تصديرYOLO11 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.

وبمرور الوقت، أصبحت هذه النماذج أسرع وأكثر دقة، مما يجعلها مفيدة في مجالات مثل الزراعة والرعاية الصحية والأمن وتجارة التجزئة. على سبيل المثال Ultralytics YOLO11 هو نموذج مصمم للتعامل مع مجموعة من مهام الرؤية الحاسوبية بسرعة ودقة. يمكنه detect الأجسام classify track الحركة، وتقدير أوضاع 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. 

‍

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

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

ما هو PaddlePaddle 

يمكن أن يكون نشر نماذج الذكاء الاصطناعي خارج إعدادات البحث، مثل الأجهزة المحمولة أو الأجهزة المتطورة، أمراً صعباً في بعض الأحيان، خاصةً عندما تحتاج إلى تشغيلها بكفاءة واستخدام الحد الأدنى من الموارد. PaddlePaddle هو إطار عمل للتعلم العميق مصمم للمساعدة في ذلك بالضبط.

إنها منصة صينية مفتوحة المصدر، واسمها يرمز إلى التعلم العميق الموزع المتوازي. تم تطوير PaddlePaddle من قبل شركة Baidu، وهي شركة معروفة بعملها في مجال الذكاء الاصطناعي والبنية التحتية للبرمجيات، وقد تم إنشاء PaddlePaddle خصيصاً للتطبيقات في العالم الحقيقي، وليس فقط للأبحاث.

يمكن للمطوّرين تشغيل النماذج بتنسيق PaddlePaddle على الخوادم والأجهزة المتطورة وحتى الأجهزة المحمولة. كما أنها تدعم الأدوات التي تُبسِّط تطوير الذكاء الاصطناعي، بما في ذلك خيارات التعليمات البرمجية المنخفضة وخيارات عدم وجود تعليمات برمجية. تمتلك المنصة مجتمعاً قوياً من المطورين يضم أكثر من 4.7 مليون مستخدم، وتُستخدم 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 أجهزة العالم الحقيقي:

• 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 المشغل: يستطيعPaddlePaddle دمج عدة خطوات في النموذج في خطوة واحدة. هذا يقلل من مقدار الذاكرة التي يستخدمها النموذج ويساعد على تشغيله بشكل أسرع. فكّر في الأمر وكأنه 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.

‍

لمحة عامة عن نشر YOLO11 مع PaddlePaddle

يسهّل تكامل PaddlePaddle المدعوم من Ultralytics الانتقال من التدريب إلى النشر. يمكن للمطوّرين الذين يستخدمون أدوات PaddlePaddle بالفعل إدخال YOLO11 في سير عملهم بسهولة أكبر.

تدعم حزمة Ultralytics Python التصدير المباشر لنماذج YOLO11 إلى تنسيق PaddlePaddle مما يسمح للمطورين بنشر النماذج المدربة 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 تناسب سير عملهم. يساعد ذلك على إبقاء الأمور بسيطة ويقلل من فرصة حدوث مشاكل في الإعداد. بمجرد التصدير، يمكن استخدام النموذج لمهام الرؤية الحاسوبية مثل اكتشاف الأجسام، وتصنيف الصور، وتقدير الوضعية، وتجزئة المثيل.

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 تنسيق PaddlePaddle

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

الخطوة الأولى هي تثبيت حزمةUltralytics Python باستخدام مدير حزم مثل "pip". يمكن القيام بذلك عن طريق تشغيل الأمر "pip install ultralytics" في موجه الأوامر أو في المحطة الطرفية للبدء.

توفر حزمة Ultralytics أدوات لتدريب النماذج وتقييمها وضبطها وتصديرها ونشرها لمجموعة من مهام الرؤية الحاسوبية. إذا واجهت أي مشاكل أثناء التثبيت، راجع دليل المشكلات الشائعة للحصول على نصائح حول استكشاف الأخطاء وإصلاحها.

بمجرد إعداد البيئة الخاصة بك، يمكنك تحميل وتصدير نموذج YOLO11 المدرب مسبقًا مثل "yolo11n.pt" كما هو موضح أدناه. يمكنك أيضًا تصدير نموذج YOLO11 المُدرَّب المخصص الخاص بك.

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 في المثال أدناه بتحميل نموذج YOLO11 الذي تم تصديره إلى صيغة PaddlePaddle واستخدامه لإجراء تنبؤ. هذه العملية، المعروفة باسم تشغيل الاستدلال، تعني ببساطة استخدام النموذج لتحليل بيانات جديدة. هنا، نحن نختبره مع صورة كلبين.

paddle_model = YOLO("./yolo11n_paddle_model")

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

بعد تشغيل الشيفرة، ستُحفظ صورة الإخراج مع تنبؤات النموذج تلقائيًا في مجلد "detect".

‍

نشر YOLO11 باستخدام إطار عمل PaddlePaddle

يقدم PaddlePaddle العديد من أدوات النشر، كل منها مناسب لأجهزة وحالات استخدام مختلفة 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.
  ‍
• Inference API: تمنحك المزيد من التحكم في كيفية تشغيل النماذج، وهو أمر مفيد عندما تحتاج إلى ضبط الأداء أو بناء 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 المُصدَّر. يعتني محرك PaddlePaddle بالخطوات التالية. يُحمِّل النموذج ويعالج صورة الإدخال ويعطي 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 عندما تتطلع إلى نشر النماذج على الأجهزة ذات الموارد المحدودة، مثل الهواتف الذكية أو الأنظمة المدمجة أو الأجهزة المتطورة. كما أنه رائع للتطبيقات في الوقت الحقيقي التي تحتاج إلى أداء سريع وفعال، مثل اكتشاف الأجسام في تطبيقات الأجهزة المحمولة، أو المراقبة القائمة على الرؤية في الكاميرات الذكية، أو تقدير الوضعيات التي تعمل مباشرةً على الجهاز دون دعم سحابي.

بالإضافة إلى ذلك، إذا كان المشروع يحتاج إلى التشغيل دون اتصال بالإنترنت أو في بيئات منخفضة الاتصال، يمكنك التفكير في استخدام تكامل PaddlePaddle . يمكن أن تستفيد تطبيقات مثل أدوات الفحص المرئي في التصنيع، أو الأجهزة المحمولة للاستطلاعات الميدانية، أو ماسحات التجزئة الممكّنة للذكاء الاصطناعي من وقت تشغيل PaddlePaddleالخفيف الوزن وخيارات النشر المرنة. 

قيود PaddlePaddle التي يجب مراعاتها

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

• 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 تعلم أكثر حدة للأدوات غير التابعة لبايدو: يتكامل PaddlePaddle بسلاسة مع النظام البيئي لبايدو، ولكن استخدامه خارج هذا السياق قد ينطوي على خطوات تكوين وإعداد إضافية.
  ‍
• تكامل أقل مع أدوات التعلم الآلي السائدة: يتمتع PaddlePaddle بتوافق محدود مع الأدوات الشائعة مثل Hugging Face Transformers أو MLflow أو خدمات الذكاء الاصطناعي الأصلية في Kubernetes.

النقاط الرئيسية

يسهّل تكامل PaddlePaddle المدعوم من Ultralytics تصدير نماذج YOLO11 ونشرها عبر مجموعة من الأجهزة. إنه مفيد بشكل خاص للمشاريع التي تتطلب أداءً فعالاً على الجهاز - مثل تطبيقات الأجهزة المحمولة أو الكاميرات الذكية أو الأنظمة المدمجة.

بخطوات قليلة، يمكنك إدخال نماذج رؤية قوية في تطبيقات العالم الحقيقي. مع استمرار تقدم الرؤية الحاسوبية، تعمل أدوات مثل YOLO و PaddlePaddle على تسهيل بناء أنظمة ذكية وسريعة في كل شيء بدءًا 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 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!