تصدير Ultralytics YOLO11 باستخدام تكامل PaddlePaddle

مع تطور الذكاء الاصطناعي (AI)، تتحسن قدرة الآلات على فهم العالم من حولها. ومن المجالات الرئيسية التي تدفع هذا التقدم الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يتيح للآلات تفسير البيانات المرئية واتخاذ القرارات استنادًا إليها.

من مساعدة السيارات على التعرّف على إشارات المرور إلى فحص الأرفف في متاجر البيع بالتجزئة، أصبحت الرؤية الحاسوبية جزءًا من كثير من الأدوات اليومية. وتعتمد هذه المهام على نماذج ذكاء اصطناعي للرؤية تستطيع مسح صورة أو مقطع فيديو بسرعة وتحديد العناصر المهمة.

أصبحت هذه النماذج، بمرور الوقت، أسرع وأكثر دقة، ما جعلها مفيدة في مجالات مثل الزراعة والرعاية الصحية والأمن والبيع بالتجزئة. فعلى سبيل المثال، Ultralytics YOLO11 نموذج مصمم للتعامل بسرعة ودقة مع مجموعة من مهام الرؤية الحاسوبية. ويمكنه اكتشاف الأجسام وتصنيفها، وتتبع الحركة، وتقدير وضعيات الجسم.

يُعد النشر عنصرًا أساسيًا في نقل الرؤية الحاسوبية من البحث إلى التطبيقات العملية. فبعد تدريب النموذج، تتمثل الخطوة التالية في تشغيله على أجهزة مثل الهواتف أو أجهزة الحافة أو الخوادم السحابية.

الشكل 1. نشر النموذج جزء أساسي من أي مشروع للرؤية الحاسوبية.

لدعم ذلك، يمكن تصدير نماذج Ultralytics YOLO، مثل YOLO11، إلى تنسيقات مختلفة وفقًا للمنصة المستهدفة. ومن هذه التنسيقات PaddlePaddle، وهو إطار عمل مفتوح المصدر للذكاء الاصطناعي يتيح نشر النماذج والاستدلال بكفاءة على مجموعة واسعة من الأجهزة والأنظمة.

في هذه المقالة، سنستعرض كيفية تصدير Ultralytics YOLO11 عبر تكامل PaddlePaddle الذي تدعمه Ultralytics، لتمكين النشر بكفاءة على منصات متنوعة.

ما PaddlePaddle؟#

قد يكون نشر نماذج الذكاء الاصطناعي خارج بيئات البحث، مثل تشغيلها على الأجهزة المحمولة أو أجهزة الحافة، أمرًا صعبًا أحيانًا، لا سيما عندما تحتاج إلى تشغيلها بكفاءة وبأقل قدر من الموارد. PaddlePaddle هو إطار عمل للتعلم العميق صُمم للمساعدة على تحقيق ذلك تحديدًا.

إنها منصة صينية مفتوحة المصدر، ويشير اسمها إلى التعلم العميق الموزع والمتوازي. طورتها Baidu، وهي شركة معروفة بعملها في مجال الذكاء الاصطناعي والبنية التحتية للبرمجيات، وصُممت PaddlePaddle خصيصًا للتطبيقات العملية، لا للبحث فحسب.

يمكن للمطورين تشغيل النماذج بتنسيق PaddlePaddle على الخوادم والأجهزة الطرفية، وحتى الأجهزة المحمولة. كما تدعم المنصة أدوات تبسّط تطوير الذكاء الاصطناعي، بما فيها خيارات البرمجة منخفضة التعليمات البرمجية ومن دون تعليمات برمجية. وللمنصة مجتمع مطورين قوي، وتُستخدم في قطاعات متنوعة تشمل الرعاية الصحية والزراعة والتصنيع والتمويل.

الميزات الرئيسية في PaddlePaddle#

فيما يلي بعض الميزات الرئيسية التي تساعد PaddlePaddle على تشغيل النماذج بكفاءة أكبر على الأجهزة المستخدمة في الواقع:

• تحويل الرسم البياني الديناميكي إلى ثابت: تحوّل هذه الميزة النموذج المرن إلى نسخة ثابتة تعمل بسلاسة أكبر وبشكل أكثر قابلية للتوقع. ويكون تحسين النموذج الثابت أسهل، كما يتيح إجراء التنبؤات بسرعة أكبر.
• دمج العمليات: يستطيع PaddlePaddle جمع عدة خطوات في النموذج ضمن عملية واحدة. وهذا يقلل مقدار الذاكرة التي يستخدمها النموذج ويساعده على العمل بسرعة أكبر. ويمكن تشبيه ذلك بدمج مهام متعددة في إجراء واحد لتوفير الوقت.
• التكميم: يقلل هذا من حجم النموذج باستخدام أعداد أبسط (مثل التقريب إلى عدد أقل من المنازل العشرية). ويساعد النموذج على العمل على الأجهزة محدودة الطاقة، مثل الهواتف أو الكاميرات الذكية، دون خسارة كبيرة في الدقة.

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

نظرة عامة على نشر Ultralytics YOLO11 باستخدام PaddlePaddle#

يسهّل تكامل PaddlePaddle الذي تدعمه Ultralytics الانتقال من التدريب إلى النشر. ويمكن للمطورين الذين يستخدمون أدوات PaddlePaddle بالفعل دمج YOLO11 في سير عملهم بسهولة أكبر.

تتيح حزمة Ultralytics Python تصدير نماذج YOLO11 مباشرةً إلى تنسيق PaddlePaddle، ما يسمح للمطورين بنشر النماذج المدرَّبة دون أدوات إضافية أو خطوات تحويل يدوية.

يمكن إجراء عملية التصدير باستخدام سطر الأوامر أو شيفرة Python، ليختار المطورون الطريقة الأنسب لسير عملهم. ويساعد ذلك على تبسيط العملية وتقليل احتمال حدوث مشكلات في الإعداد. وبعد التصدير، يمكن استخدام النموذج في مهام الرؤية الحاسوبية، مثل اكتشاف الأجسام، وتجزئة الكائنات، وتصنيف الصور، وتقدير الوضعيات.

إنه خيار ممتاز لسيناريوهات النشر التي تكون فيها ذاكرة الأجهزة محدودة أو تتطلب معالجة سريعة. وقد حُسّنت النماذج المُصدَّرة لتعمل بكفاءة، حتى على الأنظمة محدودة الموارد.

كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق PaddlePaddle#

لا يتطلب تصدير Ultralytics YOLO11 إلى تنسيق نماذج PaddlePaddle سوى بضع خطوات.

تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics لـ Python باستخدام مدير حزم مثل pip. ويمكنك البدء بتشغيل الأمر pip install ultralytics في موجه الأوامر أو الطرفية.

توفر حزمة Ultralytics أدوات لتدريب النماذج وتقييمها وضبطها الدقيق وتصديرها ونشرها لمجموعة من مهام الرؤية الحاسوبية. وإذا واجهت أي مشكلات أثناء التثبيت، فراجع دليل المشكلات الشائعة للاطلاع على نصائح استكشاف الأخطاء وإصلاحها.

بعد إعداد بيئتك، يمكنك تحميل نموذج YOLO11 مدرَّب مسبقاً وتصديره، مثل YOLO11n (yolo11n.pt)، كما هو موضح أدناه. ويمكنك أيضاً تصدير نموذج YOLO11 درّبته بنفسك.

from ultralytics import YOLO

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

بعد تحويل النموذج إلى تنسيق PaddlePaddle، يمكن نشره في سيناريوهات متنوعة وعلى أنواع مختلفة من الأجهزة.

على سبيل المثال، في الشيفرة أدناه، نحمّل نموذج Ultralytics YOLO11 المُصدَّر بتنسيق PaddlePaddle ونستخدمه لإجراء تنبؤ. وتُعرف هذه العملية باسم الاستدلال، وهي تعني ببساطة استخدام النموذج لتحليل بيانات جديدة. وفي هذا المثال، نختبره على صورة لكلبين.

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

بعد تشغيل الشيفرة، ستُحفَظ صورة المخرجات التي تتضمن تنبؤات النموذج تلقائياً في المجلد runs/detect/predict.

الشكل 3. استخدام نموذج Ultralytics YOLO11 المُصدَّر لاكتشاف الأجسام في صورة. الصورة من إعداد المؤلف.

نشر Ultralytics YOLO11 باستخدام إطار عمل PaddlePaddle#

يوفر PaddlePaddle عدة أدوات للنشر، تناسب كل منها أجهزة وحالات استخدام مختلفة، مثل البيئات السحابية والأنظمة المضمنة وتطبيقات الويب. فيما يلي بعض خيارات النشر الرئيسية:

• Paddle Serving: تساعد هذه الأداة على نشر النماذج في صورة واجهات برمجة تطبيقات REST، ما يجعلها خيارًا مناسبًا للبيئات السحابية أو الخوادم التي تتطلب ميزات مثل التحكم في الإصدارات والاختبار عبر الإنترنت.
• Paddle Inference API: تمنحك تحكمًا أكبر في كيفية تشغيل النماذج، ما يفيد عند الحاجة إلى ضبط الأداء بدقة أو إنشاء منطق مخصص للتطبيق.
• Paddle Lite: صُممت هذه الأداة للنشر خفيف الوزن على الأجهزة المحمولة والأجهزة اللوحية والأنظمة المضمنة. وهي محسّنة للنماذج الأصغر ولتسريع الاستدلال على الأجهزة محدودة الموارد.
• Paddle.js: تتيح تشغيل نماذج الذكاء الاصطناعي في متصفحات الويب باستخدام تقنيات مثل WebGL وWebAssembly، ما يجعلها مفيدة للعروض التوضيحية التفاعلية والأدوات المستندة إلى المتصفح.

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

بعد اختيار الأداة المناسبة لإعدادك، يمكنك تحميل النموذج المُصدَّر. ويتولى محرك PaddlePaddle الخطوات التالية؛ إذ يحمّل النموذج، ويعالج صورة الإدخال، ثم يعيد النتائج.

متى ينبغي اختيار تكامل PaddlePaddle؟#

تدعم حزمة Ultralytics Python أيضًا تنسيقات تصدير أخرى متنوعة، لذا قد تتساءل: متى يكون PaddlePaddle الخيار المناسب؟

يُعد PaddlePaddle خيارًا موثوقًا عند الرغبة في نشر النماذج على أجهزة محدودة الموارد، مثل الهواتف الذكية والأنظمة المضمنة وأجهزة الحافة. كما يناسب التطبيقات الآنية التي تتطلب أداءً سريعًا وفعالًا، مثل اكتشاف الأجسام في تطبيقات الأجهزة المحمولة، والمراقبة القائمة على الرؤية في الكاميرات الذكية، أو تقدير الوضعيات مباشرةً على الجهاز دون دعم سحابي.

إضافة إلى ذلك، إذا كان المشروع يحتاج إلى العمل دون اتصال أو في بيئات ضعيفة الاتصال، فيمكنك التفكير في استخدام تكامل PaddlePaddle. ويمكن لتطبيقات مثل أدوات الفحص البصري في التصنيع، والأجهزة المحمولة المستخدمة في المسوحات الميدانية، أو أجهزة المسح في متاجر البيع بالتجزئة المزودة بالذكاء الاصطناعي الاستفادة من بيئة التشغيل خفيفة الوزن وخيارات النشر المرنة في PaddlePaddle.

قيود PaddlePaddle التي ينبغي مراعاتها#

على الرغم من إمكانات النشر الواعدة التي يوفرها PaddlePaddle، فإليك بعض العوامل المقيِّدة التي ينبغي الانتباه إليها:

• صِغر المجتمع العالمي: خارج الصين، تُعد قاعدة المستخدمين والمساهمين صغيرة نسبيًا. وقد يصعّب ذلك العثور على دعم من المجتمع أو مشكلات GitHub التي جرى حلها أو إجابات على Stack Overflow.
• منحنى تعلم أكثر حدة عند استخدام أدوات خارج منظومة Baidu: يتكامل PaddlePaddle بسلاسة مع منظومة Baidu، لكن استخدامه خارج هذا السياق قد يتطلب خطوات إضافية للتهيئة والإعداد.
• تكاملات أقل مع أدوات تعلم الآلة الشائعة: توافق PaddlePaddle محدود مع الأدوات الشائعة، مثل Hugging Face Transformers وMLflow، أو خدمات الذكاء الاصطناعي الأصلية لـKubernetes.

أبرز النقاط#

يسهّل تكامل PaddlePaddle الذي تدعمه Ultralytics تصدير نماذج YOLO11 ونشرها على مجموعة من الأجهزة. وهو مفيد بوجه خاص للمشروعات التي تتطلب أداءً فعالًا على الجهاز، مثل تطبيقات الأجهزة المحمولة والكاميرات الذكية والأنظمة المضمنة.

ببضع خطوات فقط، يمكنك إدخال نماذج الرؤية القوية في تطبيقات عملية. ومع استمرار تقدم الرؤية الحاسوبية، تجعل أدوات مثل YOLO وPaddlePaddle بناء أنظمة سريعة وذكية أسهل من أي وقت مضى، بدءًا من الأجهزة الاستهلاكية وصولًا إلى الأدوات الصناعية.

انضم إلى مجتمعنا المتنامي اليوم! تعمّق في الذكاء الاصطناعي باستكشاف مستودع GitHub. هل ترغب في بناء مشروعاتك الخاصة في الرؤية الحاسوبية؟ اطّلع على خيارات الترخيص. تعرّف على كيفية إسهام الرؤية الحاسوبية في الرعاية الصحية في تحسين الكفاءة، واكتشف أثر الذكاء الاصطناعي في قطاع البيع بالتجزئة عبر صفحات حلولنا!