كيفية قياس أداء نماذج Ultralytics YOLO مثل YOLO11

مع العدد المتزايد من نماذج الذكاء الاصطناعي المتاحة اليوم، يعد اختيار النموذج الأنسب لتطبيق الذكاء الاصطناعي المحدد الخاص بك أمرًا ضروريًا لتحقيق نتائج دقيقة وموثوقة. يختلف كل نموذج في السرعة والدقة والأداء العام. إذن، كيف يمكننا تحديد النموذج الأنسب لمهمة معينة؟ هذا مهم بشكل خاص للأنظمة في الوقت الفعلي مثل المركبات ذاتية القيادة وحلول الأمان والروبوتات، حيث يكون اتخاذ القرارات السريع والموثوق به أمرًا بالغ الأهمية.

تساعد المقارنة المعيارية في الإجابة على هذا السؤال من خلال تقييم النموذج في ظل ظروف مختلفة. فهو يوفر نظرة ثاقبة حول مدى جودة أداء النموذج عبر إعدادات وتكوينات الأجهزة المختلفة، مما يتيح اتخاذ قرارات أكثر استنارة.

على سبيل المثال، Ultralytics YOLO11 هو نموذج رؤية حاسوبية يدعم مهام تحليل البيانات المرئية المختلفة مثل الكشف عن الكائنات وتقسيم المثيلات. لفهم قدراته بشكل كامل، يمكنك قياس أدائه على إعدادات مختلفة لمعرفة كيف سيتعامل مع السيناريوهات الواقعية.

في هذه المقالة، سنستكشف كيفية قياس أداء نماذج Ultralytics YOLO مثل YOLO11، ومقارنة أدائها عبر أجهزة مختلفة، ونرى كيف تؤثر تنسيقات التصدير المختلفة على سرعتها وكفاءتها. هيا بنا نبدأ!

ما هو قياس أداء النماذج؟

عندما يتعلق الأمر باستخدام نموذج Vision AI في تطبيق واقعي، كيف يمكنك معرفة ما إذا كان سيكون سريعًا ودقيقًا وموثوقًا بدرجة كافية؟ يمكن أن يوفر قياس أداء النموذج رؤى للإجابة على ذلك. قياس أداء النموذج هو عملية اختبار ومقارنة نماذج الذكاء الاصطناعي المختلفة لمعرفة أي منها يقدم أفضل أداء. 

يتضمن تحديد خط أساس للمقارنة، واختيار مقاييس الأداء الصحيحة (مثل الدقة أو السرعة)، واختبار جميع النماذج في ظل نفس الظروف. تساعد النتائج في تحديد نقاط القوة والضعف في كل نموذج، مما يسهل تحديد النموذج الأنسب لحل الذكاء الاصطناعي المحدد الخاص بك. على وجه الخصوص، غالباً ما تستخدم مجموعة بيانات مرجعية (benchmark dataset) لتوفير مقارنات عادلة وتقييم مدى جودة أداء النموذج في سيناريوهات مختلفة في العالم الحقيقي.

‍

مثال واضح على سبب أهمية القياس المعياري هو في التطبيقات الآنية مثل المراقبة أو الروبوتات، حيث يمكن أن تؤثر حتى التأخيرات الطفيفة على اتخاذ القرارات. يساعد القياس المعياري في تقييم ما إذا كان النموذج يمكنه معالجة الصور بسرعة مع الاستمرار في تقديم تنبؤات موثوقة. 

كما أنه يلعب دورًا رئيسيًا في تحديد الاختناقات في الأداء. إذا كان النموذج يعمل ببطء أو يستخدم موارد مفرطة، فيمكن أن يكشف القياس ما إذا كانت المشكلة ناتجة عن قيود الأجهزة أو تكوينات النموذج أو تنسيقات التصدير. هذه الرؤى ضرورية لاختيار الإعداد الأكثر فعالية.

مقارنة قياس أداء النموذج بتقييم النموذج واختباره

تُعدّ قياسات أداء النموذج وتقييمه واختباره مصطلحات شائعة في مجال الذكاء الاصطناعي وتُستخدم معًا. وعلى الرغم من تشابهها، إلا أنها ليست متطابقة ولها وظائف مختلفة. يتحقق اختبار النموذج من مدى جودة أداء نموذج واحد عن طريق تشغيله على مجموعة بيانات اختبار وقياس عوامل مثل الدقة والسرعة. وفي الوقت نفسه، يذهب تقييم النموذج خطوة أبعد من خلال تحليل النتائج لفهم نقاط قوة النموذج وضعفه ومدى جودته في المواقف الواقعية. ويركز كلاهما على نموذج واحد فقط في كل مرة.

ومع ذلك، تقارن قياسات أداء النموذج بين نماذج متعددة جنبًا إلى جنب باستخدام نفس الاختبارات ومجموعات البيانات. ويساعد في معرفة النموذج الأفضل لمهمة معينة من خلال إبراز الاختلافات في الدقة والسرعة والكفاءة بينها. في حين أن الاختبار والتقييم يركزان على نموذج واحد، فإن قياس الأداء يساعد في اختيار النموذج الصحيح (أو الأفضل) من خلال مقارنة الخيارات المختلفة بشكل عادل.

‍

نظرة عامة على Ultralytics YOLO11

Ultralytics YOLO11 هو نموذج رؤية اصطناعية موثوق به مصمم لأداء مختلف مهام رؤية الكمبيوتر بدقة. إنه يحسن إصدارات نموذج YOLO السابقة وهو مليء بالميزات التي يمكن أن تساعد في حل مشاكل العالم الحقيقي. على سبيل المثال، يمكن استخدامه لاكتشاف الكائنات وتصنيف الصور وتقسيم المناطق وتتبع الحركات وغير ذلك الكثير. يمكن استخدامه أيضًا في التطبيقات عبر العديد من الصناعات، من الأمن إلى الأتمتة والتحليلات.

‍

تتمثل إحدى الفوائد الرئيسية المتعلقة بـ Ultralytics YOLO11 في سهولة استخدامه. ببضعة أسطر فقط من التعليمات البرمجية، يمكن لأي شخص دمجه في مشاريع الذكاء الاصطناعي الخاصة به دون الحاجة إلى التعامل مع الإعدادات المعقدة أو الخبرة الفنية المتقدمة. 

كما أنه يعمل بسلاسة عبر مختلف الأجهزة، حيث يعمل بكفاءة على وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسوميات (GPUs) ومسرّعات الذكاء الاصطناعي المتخصصة الأخرى. سواء تم نشره على الأجهزة الطرفية أو الخوادم السحابية، فإنه يقدم أداءً قوياً. 

يتوفر YOLO11 بأحجام نماذج مختلفة، تم تحسين كل منها لمهام مختلفة. تساعد المقارنة المعيارية في تحديد الإصدار الأفضل الذي يناسب احتياجاتك الخاصة. على سبيل المثال، إحدى الأفكار الرئيسية التي يمكن أن تكشف عنها المقارنة المعيارية هي أن النماذج الأصغر، مثل nano أو small، تميل إلى العمل بشكل أسرع ولكنها قد تضحي ببعض الدقة.

كيفية قياس أداء نماذج YOLO مثل YOLO11

الآن بعد أن فهمنا ماهية القياس المعياري وأهميته. دعنا نستعرض كيف يمكنك قياس نماذج YOLO مثل YOLO11 وتقييم كفاءتها لجمع رؤى قيمة.

للبدء، يمكنك تثبيت حزمة Ultralytics Python عن طريق تشغيل الأمر التالي في جهازك الطرفي أو موجه الأوامر: “pip install ultralytics”. إذا واجهت أي مشكلات أثناء التثبيت، فراجع دليل المشكلات الشائعة للحصول على نصائح حول استكشاف الأخطاء وإصلاحها.

بمجرد تثبيت الحزمة، يمكنك بسهولة قياس أداء YOLO11 ببضعة أسطر فقط من كود Python:

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

عند تشغيل الكود الموضح أعلاه، فإنه يحسب مدى سرعة معالجة النموذج للصور، وعدد الإطارات التي يمكنه التعامل معها في ثانية واحدة، ومدى دقته في اكتشاف الكائنات. 

تشير الإشارة إلى “coco8.yaml” في الكود إلى ملف تكوين مجموعة البيانات استنادًا إلى COCO8 (الكائنات الشائعة في السياق) - وهي نسخة صغيرة وعينة من مجموعة بيانات COCO الكاملة، وغالبًا ما تستخدم للاختبار والتجربة.

إذا كنت تختبر YOLO11 لتطبيق معين، مثل مراقبة حركة المرور أو التصوير الطبي، فإن استخدام مجموعة بيانات ذات صلة (مثل مجموعة بيانات حركة المرور أو مجموعة بيانات طبية) سيعطي رؤى أكثر دقة. يوفر القياس باستخدام COCO فكرة عامة عن الأداء، ولكن للحصول على أفضل النتائج، يمكنك اختيار مجموعة بيانات تعكس حالة الاستخدام الفعلية الخاصة بك.

فهم مخرجات قياس أداء YOLO11

بمجرد أن يتم تحديد معايير YOLO11، فإن الخطوة التالية هي تفسير النتائج. بعد تشغيل المعيار، سترى أرقامًا مختلفة في النتائج. تساعد هذه المقاييس في تقييم مدى جودة أداء YOLO11 من حيث الدقة والسرعة. 

فيما يلي بعض مقاييس YOLO11 البارزة التي يجب الانتباه إليها:

• mAP50-95: يقيس دقة اكتشاف الكائنات. تعني القيمة الأعلى أن النموذج أفضل في التعرف على الكائنات.
  ‍
• accuracy_top5: يشيع استخدامه لمهام التصنيف. يوضح عدد المرات التي تظهر فيها العلامة الصحيحة في أفضل خمسة تنبؤات.
  ‍
• زمن الاستدلال: الوقت المستغرق لمعالجة صورة واحدة، ويقاس بالمللي ثانية. القيم الأقل تعني معالجة أسرع.

‍

العوامل الأخرى التي يجب مراعاتها عند قياس أداء YOLO11 

إن النظر إلى نتائج المقارنة القياسية وحدها لا يخبرنا إلا بجزء من القصة. للحصول على فهم أفضل للأداء، من المفيد مقارنة الإعدادات المختلفة وخيارات الأجهزة. فيما يلي بعض الأشياء المهمة التي يجب النظر إليها:

• وحدة معالجة الرسومات مقابل وحدة المعالجة المركزية: يمكن لوحدات معالجة الرسومات معالجة الصور بشكل أسرع بكثير من وحدات المعالجة المركزية. يساعدك القياس المعياري على معرفة ما إذا كانت وحدة المعالجة المركزية سريعة بما يكفي لتلبية احتياجاتك أو إذا كنت ستستفيد من استخدام وحدة معالجة الرسومات.
  ‍
• إعدادات الدقة (FP32, FP16, INT8): تتحكم هذه الإعدادات في كيفية تعامل النموذج مع الأرقام. الدقة الأقل (مثل FP16 أو INT8) تجعل النموذج يعمل بشكل أسرع ويستخدم ذاكرة أقل، ولكنه قد يقلل الدقة قليلاً.
  ‍
• صيغ التصدير: يمكن أن يؤدي تحويل النموذج إلى تنسيق مثل TensorRT إلى تشغيله بشكل أسرع بكثير على أجهزة معينة. هذا مفيد إذا كنت تقوم بالتحسين لتحقيق السرعة على أجهزة معينة.

كيفية قياس أداء YOLO11 على أجهزة مختلفة

تتيح لك حزمة Ultralytics Python تحويل نماذج YOLO11 إلى تنسيقات مختلفة تعمل بكفاءة أكبر على أجهزة معينة، مما يحسن كلاً من السرعة واستخدام الذاكرة. تم تحسين كل تنسيق تصدير للأجهزة المختلفة. 

من ناحية، يمكن لصيغة ONNX تسريع الأداء عبر بيئات مختلفة. من ناحية أخرى، تعمل OpenVINO على تحسين الكفاءة على أجهزة Intel، وتعتبر التنسيقات مثل CoreML أو TF SavedModel مثالية لأجهزة Apple وتطبيقات الهاتف المحمول. 

دعونا نلقي نظرة على كيفية تقييم أداء YOLO11 في تنسيق معين. يقوم الكود أدناه بتقييم أداء YOLO11 في تنسيق ONNX، والذي يستخدم على نطاق واسع لتشغيل نماذج الذكاء الاصطناعي على كل من وحدات المعالجة المركزية ووحدات معالجة الرسومات.

from ultralytics.utils.benchmarks import benchmark  

# Benchmark a specific export format (e.g., ONNX)  
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

بالإضافة إلى نتائج القياس المعياري، يعتمد اختيار التنسيق المناسب على مواصفات نظامك واحتياجات النشر. على سبيل المثال، تحتاج السيارات ذاتية القيادة إلى اكتشاف سريع للأجسام. إذا كنت تخطط لاستخدام وحدات معالجة الرسوميات NVIDIA لتسريع الأداء، فإن تنسيق TensorRT هو الخيار الأمثل لتشغيل YOLO11 على وحدة معالجة الرسوميات NVIDIA.

‍

النقاط الرئيسية

تجعل حزمة Ultralytics Python قياس أداء YOLO11 أمرًا سهلاً من خلال توفير أوامر بسيطة يمكنها التعامل مع اختبار الأداء نيابة عنك. من خلال بضع خطوات فقط، يمكنك معرفة كيف تؤثر الإعدادات المختلفة على سرعة ودقة النماذج، مما يساعدك على اتخاذ خيارات مستنيرة دون الحاجة إلى خبرة فنية عميقة.

يمكن أن تحدث الأجهزة والإعدادات المناسبة فرقًا كبيرًا أيضًا. يتيح لك تعديل معلمات مثل حجم النموذج ومجموعة البيانات ضبط YOLO11 للحصول على أفضل أداء، سواء كنت تقوم بتشغيله على وحدة معالجة رسومات (GPU) متطورة أو محليًا على جهاز طرفي.

تواصل مع مجتمعنا واستكشف مشاريع الذكاء الاصطناعي المتطورة على مستودع GitHub الخاص بنا. تعرف على تأثير الذكاء الاصطناعي في الزراعة ودور رؤية الكمبيوتر في التصنيع من خلال صفحات الحلول الخاصة بنا. استكشف خطط الترخيص الخاصة بنا وابدأ رحلتك في مجال الذكاء الاصطناعي الآن!