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 الرؤية الحاسوبية، وهي فرع من فروع الذكاء الاصطناعي التي تمكن الآلات من تفسير البيانات المرئية واتخاذ القرارات بناءً عليها.

بدءًا من مساعدة السيارات على التعرف على إشارات المرور ووصولًا إلى فحص الرفوف في متاجر البيع بالتجزئة، أصبحت الرؤية الحاسوبية الآن جزءًا من العديد من الأدوات اليومية. تعتمد هذه المهام على نماذج الرؤية الحاسوبية التي يمكنها مسح صورة أو مقطع فيديو بسرعة وتحديد العناصر المهمة.

بمرور الوقت، أصبحت هذه النماذج أسرع وأكثر دقة، مما يجعلها مفيدة في مجالات مثل الزراعة والرعاية الصحية والأمن والبيع بالتجزئة. على سبيل المثال، Ultralytics YOLO11 هو نموذج مصمم للتعامل مع مجموعة من مهام رؤية الكمبيوتر بسرعة ودقة. يمكنه اكتشاف وتصنيف الأجسام وتتبع الحركة وتقدير وضعيات الجسم.

يعد نشر رؤية الكمبيوتر جزءًا حيويًا من نقلها من البحث إلى التطبيقات الواقعية. بمجرد تدريب النموذج، فإن الخطوة التالية هي تشغيله على أجهزة مثل الهواتف أو أجهزة الحافة أو خوادم السحابة. 

‍

لدعم ذلك، يمكن تصدير نماذج Ultralytics YOLO مثل YOLO11 إلى تنسيقات مختلفة اعتمادًا على النظام الأساسي المستهدف. أحد هذه التنسيقات هو PaddlePaddle، وهو إطار عمل مفتوح المصدر للذكاء الاصطناعي يتيح نشر النموذج 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 مختلف المنصات.

ما هو PaddlePaddle؟ 

قد يكون نشر نماذج الذكاء الاصطناعي خارج نطاق الإعدادات البحثية، مثل الأجهزة المحمولة أو الأجهزة الطرفية، أمرًا صعبًا في بعض الأحيان، خاصةً عندما تحتاجها إلى العمل بكفاءة واستخدام أقل قدر من الموارد. PaddlePaddle هو إطار عمل للتعلم العميق مصمم للمساعدة في ذلك تحديدًا.

هي منصة صينية مفتوحة المصدر، واسمها يرمز إلى Parallel Distributed Deep Learning (التعلم العميق الموزع المتوازي). تم تطوير PaddlePaddle بواسطة Baidu، وهي شركة معروفة بعملها في مجال الذكاء الاصطناعي والبنية التحتية للبرمجيات، وقد تم إنشاؤها خصيصاً للتطبيقات الواقعية، وليس فقط للبحث.

يمكن للمطورين تشغيل النماذج بتنسيق PaddlePaddle على الخوادم والأجهزة الطرفية وحتى أجهزة الهاتف المحمول. كما أنه يدعم الأدوات التي تبسط تطوير الذكاء الاصطناعي، بما في ذلك خيارات التعليمات البرمجية المنخفضة والخالية من التعليمات البرمجية. تتمتع المنصة بمجتمع مطورين قوي يضم أكثر من 4.7 مليون مستخدم، ويتم استخدامه في 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 الأجهزة الواقعية:

• تحويل الرسم البياني الديناميكي إلى ثابت: تحول هذه الميزة نموذجًا مرنًا إلى إصدار ثابت يعمل بسلاسة وبشكل متوقع. النموذج الثابت أسهل في التحسين وأسرع عند إجراء التنبؤات.
  ‍
• دمج العمليات: 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 على أنه دمج عدة مهام في إجراء واحد لتوفير الوقت.
  ‍
• التكميم (Quantization): هذا يجعل النموذج أصغر باستخدام أرقام أبسط (مثل التقريب إلى عدد أقل من المنازل العشرية). يساعد النموذج على العمل على الأجهزة ذات الطاقة المحدودة، مثل الهواتف أو الكاميرات الذكية، دون فقدان الكثير من الدقة.

‍

نظرة عامة على نشر YOLO11 باستخدام PaddlePaddle

إن تكامل PaddlePaddle المدعوم من Ultralytics يجعل الانتقال من التدريب إلى النشر أسهل. يمكن للمطورين الذين يستخدمون بالفعل أدوات PaddlePaddle إدخال YOLO11 في مهام سير العمل الخاصة بهم بسهولة أكبر.

تدعم حزمة Ultralytics Python التصدير المباشر لنماذج YOLO11 إلى تنسيق PaddlePaddle، مما يسمح للمطورين بنشر النماذج المدربة دون أدوات إضافية أو خطوات تحويل يدوية. 

يمكن إجراء عملية التصدير باستخدام سطر الأوامر أو كود Python، بحيث يمكن للمطورين اختيار الطريقة التي تناسب سير عملهم على أفضل وجه. يساعد هذا في الحفاظ على الأمور بسيطة ويقلل من فرصة حدوث مشكلات في الإعداد. بمجرد التصدير، يمكن استخدام النموذج لـ مهام رؤية الحاسوب مثل كشف الأجسام وتصنيف الصور وتقدير الوضعية وتقسيم المثيلات.

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

كيفية تصدير نماذج YOLO11 إلى صيغة PaddlePaddle

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

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

توفر حزمة Ultralytics أدوات لتدريب وتقييم وضبط وتصدير ونشر النماذج لمجموعة من مهام رؤية الكمبيوتر. إذا واجهت أي مشكلات أثناء التثبيت، فتحقق من دليل المشكلات الشائعة للحصول على نصائح حول استكشاف الأخطاء وإصلاحها.

بمجرد إعداد بيئتك، يمكنك تحميل وتصدير نموذج YOLO11 مُدرَّب مسبقًا مثل “yolo11n.pt” كما هو موضح أدناه. يمكنك أيضًا تصدير نموذج YOLO11 المخصص الذي تم تدريبه.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

model.export(format="paddle")

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

على سبيل المثال، في المثال أدناه، نقوم بتحميل نموذج YOLO11 الذي تم تصديره إلى تنسيق PaddlePaddle واستخدامه لعمل تنبؤ. هذه العملية، المعروفة باسم تشغيل الاستدلال، تعني ببساطة استخدام النموذج لتحليل بيانات جديدة. هنا، نقوم باختباره بصورة 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 الإخراج مع تنبؤات النموذج تلقائيًا في مجلد “runs/detect/predict”.

‍

نشر YOLO11 باستخدام إطار عمل PaddlePaddle

يوفر PaddlePaddle العديد من أدوات النشر، كل منها مناسب للأجهزة وحالات الاستخدام المختلفة مثل البيئات السحابية والأنظمة المدمجة وتطبيقات الويب. فيما يلي بعض خيارات النشر الرئيسية:

• Paddle Serving: يساعد في نشر النماذج كواجهات برمجة تطبيقات REST، مما يجعله خيارًا جيدًا للبيئات السحابية أو بيئات الخادم التي تحتاج إلى ميزات مثل التحكم في الإصدار والاختبار عبر الإنترنت.
  ‍
• واجهة برمجة تطبيقات Paddle Inference: تمنحك مزيدًا من التحكم في كيفية تشغيل النماذج، وهو أمر مفيد عندما تحتاج إلى تحسين الأداء أو إنشاء منطق تطبيق مخصص.
  ‍
• Paddle Lite: تم تصميمه للنشر خفيف الوزن 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 أمر مفيد للعروض التوضيحية التفاعلية والأدوات المستندة إلى المستعرض.

‍

بمجرد اختيار الأداة المناسبة لإعدادك، يمكنك تحميل النموذج الذي تم تصديره. يتولى محرك PaddlePaddle الخطوات التالية. يقوم بتحميل النموذج ومعالجة الصورة المدخلة وإرجاع النتائج.

متى يجب عليك اختيار تكامل PaddlePaddle؟

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

يُعد PaddlePaddle خيارًا موثوقًا به عندما تتطلع إلى نشر النماذج على الأجهزة ذات الموارد المحدودة، مثل الهواتف الذكية أو الأنظمة المدمجة أو أجهزة الحافة. كما أنه رائع للتطبيقات في الوقت الفعلي التي تحتاج إلى أداء سريع وفعال، مثل اكتشاف الأجسام في تطبيقات الهاتف المحمول، أو المراقبة القائمة على الرؤية في الكاميرات الذكية، أو تقدير الوضعية التي تعمل مباشرة على الجهاز دون دعم سحابي.

بالإضافة إلى ذلك، إذا كان المشروع بحاجة إلى التشغيل في وضع عدم الاتصال أو في بيئات ذات اتصال ضعيف، فيمكنك التفكير في استخدام تكامل PaddlePaddle. يمكن لتطبيقات مثل أدوات الفحص البصري في التصنيع، أو الأجهزة المحمولة لإجراء المسوحات الميدانية، أو الماسحات الضوئية للبيع بالتجزئة التي تدعم الذكاء الاصطناعي الاستفادة من وقت التشغيل خفيف الوزن وخيارات النشر المرنة لـ PaddlePaddle. 

اعتبارات حول قيود PaddlePaddle

في حين أن PaddlePaddle توفر إمكانات نشر مثيرة للاهتمام، إليك بعض العوامل المقيدة التي يجب الانتباه إليها:

• مجتمع عالمي أصغر: خارج الصين، تعتبر قاعدة المستخدمين والمساهمين صغيرة نسبيًا. هذا يمكن أن يجعل من الصعب العثور على دعم المجتمع أو حل مشكلات GitHub أو إجابات Stack Overflow.
  ‍
• منحنى تعليمي أكثر حدة للأدوات غير التابعة لـ Baidu: يتكامل PaddlePaddle بسلاسة مع نظام Baidu البيئي، ولكن استخدامه خارج هذا السياق قد يتضمن خطوات تكوين وإعداد إضافية.
  ‍
• عدد أقل من عمليات التكامل مع أدوات تعلم الآلة السائدة: يتمتع PaddlePaddle بتوافق محدود مع الأدوات الشائعة مثل Hugging Face Transformers أو MLflow أو خدمات الذكاء الاصطناعي الأصلية لـ Kubernetes.

النقاط الرئيسية

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

بخطوات قليلة فقط، يمكنك إدخال نماذج رؤية قوية في تطبيقات العالم الحقيقي. مع استمرار تقدم الرؤية الحاسوبية، تعمل أدوات مثل YOLO و PaddlePaddle على تسهيل بناء أنظمة سريعة وذكية عبر كل شيء بدءًا من الأجهزة الاستهلاكية وحتى 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 الخاصة بنا. تعرف على كيف تعمل الرؤية الحاسوبية في الرعاية الصحية على تحسين الكفاءة واستكشف تأثير الذكاء الاصطناعي في قطاع البيع بالتجزئة من خلال زيارة صفحات الحلول الخاصة بنا!