كيفية قياس أداء نماذج Ultralytics YOLO مثل YOLO11

مع تزايد أعداد نماذج الذكاء الاصطناعي المتاحة اليوم، أصبح اختيار النموذج الأنسب لتطبيق الذكاء الاصطناعي الخاص بك أمراً ضرورياً لتحقيق نتائج دقيقة وموثوقة. يختلف كل نموذج في السرعة والدقة والأداء العام. إذن، كيف يمكننا تحديد النموذج الأنسب لمهمة معينة؟ هذا الأمر مهم بشكل خاص للأنظمة التي تعمل في الوقت الفعلي مثل المركبات ذاتية القيادة، وحلول الأمان، والروبوتات، حيث يكون اتخاذ القرارات السريع والموثوق أمراً بالغ الأهمية.

يساعد قياس الأداء (Benchmarking) في الإجابة على هذا السؤال من خلال تقييم النموذج تحت ظروف مختلفة. فهو يوفر رؤى حول مدى جودة أداء النموذج عبر إعدادات وتكوينات مختلفة للأجهزة، مما يتيح اتخاذ قرارات أكثر استنارة.

على سبيل المثال، يعد Ultralytics YOLO11 نموذجاً لـ computer vision يدعم العديد من مهام تحليل البيانات المرئية مثل اكتشاف الأشياء وتجزئة العناصر (instance segmentation). لفهم قدراته بشكل كامل، يمكنك قياس أدائه على إعدادات مختلفة لمعرفة كيفية تعامله مع السيناريوهات الواقعية.

في هذه المقالة، سنستكشف كيفية قياس أداء Ultralytics YOLO models مثل YOLO11، ومقارنة أدائها عبر أجهزة مختلفة، ورؤية كيف تؤثر تنسيقات التصدير المختلفة على سرعتها وكفاءتها. لنبدأ!

Link to this sectionما هو قياس أداء النموذج؟#

عندما يتعلق الأمر باستخدام نموذج ذكاء اصطناعي للرؤية في تطبيق واقعي، كيف يمكنك معرفة ما إذا كان سيكون سريعاً ودقيقاً وموثوقاً بما فيه الكفاية؟ يمكن أن يوفر قياس أداء النموذج رؤى للإجابة على ذلك. قياس أداء النموذج هو عملية اختبار ومقارنة نماذج ذكاء اصطناعي مختلفة لمعرفة أيها يقدم أفضل أداء.

يتضمن ذلك وضع أساس للمقارنة، واختيار مقاييس الأداء الصحيحة (مثل الدقة أو السرعة)، واختبار جميع النماذج تحت نفس الظروف. تساعد النتائج في تحديد نقاط القوة والضعف لكل نموذج، مما يسهل اتخاذ قرار بشأن أيها الأنسب لـ AI solution الخاص بك. على وجه الخصوص، غالباً ما يتم استخدام benchmark dataset لتوفير مقارنات عادلة وتقييم مدى جودة أداء النموذج في سيناريوهات واقعية مختلفة.

الشكل 1. لماذا نقوم بقياس أداء نماذج الرؤية الحاسوبية؟ الصورة من قبل المؤلف.

أحد الأمثلة الواضحة على سبب أهمية قياس الأداء هو في التطبيقات التي تعمل في الوقت الفعلي مثل المراقبة أو الروبوتات، حيث يمكن أن تؤثر التأخيرات الطفيفة على اتخاذ القرار. يساعد قياس الأداء في تقييم ما إذا كان النموذج قادراً على معالجة الصور بسرعة مع الاستمرار في تقديم تنبؤات موثوقة.

كما يلعب دوراً رئيسياً في تحديد اختناقات الأداء. إذا كان النموذج يعمل ببطء أو يستخدم موارد مفرطة، يمكن أن يكشف قياس الأداء عما إذا كانت المشكلة تنبع من قيود الأجهزة، أو تكوينات النموذج، أو تنسيقات التصدير. هذه الرؤى ضرورية لاختيار الإعداد الأكثر فعالية.

Link to this sectionقياس أداء النموذج مقارنة بتقييم النموذج واختباره#

تعد مصطلحات قياس أداء النموذج والتقييم والاختبار مصطلحات شائعة في مجال الذكاء الاصطناعي وتُستخدم معاً. ورغم تشابهها، إلا أنها ليست متطابقة ولها وظائف مختلفة. يتحقق Model testing من مدى جودة أداء نموذج واحد عن طريق تشغيله على مجموعة بيانات اختبار وقياس عوامل مثل الدقة والسرعة. في غضون ذلك، يذهب تقييم النموذج إلى أبعد من ذلك من خلال تحليل النتائج لفهم نقاط قوة النموذج ونقاط ضعفه ومدى نجاحه في مواقف العالم الحقيقي. كلاهما يركز على نموذج واحد فقط في كل مرة.

ومع ذلك، يقارن قياس أداء النموذج بين نماذج متعددة جنباً إلى جنب باستخدام نفس الاختبارات ومجموعات البيانات. وهو يساعد في معرفة أي نموذج يعمل بشكل أفضل لمهمة محددة من خلال تسليط الضوء على الاختلافات في الدقة والسرعة والكفاءة بينها. بينما يركز الاختبار والتقييم على نموذج واحد، يساعد قياس الأداء في اختيار النموذج الصحيح (أو الأفضل) من خلال مقارنة الخيارات المختلفة بشكل عادل.

الشكل 2. كيف يختلف قياس أداء النموذج عن التقييم والاختبار. الصورة من قبل المؤلف.

Link to this sectionنظرة عامة على Ultralytics YOLO11#

يعد Ultralytics YOLO11 نموذج ذكاء اصطناعي موثوق للرؤية ومصمم لأداء مهام computer vision tasks مختلفة بدقة. إنه يطور إصدارات نماذج YOLO السابقة ومليء بالميزات التي يمكن أن تساعد في حل مشكلات العالم الحقيقي. على سبيل المثال، يمكن استخدامه لاكتشاف الأشياء، وتصنيف الصور، وتجزئة المناطق، وتتبع الحركات، والمزيد. كما يمكن استخدامه في تطبيقات عبر العديد من الصناعات، من الأمان إلى الأتمتة والتحليلات.

Fig 3. مثال على استخدام YOLO11 لتجزئة الأشخاص في صورة.

إحدى المزايا الرئيسية المتعلقة بـ Ultralytics YOLO11 هي سهولة استخدامه. فببضعة أسطر من التعليمات البرمجية، يمكن لأي شخص دمجه في مشاريع الذكاء الاصطناعي الخاصة به دون التعامل مع إعدادات معقدة أو الحاجة إلى خبرة فنية متقدمة.

كما أنه يعمل بسلاسة عبر أجهزة مختلفة، حيث يعمل بكفاءة على CPUs (وحدات المعالجة المركزية)، وGPUs (وحدات معالجة الرسومات)، وغيرها من مسرعات الذكاء الاصطناعي المتخصصة. وسواء تم نشره على أجهزة الحافة أو خوادم السحابة، فإنه يوفر أداءً قوياً.

يتوفر YOLO11 بأحجام نماذج مختلفة، كل منها مُحسّن لمهام مختلفة. يساعد قياس الأداء في تحديد الإصدار الذي يناسب احتياجاتك المحددة بشكل أفضل. على سبيل المثال، إحدى الرؤى الرئيسية التي يمكن أن يكشف عنها قياس الأداء هي أن النماذج الأصغر، مثل nano أو small، تميل إلى العمل بشكل أسرع ولكنها قد تضحي ببعض الدقة.

Link to this sectionكيفية قياس أداء نماذج YOLO مثل YOLO11#

الآن بعد أن فهمنا ماهية قياس الأداء وأهميته. دعنا نستعرض كيفية قياس أداء نماذج YOLO مثل YOLO11 وتقييم كفاءتها لجمع رؤى قيمة.

للبدء، يمكنك تثبيت Ultralytics Python package عن طريق تشغيل الأمر التالي في جهازك الطرفي أو موجه الأوامر: “pip install ultralytics”. إذا واجهت أي مشكلات أثناء التثبيت، تحقق من Common Issues Guide للحصول على نصائح لاستكشاف الأخطاء وإصلاحها.

بمجرد تثبيت الحزمة، يمكنك بسهولة benchmark YOLO11 ببضعة أسطر 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 دقة اكتشافه للأشياء.

تشير كلمة “coco8.yaml” في الكود إلى ملف تكوين مجموعة بيانات يعتمد على مجموعة بيانات COCO8 (Common Objects in Context) - وهي نسخة تجريبية صغيرة من مجموعة بيانات COCO الكاملة، تُستخدم غالباً للاختبار والتجريب.

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 قياس الأداء باستخدام COCO فكرة عامة عن الأداء، ولكن للحصول على أفضل النتائج، يمكنك اختيار مجموعة بيانات تعكس حالة الاستخدام الفعلية الخاصة بك.

Link to this sectionفهم مخرجات قياس أداء YOLO11#

بمجرد قياس أداء YOLO11، فإن الخطوة التالية هي تفسير النتائج. بعد تشغيل القياس، سترى أرقاماً متنوعة في النتائج. تساعد هذه المقاييس في تقييم مدى جودة أداء YOLO11 من حيث الدقة والسرعة.

إليك بعض مقاييس قياس أداء YOLO11 البارزة التي يجب البحث عنها:

• mAP50-95: يقيس دقة اكتشاف الأشياء. القيمة الأعلى تعني أن النموذج أفضل في التعرف على الأشياء.
• accuracy_top5: يُستخدم عادةً لمهام التصنيف. يوضح عدد مرات ظهور التصنيف الصحيح في التوقعات الخمسة الأولى.
• Inference time: الوقت المستغرق لمعالجة صورة واحدة، ويُقاس بالملي ثانية. القيم المنخفضة تعني معالجة أسرع.

Fig 4. رسم بياني يوضح أداء قياس YOLO11.

Link to this sectionعوامل أخرى يجب مراعاتها عند قياس أداء YOLO11#

النظر إلى نتائج قياس الأداء وحدها لا يخبر سوى بجزء من القصة. للحصول على فهم أفضل للأداء، من المفيد مقارنة الإعدادات وخيارات الأجهزة المختلفة. إليك بضعة أشياء مهمة يجب النظر إليها:

• GPU مقابل CPU: يمكن لـ GPUs معالجة الصور بشكل أسرع بكثير من CPUs. يساعدك قياس الأداء على معرفة ما إذا كانت CPU سريعة بما يكفي لاحتياجاتك أو إذا كنت ستستفيد من استخدام GPU.
• إعدادات الدقة (FP32, FP16, INT8): تتحكم هذه في كيفية تعامل النموذج مع الأرقام. الدقة المنخفضة (مثل FP16 أو INT8) تجعل النموذج يعمل بشكل أسرع ويستهلك ذاكرة أقل، لكنها قد تقلل الدقة قليلاً.
• Export formats: يمكن أن يؤدي تحويل النموذج إلى تنسيق مثل TensorRT إلى جعله يعمل بشكل أسرع بكثير على أجهزة معينة. هذا مفيد إذا كنت تعمل على تحسين السرعة على أجهزة محددة.

Link to this sectionكيفية قياس أداء YOLO11 على أجهزة مختلفة#

تسمح لك حزمة Ultralytics Python بتحويل نماذج YOLO11 إلى تنسيقات مختلفة تعمل بكفاءة أكبر على أجهزة معينة، مما يحسن السرعة واستخدام الذاكرة. يتم تحسين كل تنسيق تصدير لأجهزة مختلفة.

من ناحية، يمكن لتنسيق ONNX format تسريع الأداء عبر بيئات مختلفة. ومن ناحية أخرى، يحسن OpenVINO الكفاءة على أجهزة Intel، وتعد تنسيقات مثل CoreML أو TF SavedModel مثالية لأجهزة Apple وتطبيقات الهاتف المحمول.

دعنا نلقي نظرة على كيفية قياس أداء YOLO11 بتنسيق معين. الكود أدناه يقيس أداء YOLO11 بتنسيق ONNX، والذي يُستخدم على نطاق واسع لتشغيل نماذج الذكاء الاصطناعي على كل من CPUs وGPUs.

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")

بعيداً عن نتائج قياس الأداء، يعتمد اختيار التنسيق الصحيح على مواصفات نظامك واحتياجات النشر. على سبيل المثال، تحتاج self-driving cars إلى اكتشاف سريع للأشياء. إذا كنت تخطط لاستخدام NVIDIA GPUs لتسريع الأداء، فإن تنسيق TensorRT هو الخيار المثالي لتشغيل YOLO11 على NVIDIA GPU.

Fig 5. استخدام YOLO11 لاكتشاف الأشياء في السيارات ذاتية القيادة.

Link to this sectionأبرز النقاط#

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

يمكن للأجهزة والإعدادات الصحيحة أيضاً أن تحدث فرقاً كبيراً. يتيح لك ضبط المعلمات مثل حجم النموذج ومجموعة البيانات ضبط أداء YOLO11 للحصول على أفضل أداء، سواء كنت تقوم بتشغيله على GPU متطور أو محلياً على جهاز حافة.

تواصل مع our community واستكشف مشاريع الذكاء الاصطناعي المتطورة على our GitHub repository. تعرف على تأثير AI in agriculture ودور computer vision in manufacturing من خلال صفحات الحلول الخاصة بنا. استكشف our licensing plans وابدأ رحلتك في عالم الذكاء الاصطناعي الآن!