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 نموذج رؤية حاسوبية يدعم مهام تحليل البيانات المرئية المختلفة مثل اكتشاف الكائنات وتقسيم المثيلات. لفهم قدراته بشكل كامل، يمكنك تقييم أداءه على إعدادات مختلفة لمعرفة كيفية تعامله مع السيناريوهات الواقعية.

في هذه المقالة، سنستكشف كيفية إجراء اختبار أداء لـ نماذج Ultralytics YOLO مثل YOLO11، ومقارنة أداءها عبر مختلف الأجهزة، ومعرفة كيف تؤثر تنسيقات التصدير المختلفة على سرعتها وكفاءتها. لنبدأ!

ما 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 في نفس الظروف. تساعد النتائج في تحديد نقاط القوة والضعف لكل نموذج، مما يسهل تحديد النموذج الأنسب لـ حل الذكاء الاصطناعي الخاص بك. على وجه الخصوص، غالباً ما يُستخدم مجموعة بيانات اختبار الأداء 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.

قياس أداء النموذج مقارنة بتقييم النموذج واختباره#

يُعد اختبار أداء النماذج، وتقييمها، واختبارها مصطلحات شائعة في مجال الذكاء الاصطناعي تُستخدم معاً. ورغم 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. في الوقت نفسه، يخطو تقييم النموذج خطوة أخرى إلى الأمام من خلال تحليل النتائج لفهم نقاط قوة النموذج، ونقاط ضعفه، و مدى كفاءته في المواقف الواقعية. يركز كلاهما 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.

نظرة عامة على Ultralytics YOLO11#

Ultralytics YOLO11 هو نموذج ذكاء اصطناعي مرئي موثوق مصمم لأداء مهام الرؤية الحاسوبية بدقة. وهو يعتمد على إصدارات نماذج YOLO السابقة ويأتي محوَالاً بميزات يمكنها المساعدة في حل مشكلات العالم الحقيقي. على سبيل المثال، يمكن استخدامه لاكتشاف الكائنات، وتصنيف الصور، وتقسيم المناطق، وتتبع الحركات، والمزيد. ويمكن استخدامه أيضاً في تطبيقات عبر العديد من الصناعات، من الأمان إلى الأتمتة وتحليلات البيانات.

Fig 3. مثال على استخدام Ultralytics YOLO11 لتقسيم 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 نموذج Ultralytics YOLO11 بأحجام مختلفة، وكل منها مخصص لمهام مختلفة. يساعد تقييم الأداء في تحديد الإصدار الأنسب لاحتياجاتك الخاصة. على سبيل المثال، إحدى الرؤى الرئيسية التي يمكن أن يكشف عنها تقييم الأداء هي أن النماذج الأصغر، مثل نموذج nano أو small، تميل إلى العمل بشكل أسرع ولكنها قد تضحّي ببعض الدقة.

كيفية قياس أداء نماذج YOLO مثل Ultralytics YOLO11#

الآن بعد أن فهمنا ما هو تقييم الأداء وأهميته، دعنا نوضح لك كيف يمكنك تقييم أداء نماذج YOLO مثل Ultralytics YOLO11 وتقييم كفاءتها لجمع رؤى قيمة.

للبدء، يمكنك تثبيت حزمة Python من Ultralytics عن طريق تشغيل الأمر التالي في الطرفية (terminal) أو موجه الأوامر (command prompt): “pip install ultralytics”. إذا واجهتك أي مشكلات أثناء التثبيت، فراجع دليل المشكلات الشائعة للحصول على نصائح حول استكشاف الأخطاء وإصلاحها.

بمجرد تثبيت الحزمة، يمكنك بسهولة benchmark Ultralytics YOLO11 باستخدام بضعة 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 دقة اكتشافه للأشياء.

يشير ذكر “coco8.yaml” في الكود إلى ملف تكوين مجموعة بيانات يعتمد على مجموعة بيانات COCO8 (Common Objects in Context) - وهي نسخة صغيرة وعينة من مجموعة بيانات COCO الكاملة، وغالباً ما تُستخدم للاختبار والتجريب.

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

فهم نتائج قياس الأداء الخاصة بـ Ultralytics YOLO11#

بمجرد إجراء اختبار الأداء لنموذج Ultralytics YOLO11، تتمثل الخطوة التالية في تفسير النتائج. بعد تشغيل اختبار الأداء، ستظهر لك أرقام متنوعة في النتائج. تساعد هذه المقاييس في تقييم مدى جودة أداء YOLO11 من حيث الدقة والسرعة.

إليك بعض مقاييس تقييم الأداء البارزة لـ Ultralytics YOLO11 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.

الشكل 4. رسم بياني يوضح أداء اختبار أداء YOLO11.

عوامل أخرى يجب مراعاتها عند قياس أداء Ultralytics 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.
• تنسيقات التصدير: يمكن أن يؤدي تحويل النموذج إلى تنسيق مثل TensorRT إلى جعله يعمل بسرعة أكبر بكثير على أجهزة معينة. يكون هذا مفيداً إذا كنت تحسن الأداء على أجهزة محددة.

كيفية تقييم أداء Ultralytics YOLO11 على الأجهزة المختلفة#

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 أخرى، يمكن لـ تنسيق ONNX تسريع الأداء عبر بيئات مختلفة. ومن ناحية أخرى، يحسن OpenVINO الكفاءة على أجهزة Intel، وتعد التنسيقات مثل CoreML أو TF SavedModel مثالية لأجهزة Apple والتطبيقات المحمولة.

دعنا نظرة على كيفية إجراء اختبار الأداء لنموذج Ultralytics YOLO11 بتنسيق معين. يقوم الكود أدناه بإجراء اختبار الأداء لنموذج YOLO11 بتنسيق ONNX، والذي يُستخدم على نطاق واسع لتشغيل نماذج الذكاء الاصطناعي على كل من وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات (GPUs).

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")

بخلاف نتائج تقييم الأداء، يعتمد اختيار التنسيق المناسب على مواصفات نظامك واحتياجات نشرك. على سبيل المثال، تحتاج self-driving cars إلى اكتشاف سريع للكائنات. إذا كنت تخطط لاستخدام وحدات معالجة الرسوميات من NVIDIA لتسريع الأداء، فإن تنسيق TensorRT هو الخيار الأمثل لتشغيل Ultralytics YOLO11 على وحدة معالجة رسوميات NVIDIA.

الشكل 5. استخدام YOLO11 لاكتشاف الكائنات في السيارات ذاتية القيادة.

أبرز 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 المناسبة أن تصنع فرقاً هائلاً أيضاً. يتيح لك ضبط المعلمات مثل حجم النموذج ومجموعة البيانات الضبط الدقيق لـ Ultralytics YOLO11 للحصول على أفضل أداء، سواء كنت تشغله على وحدة معالجة رسوميات متطورة أو محلياً على جهاز حافة.

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