle المدعوم من Ultralytics الانتقال من التدريب إلى النشر أسهل. يمكن للمطورين الذين يستخدمون بالفعل أدوات PaddlePaddle دمج YOLO11 في سير عملهم بسهولة أكبر.

تدعم حزمة Ultralytics Python التصدير المباشر لنماذج YOLO11 إلى تنسيق PaddlePaddle، مما يتيح للمطورين نشر trained models دون الحاجة إلى أدوات إضافية أو خطوات تحويل يدوية.

يمكن إجراء عملية التصدير إما باستخدام سطر الأوامر أو كود Python، بحيث يمكن للمطورين اختيار الطريقة التي تتناسب بشكل أفضل مع سير عملهم. يساعد هذا في الحفاظ على الأمور بسيطة ويقلل من فرصة حدوث مشكلات في الإعداد. بمجرد التصدير، يمكن استخدام النموذج لـ computer vision tasks مثل اكتشاف الكائنات، وتصنيف الصور، وتقدير الوضعيات، وتقسيم المثيلات.

إنه خيار رائع لسيناريوهات النشر حيث تكون الأجهزة ذات ذاكرة محدودة أو تتطلب معالجة سريعة. تم تحسين النماذج المصدرة للعمل بكفاءة، حتى على الأنظمة ذات الموارد المحدودة.

كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق PaddlePaddle#

يستغرق الأمر بضع خطوات فقط لتصدير Ultralytics YOLO11 إلى تنسيق نموذج PaddlePaddle.

الخطوة الأولى هي تثبيت Ultralytics Python package باستخدام مدير الحزم مثل ‘pip’. يمكن القيام بذلك عن طريق تشغيل الأمر “pip install ultralytics” في موجه الأوامر أو الطرفية للبدء.

توفر حزمة Ultralytics أدوات للتدريب والتقييم الضبط الدقيق والتصدير والنشر للنماذج لمجموعة من مهام الرؤية الحاسوبية. إذا واجهتك أي مشكلات أثناء التثبيت، فراجع Common Issues guide للحصول على نصائح حول استكشاف الأخطاء وإصلاحها.

بمجرد إعداد بيئتك، يمكنك تحميل وتصدير نموذج YOLO11 مدرب مسبقاً مثل "yolo11n.pt" كما هو موضح أدناه. يمكنك أيضاً تصدير نموذج YOLO11 المخصص الخاص بك.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="paddle")

بعد تحويل نموذجك إلى تنسيق PaddlePaddle، يمكن نشره في سيناريوهات مختلفة على أنواع مختلفة من الأجهزة.

على سبيل المثال، في المثال أدناه، نقوم بتحميل نموذج Ultralytics YOLO11 الذي تم تصديره إلى صيغة PaddlePaddle واستخدامه لإجراء تنبؤ. هذه العملية، المعروفة باسم تشغيل الاستدلال، تعني ببساطة استخدام النموذج لتحليل بيانات جديدة. هنا، نقوم باختباره باستخدام صورة لكلبين.

paddle_model = YOLO("./yolo11n_paddle_model")
paddle_model("https://images.pexels.com/photos/33287/dog-viszla-close.jpg", save=True)

بعد تشغيل الكود، سيتم حفظ صورة المخرجات مع تنبؤات النموذج تلقائياً في مجلد "runs/detect/predict".

الشكل 3. استخدام نموذج Ultralytics YOLO11 المصدر لاكتشاف الكائنات في صورة. الصورة بواسطة المؤلف.

نشر Ultralytics YOLO11 باستخدام إطار عمل PaddlePaddle#

يوفر PaddlePaddle العديد من أدوات النشر، وكل منها مناسب للأجهزة المختلفة وحالات الاستخدام مثل بيئات السحابة، والأنظمة المضمنة، وتطبيقات الويب. إليك بعض deployment options الرئيسية:

• Paddle Serving: يساعد في نشر النماذج كواجهات REST API، مما يجعله خياراً جيداً لبيئات السحابة أو الخوادم التي تحتاج إلى ميزات مثل التحكم في الإصدار والاختبار عبر الإنترنت.
• Paddle Inference API: يمنحك تحكماً أكبر في كيفية تشغيل النماذج، وهو أمر مفيد عندما تحتاج إلى ضبط الأداء بدقة أو بناء منطق تطبيق مخصص.
• Paddle Lite: مصمم للنشر الخفيف على الأجهزة المحمولة، والأجهزة اللوحية، والأنظمة المدمجة. تم تحسينه للنماذج الأصغر والاستدلال الأسرع على الأجهزة ذات الموارد المحدودة.
• Paddle.js: يتيح لك تشغيل نماذج الذكاء الاصطناعي في متصفحات الويب باستخدام تقنيات مثل WebGL و WebAssembly، وهو مفيد للعروض التوضيحية التفاعلية والأدوات المستندة إلى المتصفح.

الشكل 4. خيارات النشر التي تمكنها PaddlePaddle. الصورة من إعداد المؤلف.

بمجرد اختيار الأداة المناسبة لإعدادك، يمكنك تحميل النموذج المصدر. يتولى محرك PaddlePaddle الخطوات التالية؛ حيث يقوم بتحميل النموذج، ومعالجة صورة الإدخال، وإعطاء النتائج.

متى يجب عليك اختيار تكامل PaddlePaddle؟#

تدعم حزمة Ultralytics Python أيضًا العديد من export formats الأخرى، لذلك قد تجد نفسك تسأل: متى يكون PaddlePaddle الخيار الصحيح؟

يعد PaddlePaddle خياراً موثوقاً عندما تتطلع إلى نشر نماذج على أجهزة ذات موارد محدودة، مثل الهواتف الذكية، أو الأنظمة المدمجة، أو الأجهزة الطرفية. كما أنه رائع للتطبيقات في الوقت الفعلي التي تتطلب أداءً سريعاً وفعالاً، مثل اكتشاف الكائنات في تطبيقات الجوال، والمراقبة القائمة على الرؤية في الكاميرات الذكية، أو تقدير وضعية الجسم الذي يعمل مباشرة على الجهاز دون دعم السحابة.

إلى جانب ذلك، إذا كان المشروع يحتاج إلى العمل دون اتصال بالإنترنت أو في بيئات ذات اتصال ضعيف، فيمكنك التفكير في استخدام تكامل PaddlePaddle. يمكن لتطبيقات مثل أدوات الفحص البصري في التصنيع، والأجهزة المحمولة للمسوحات الميدانية، أو الماسحات الضوئية في التجزئة التي تعمل بالذكاء الاصطناعي الاستفادة من وقت التشغيل الخفيف لـ PaddlePaddle وخيارات النشر المرنة.

قيود PaddlePaddle التي يجب مراعاتها#

بينما يوفر PaddlePaddle قدرات نشر مثيرة للاهتمام، إليك بعض العوامل المقيدة التي يجب أن تكون على دراية بها:

• مجتمع عالمي أصغر: خارج الصين، قاعدة المستخدمين والمساهمين صغيرة نسبياً. وهذا يمكن أن يجعل من الصعب العثور على دعم مجتمعي، أو مشاكل GitHub التي تم حلها، أو إجابات Stack Overflow.
• منحنى تعلم أكثر حدة للأدوات غير التابعة لـ Baidu: يتكامل PaddlePaddle بسلاسة مع نظام Baidu البيئي، لكن استخدامه خارج هذا السياق قد يتضمن خطوات إضافية للتكوين والإعداد.
• عدد أقل من عمليات التكامل مع أدوات التعلم الآلي الرئيسية: يتمتع PaddlePaddle توافق محدود مع الأدوات الشائعة مثل Hugging Face Transformers أو MLflow أو خدمات الذكاء الاصطناعي الأصلية لـ Kubernetes.

أبرز النقاط#

يجعل تكامل PaddlePaddle المدعوم من Ultralytics من السهل تصدير ونشر نماذج YOLO11 عبر مجموعة من الأجهزة. إنه مفيد بشكل خاص للمشاريع التي تتطلب أداءً فعالاً على الجهاز - مثل تطبيقات الجوال، والكاميرات الذكية، أو الأنظمة المدمجة.

ببضع خطوات فقط، يمكنك جلب نماذج رؤية قوية إلى تطبيقات العالم الحقيقي. مع استمرار تقدم الرؤية الحاسوبية، تجعل أدوات مثل YOLO و PaddlePaddle من الأسهل من أي وقت مضى بناء أنظمة سريعة وذكية عبر كل شيء من الأجهزة الاستهلاكية إلى الأدوات الصناعية.

انضم إلى المجتمع النامي لدينا اليوم! تعمق أكثر في الذكاء الاصطناعي من خلال استكشاف مستودع GitHub الخاص بنا. هل تتطلع إلى بناء مشاريع الرؤية الحاسوبية الخاصة بك؟ استكشف خيارات الترخيص الخاصة بنا. تعرف على كيف تحسن الرؤية الحاسوبية في الرعاية الصحية الكفاءة واستكشف تأثير الذكاء الاصطناعي في قطاع التجزئة من خلال زيارة صفحات الحلول الخاصة بنا!