تصدير Ultralytics YOLO11 باستخدام تكامل PaddlePaddle

مع تقدّم الذكاء الاصطناعي (AI)، تتحسّن 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 بناءً عليها.

بدءًا من مساعدة السيارات على التعرّف على إشارات المرور ووصولًا إلى فحص الرفوف في متاجر البيع بالتجزئة، أصبحت الرؤية الحاسوبية جزءًا من العديد من الأدوات اليومية. وتعتمد هذه المهام على نماذج ذكاء اصطناعي للرؤية يمكنها فحص صورة أو فيديو بسرعة وتحديد العناصر المهمة.

بمرور الوقت، أصبحت هذه النماذج أسرع وأكثر دقة، ما جعلها مفيدة في مجالات مثل الزراعة والرعاية الصحية والأمن وتجارة التجزئة. فعلى سبيل المثال، يُعد Ultralytics YOLO11 نموذجًا مصممًا للتعامل مع مجموعة من مهام الرؤية الحاسوبية بسرعة ودقة. ويمكنه اكتشاف الكائنات وتصنيفها، وتتبع الحركة، وتقدير وضعيات الجسم.

يُعد النشر جزءًا أساسيًا من نقل الرؤية الحاسوبية من البحث إلى التطبيقات الواقعية. فبعد تدريب النموذج، تتمثل الخطوة التالية في تشغيله على أجهزة مثل الهواتف أو الأجهزة الطرفية أو خوادم السحابة.

الشكل 1. يُعد نشر النموذج جزءًا أساسيًا من أي مشروع للرؤية الحاسوبية.

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

في هذه المقالة، سنستكشف كيفية تصدير Ultralytics YOLO11 من خلال تكامل PaddlePaddle الذي تدعمه Ultralytics، لتمكين النشر الفعّال عبر منصات مختلفة.

ما هو PaddlePaddle؟#

قد يكون نشر نماذج الذكاء الاصطناعي خارج بيئات البحث، مثل تشغيلها على الأجهزة المحمولة أو الأجهزة الطرفية، أمرًا معقدًا أحيانًا، لا سيما عند الحاجة إلى تشغيلها بكفاءة واستخدام أقل قدر من الموارد. وPaddlePaddle هو إطار عمل للتعلّم العميق صُمم للمساعدة في ذلك تحديدًا.

إنه منصة صينية مفتوحة المصدر، ويشير اسمها إلى التعلّم العميق المتوازي والموزّع. وقد طوّرت شركة Baidu، المعروفة بأعمالها في مجال الذكاء الاصطناعي والبنية التحتية البرمجية، PaddlePaddle خصيصًا للتطبيقات الواقعية، وليس للبحث فحسب.

يمكن للمطورين تشغيل النماذج بتنسيق PaddlePaddle على الخوادم والأجهزة الطرفية وحتى الأجهزة المحمولة. كما تدعم المنصة أدوات تُبسّط تطوير الذكاء الاصطناعي، بما في ذلك خيارات منخفضة التعليمات البرمجية وبدون تعليمات برمجية. وتمتلك المنصة مجتمعًا قويًا من المطورين يضم أكثر من 4.7 ملايين مستخدم، وتُستخدم في مجموعة متنوعة من القطاعات، بما فيها الرعاية الصحية والزراعة والتصنيع والتمويل.

الميزات الرئيسية في PaddlePaddle#

فيما يلي بعض الميزات الرئيسية التي تساعد PaddlePaddle على تشغيل النماذج بكفاءة أكبر على الأجهزة الواقعية:

• تحويل الرسم البياني الديناميكي إلى ثابت: تحوّل هذه الميزة النموذج المرن إلى إصدار ثابت يعمل بسلاسة وقابلية أكبر للتنبؤ. كما يسهل تحسين النموذج الثابت ويصبح أسرع عند إجراء التنبؤات.
• دمج العمليات: يمكن لـ PaddlePaddle دمج خطوات متعددة في النموذج ضمن خطوة واحدة. ويقلل ذلك مقدار الذاكرة التي يستخدمها النموذج ويساعده على العمل بسرعة أكبر. ويمكن تشبيه ذلك بدمج عدة مهام في إجراء واحد لتوفير الوقت.
• التكميم: يجعل هذا النموذج أصغر حجمًا باستخدام أرقام أبسط، مثل التقريب إلى عدد أقل من المنازل العشرية. ويساعد النموذج على العمل على الأجهزة محدودة الطاقة، مثل الهواتف أو الكاميرات الذكية، من دون فقدان قدر كبير من 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.

تدعم حزمة Ultralytics Python التصدير المباشر لنماذج YOLO11 إلى تنسيق PaddlePaddle، ما يتيح للمطورين نشر النماذج المدرّبة من دون أدوات إضافية أو خطوات تحويل يدوية.

يمكن إجراء عملية التصدير باستخدام سطر الأوامر أو تعليمات Python البرمجية، بحيث يختار 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 الكائنات وتصنيف الصور وتقدير الوضعيات وتقسيم الكائنات.

يُعد هذا خيارًا ممتازًا لسيناريوهات النشر التي تكون فيها ذاكرة الأجهزة محدودة أو تتطلب معالجة سريعة. فالنماذج المُصدّرة محسّنة للعمل بكفاءة، حتى على الأنظمة محدودة الموارد.

كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق PaddlePaddle#

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

تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics Python باستخدام مدير حزم مثل ‘pip’. ويمكن تنفيذ ذلك بتشغيل الأمر “pip install ultralytics” في موجه الأوامر أو الطرفية للبدء.

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 للحصول على نصائح استكشاف الأخطاء وإصلاحها.

بعد إعداد بيئتك، يمكنك تحميل نموذج YOLO11 مُدرّب مسبقًا وتصديره، مثل “yolo11n.pt”، كما هو موضح أدناه. ويمكنك أيضًا تصدير نموذج YOLO11 مخصص درّبته بنفسك.

from ultralytics import YOLO

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

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

على سبيل المثال، في المثال أدناه، نقوم بتحميل نموذج Ultralytics YOLO11 الذي تم تصديره إلى تنسيق PaddlePaddle واستخدامه لإجراء تنبؤ. وتُعرف هذه العملية باسم إجراء الاستدلال، وهي تعني ببساطة استخدام النموذج لتحليل بيانات جديدة. وهنا نختبره 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 التعليمات البرمجية، ستُحفظ صورة الإخراج التي تتضمن تنبؤات النموذج تلقائيًا في مجلد “runs/detect/predict”.

الشكل 3. استخدام نموذج Ultralytics YOLO11 المُصدّر لاكتشاف الكائنات في صورة. الصورة من إعداد المؤلف.

نشر Ultralytics YOLO11 باستخدام إطار عمل PaddlePaddle#

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

• Paddle Serving: يساعد على نشر النماذج بصفتها REST APIs، ما يجعله خيارًا مناسبًا لبيئات السحابة أو الخوادم التي تحتاج إلى ميزات مثل التحكم في الإصدارات والاختبار عبر الإنترنت.
• Paddle Inference API: يمنحك تحكمًا أكبر في طريقة تشغيل النماذج، وهو مفيد عند الحاجة إلى ضبط الأداء بدقة أو إنشاء منطق مخصص للتطبيقات.
• Paddle Lite: صُمم للنشر خفيف الوزن على الأجهزة المحمولة والأجهزة اللوحية والأنظمة المضمّنة. وهو محسّن للنماذج الأصغر حجمًا وللاستدلال الأسرع على الأجهزة محدودة الموارد.
• Paddle.js: يتيح لك تشغيل نماذج الذكاء الاصطناعي في متصفحات الويب باستخدام تقنيات مثل WebGL وWebAssembly، وهو مفيد للعروض التفاعلية والأدوات المستندة إلى المتصفح.

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

بعد اختيار الأداة المناسبة لإعدادك، يمكنك تحميل النموذج المُصدّر. ويتولى محرّك PaddlePaddle الخطوات التالية؛ إذ يحمّل النموذج، ويعالج صورة الإدخال، ويعيد النتائج.

متى ينبغي اختيار تكامل PaddlePaddle؟#

تدعم حزمة Ultralytics Python أيضًا العديد من تنسيقات التصدير الأخرى، لذا قد تجد نفسك تتساءل: متى يكون PaddlePaddle هو الخيار المناسب؟

يُعد PaddlePaddle خيارًا موثوقًا عندما تريد نشر النماذج على أجهزة محدودة الموارد، مثل الهواتف الذكية أو الأنظمة المضمّنة أو الأجهزة الطرفية. كما أنه مناسب جدًا للتطبيقات الفورية التي تتطلب أداءً سريعًا وفعّالًا، مثل اكتشاف الكائنات في تطبيقات الأجهزة المحمولة، أو المراقبة القائمة على الرؤية في الكاميرات الذكية، أو تقدير الوضعيات مباشرة على الجهاز من دون الاعتماد على دعم سحابي.

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

قيود PaddlePaddle التي ينبغي أخذها في الاعتبار#

على الرغم من أن PaddlePaddle يوفر إمكانات نشر مثيرة للاهتمام، فإليك بعض العوامل المقيّدة التي ينبغي الانتباه إليها:

• مجتمع عالمي أصغر: خارج الصين، تُعد قاعدة المستخدمين والمساهمين صغيرة نسبيًا. وقد يجعل ذلك العثور على دعم من المجتمع أو مشكلات GitHub التي تم حلها أو إجابات Stack Overflow أكثر صعوبة.
• منحنى تعلّم أكثر حدة بالنسبة إلى الأدوات غير التابعة لـ Baidu: يتكامل PaddlePaddle بسلاسة مع منظومة Baidu، لكن استخدامه خارج هذا السياق قد يتطلب إعدادًا وخطوات تهيئة إضافية.
• تكاملات أقل مع أدوات تعلّم الآلة الشائعة: يتمتع PaddlePaddle بتوافق محدود مع الأدوات الشائعة مثل Hugging Face Transformers وMLflow أو خدمات الذكاء الاصطناعي الأصلية لـ Kubernetes.

أهم النقاط المستخلصة#

يسهّل تكامل PaddlePaddle الذي تدعمه Ultralytics تصدير نماذج YOLO11 ونشرها عبر مجموعة متنوعة من الأجهزة. وهو مفيد خصوصًا للمشروعات التي تتطلب أداءً فعّالًا على الجهاز، مثل تطبيقات الأجهزة المحمولة والكاميرات الذكية والأنظمة المضمّنة.

من خلال بضع خطوات فقط، يمكنك دمج نماذج الرؤية القوية في التطبيقات الواقعية. ومع استمرار تقدم الرؤية الحاسوبية، تجعل أدوات مثل YOLO وPaddlePaddle بناء أنظمة سريعة وذكية أسهل من أي وقت مضى، بدءًا من أجهزة المستهلكين ووصولًا إلى الأدوات الصناعية.

انضم إلى مجتمعنا المتنامي اليوم! تعمّق أكثر في الذكاء الاصطناعي من خلال استكشاف مستودعنا على GitHub. هل تتطلع إلى بناء مشروعاتك الخاصة في مجال الرؤية الحاسوبية؟ استكشف خيارات الترخيص. تعرّف على كيفية إسهام الرؤية الحاسوبية في الرعاية الصحية في تحسين الكفاءة، واستكشف تأثير الذكاء الاصطناعي في تجارة التجزئة من خلال زيارة صفحات حلولنا!