تصدير Ultralytics YOLO11 باستخدام تكامل PaddlePaddle

مع تقدم الذكاء الاصطناعي (AI)، أصبحت الآلات أكثر قدرة على فهم العالم من حولها. أحد المجالات الرئيسية التي تدفع هذا التقدم هو الرؤية الحاسوبية، وهو فرع من الذكاء الاصطناعي يمكّن 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.

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

لدعم هذا، يمكن تصدير نماذج Ultralytics YOLO مثل YOLO11 إلى تنسيقات مختلفة اعتماداً على المنصة المستهدفة. أحد هذه التنسيقات هو PaddlePaddle، وهو إطار عمل مفتوح المصدر للذكاء الاصطناعي يتيح نشر النماذج والاستدلال بكفاءة عبر مجموعة واسعة من الأجهزة والأنظمة.

في هذه المقالة، سنستكشف كيف يمكن تصدير Ultralytics YOLO11 من خلال تكامل PaddlePaddle المدعوم من Ultralytics لتمكين النشر الفعال عبر منصات مختلفة.

Link to this sectionما هو PaddlePaddle؟#

يمكن أن يكون نشر نماذج الذكاء الاصطناعي خارج بيئات البحث، مثل الأجهزة المحمولة أو الأجهزة الطرفية، أمراً صعباً في بعض الأحيان، خاصة عندما تحتاج إلى تشغيلها بكفاءة واستخدام موارد محدودة. PaddlePaddle هو إطار عمل للتعلم العميق مصمم للمساعدة في تحقيق ذلك بالضبط.

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.

Link to this sectionالميزات 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.
• التكميم (Quantization): هذا يجعل النموذج أصغر باستخدام أرقام أبسط (مثل التقريب إلى عدد أقل من المنازل العشرية). يساعد هذا النموذج على العمل على أجهزة ذات طاقة محدودة، مثل الهواتف أو الكاميرات الذكية، دون فقدان الكثير من الدقة.

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

Link to this sectionنظرة عامة على نشر YOLO11 مع 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 Python الخاصة بـ Ultralytics التصدير المباشر لنماذج YOLO11 إلى تنسيق PaddlePaddle، مما يسمح للمطورين بنشر نماذج مدربة دون الحاجة إلى أدوات إضافية أو خطوات تحويل يدوية.

يمكن إتمام عملية التصدير باستخدام سطر الأوامر أو كود Python، بحيث يمكن للمطورين اختيار الطريقة التي تناسب سير عملهم بشكل أفضل. يساعد هذا في الحفاظ على البساطة وتقليل فرص حدوث مشكلات في الإعداد. بمجرد تصدير النموذج، يمكن استخدامه لـ مهام الرؤية الحاسوبية مثل اكتشاف الكائنات، وتصنيف الصور، وتقدير وضعية الجسم، وتجزئة النماذج.

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.

Link to this sectionكيفية تصدير نماذج YOLO11 إلى تنسيق PaddlePaddle#

لا يتطلب الأمر سوى بضع خطوات لتصدير YOLO11 إلى تنسيق نموذج PaddlePaddle.

الخطوة الأولى هي تثبيت حزمة Python الخاصة بـ Ultralytics باستخدام مدير حزم مثل 'pip'. يمكن القيام بذلك عن طريق تشغيل الأمر "pip install ultralytics" في موجه الأوامر أو الطرفية للبدء.

توفر حزمة Ultralytics أدوات للتدريب والتقييم والضبط الدقيق والتصدير ونشر النماذج لمجموعة من مهام الرؤية الحاسوبية. إذا واجهت أي مشكلات أثناء التثبيت، راجع دليل المشكلات الشائعة 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 YOLO11 تم تصديره إلى تنسيق PaddlePaddle ونستخدمه 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 YOLO11 المصدر لاكتشاف الكائنات في صورة. الصورة من إعداد المؤلف.

Link to this sectionنشر YOLO11 باستخدام إطار عمل PaddlePaddle#

يوفر PaddlePaddle العديد من أدوات النشر، كل منها مناسب لأجهزة وحالات استخدام مختلفة مثل بيئات السحابة، والأنظمة المدمجة، وتطبيقات الويب. إليك بعض خيارات النشر 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.

Link to this sectionمتى يجب عليك اختيار تكامل PaddlePaddle؟#

تدعم حزمة Python الخاصة بـ Ultralytics أيضاً العديد من تنسيقات التصدير الأخرى، لذا قد تجد نفسك تسأل: متى يكون PaddlePaddle هو 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.

Link to this sectionقيود 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.
• تكاملات أقل مع أدوات تعلم الآلة الشائعة: يتمتع PaddlePaddle بتوافق محدود مع الأدوات الشائعة مثل Hugging Face Transformers، أو MLflow، أو خدمات الذكاء الاصطناعي الأصلية لـ Kubernetes.

Link to this sectionأبرز 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 مجتمعنا المتنامي اليوم! تعمق في الذكاء الاصطناعي من خلال استكشاف مستودع GitHub الخاص بنا. هل تتطلع إلى بناء مشاريع الرؤية الحاسوبية الخاصة بك؟ استكشف خيارات الترخيص لدينا. تعرف على كيفية تحسين الرؤية الحاسوبية في الرعاية الصحية للكفاءة واستكشف تأثير الذكاء الاصطناعي في التجزئة من خلال زيارة صفحات الحلول الخاصة بنا!