كيفية قياس أداء نماذج Ultralytics YOLO مثل YOLO11

مع تزايد عدد نماذج الذكاء الاصطناعي المتاحة اليوم، يُعد اختيار النموذج الأنسب لتطبيق الذكاء الاصطناعي الخاص بك أمرًا أساسيًا لتحقيق نتائج دقيقة وموثوقة. يختلف كل نموذج من حيث السرعة والدقة والأداء العام. فكيف يمكننا تحديد النموذج الأفضل لمهمة معينة؟ تكتسب هذه المسألة أهمية خاصة في الأنظمة الفورية مثل المركبات ذاتية القيادة، وحلول الأمان، والروبوتات، حيث يُعد اتخاذ القرارات السريع والموثوق أمرًا بالغ الأهمية.

تساعد الاختبارات المعيارية في الإجابة عن هذا السؤال من خلال تقييم النموذج في ظل ظروف مختلفة. فهي توفر رؤى حول مدى جودة أداء النموذج عبر إعدادات وتكوينات متنوعة للأجهزة، مما يتيح اتخاذ قرارات أكثر استنارة.

على سبيل المثال، يُعد Ultralytics YOLO11 نموذجًا لـالرؤية الحاسوبية يدعم مهام متنوعة لتحليل البيانات المرئية، مثل اكتشاف الكائنات وتقسيم المثيلات. لفهم إمكاناته بالكامل، يمكنك إجراء اختبار معياري لأدائه على إعدادات مختلفة لمعرفة كيفية تعامله مع سيناريوهات العالم الحقيقي.

في هذه المقالة، سنستكشف كيفية إجراء اختبار معياري لـنماذج Ultralytics YOLO مثل YOLO11، ومقارنة أدائها عبر أجهزة متنوعة، ومعرفة تأثير تنسيقات التصدير المختلفة في سرعتها وكفاءتها. لنبدأ!

ما الاختبار المعياري للنموذج؟#

عند استخدام نموذج للذكاء الاصطناعي المرئي في تطبيق واقعي، كيف يمكنك معرفة ما إذا كان سريعًا ودقيقًا وموثوقًا بما يكفي؟ يمكن أن يوفر الاختبار المعياري للنموذج رؤى تساعد في الإجابة عن ذلك. ويُعد الاختبار المعياري للنموذج عملية اختبار نماذج ذكاء اصطناعي مختلفة ومقارنتها لمعرفة أيها يحقق أفضل أداء.

يتضمن ذلك وضع خط أساس للمقارنة، واختيار مقاييس الأداء المناسبة، مثل الدقة أو السرعة، واختبار جميع النماذج في الظروف نفسها. تساعد النتائج في تحديد نقاط قوة كل نموذج ونقاط ضعفه، مما يسهّل اختيار النموذج الأنسب لـحل الذكاء الاصطناعي الخاص بك. وعلى وجه الخصوص، غالبًا ما تُستخدم مجموعة بيانات معيارية لإجراء مقارنات عادلة وتقييم مدى جودة أداء النموذج في سيناريوهات مختلفة من العالم الحقيقي.

الشكل 1. لماذا نُجري اختبارات معيارية لنماذج الرؤية الحاسوبية؟ الصورة من إعداد المؤلف.

من الأمثلة الواضحة على أهمية الاختبارات المعيارية التطبيقات الفورية، مثل أنظمة المراقبة أو الروبوتات، حيث يمكن حتى للتأخيرات الطفيفة أن تؤثر في اتخاذ القرارات. تساعد الاختبارات المعيارية في تقييم قدرة النموذج على معالجة الصور بسرعة مع الاستمرار في تقديم تنبؤات موثوقة.

كما تؤدي دورًا رئيسيًا في تحديد اختناقات الأداء. فإذا كان النموذج يعمل ببطء أو يستهلك موارد مفرطة، يمكن للاختبار المعياري أن يكشف ما إذا كانت المشكلة ناتجة عن قيود الأجهزة أو تكوينات النموذج أو تنسيقات التصدير. وتُعد هذه الرؤى ضرورية لاختيار الإعداد الأكثر فعالية.

الاختبار المعياري للنموذج مقارنةً بتقييم النموذج واختباره#

يُعد الاختبار المعياري للنموذج والتقييم والاختبار مصطلحات شائعة في الذكاء الاصطناعي تُستخدم معًا. ورغم تشابهها، فإنها ليست متطابقة ولها وظائف مختلفة. يتحقق اختبار النموذج من مدى جودة أداء نموذج واحد من خلال تشغيله على مجموعة بيانات اختبار وقياس عوامل مثل الدقة والسرعة. أما تقييم النموذج فيتجاوز ذلك بتحليل النتائج لفهم نقاط قوة النموذج ونقاط ضعفه ومدى فعاليته في مواقف العالم الحقيقي. ويركز كلاهما على نموذج واحد في كل مرة.

أما الاختبار المعياري للنموذج، فيقارن بين نماذج متعددة جنبًا إلى جنب باستخدام الاختبارات ومجموعات البيانات نفسها. ويساعد في معرفة النموذج الأفضل لمهمة معينة من خلال إبراز الفروق بينها في الدقة والسرعة والكفاءة. وبينما يركز الاختبار والتقييم على نموذج واحد، يساعد الاختبار المعياري في اختيار النموذج المناسب (أو الأفضل) من خلال مقارنة الخيارات المختلفة بعدل.

الشكل 2. كيف يختلف الاختبار المعياري للنموذج عن التقييم والاختبار. الصورة من إعداد المؤلف.

نظرة عامة على Ultralytics YOLO11#

Ultralytics YOLO11 نموذج موثوق للذكاء الاصطناعي المرئي، صُمم لتنفيذ مهام الرؤية الحاسوبية المختلفة بدقة. وهو يطوّر إصدارات YOLO السابقة، ويزخر بميزات يمكن أن تساعد في حل مشكلات العالم الحقيقي. فعلى سبيل المثال، يمكن استخدامه لاكتشاف الكائنات، وتصنيف الصور، وتقسيم المناطق، وتتبع الحركات، وغير ذلك. كما يمكن استخدامه في تطبيقات ضمن العديد من القطاعات، من الأمان إلى الأتمتة والتحليلات.

الشكل 3. مثال على استخدام Ultralytics YOLO11 لتقسيم الأشخاص في صورة.

تتمثل إحدى الفوائد الرئيسية المرتبطة بـ Ultralytics YOLO11 في سهولة استخدامه. فباستخدام بضعة أسطر من التعليمات البرمجية، يمكن لأي شخص دمجه في مشاريع الذكاء الاصطناعي الخاصة به دون التعامل مع إعدادات معقدة أو الحاجة إلى خبرة تقنية متقدمة.

كما يعمل بسلاسة عبر أجهزة مختلفة، إذ يعمل بكفاءة على وحدات المعالجة المركزية (CPUs)، ووحدات معالجة الرسومات (GPUs)، ومسرّعات الذكاء الاصطناعي المتخصصة الأخرى. وسواء نُشر على أجهزة طرفية أو خوادم سحابية، فإنه يقدم أداءً قويًا.

يتوفر Ultralytics YOLO11 بأحجام نماذج مختلفة، جرى تحسين كل منها لمهام متنوعة. ويساعد الاختبار المعياري في تحديد الإصدار الأنسب لاحتياجاتك الخاصة. فعلى سبيل المثال، من الرؤى المهمة التي قد يكشفها الاختبار المعياري أن النماذج الأصغر، مثل إصداري nano أو small، تميل إلى العمل بسرعة أكبر، لكنها قد تقدم ذلك على حساب بعض الدقة.

كيفية إجراء اختبار معياري لنماذج YOLO مثل Ultralytics YOLO11#

بعد أن تعرفنا إلى ماهية الاختبار المعياري وأهميته، لنستعرض كيفية إجراء اختبار معياري لنماذج YOLO مثل Ultralytics YOLO11 وتقييم كفاءتها لاستخلاص رؤى قيّمة.

للبدء، يمكنك تثبيت حزمة Ultralytics Python من خلال تشغيل الأمر التالي في الطرفية أو موجه الأوامر: “pip install ultralytics”. وإذا واجهت أي مشكلات أثناء التثبيت، فراجع دليل المشكلات الشائعة للاطلاع على نصائح استكشاف الأخطاء وإصلاحها.

بعد تثبيت الحزمة، يمكنك بسهولة إجراء اختبار معياري لـ Ultralytics YOLO11 باستخدام بضعة أسطر من تعليمات Python البرمجية:

from ultralytics.utils.benchmarks import benchmark

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

عند تشغيل التعليمات البرمجية الموضحة أعلاه، فإنها تحسب سرعة معالجة النموذج للصور، وعدد الإطارات التي يمكنه معالجتها في ثانية واحدة، ومدى دقته في اكتشاف الكائنات.

تشير عبارة “coco8.yaml” في التعليمات البرمجية إلى ملف تكوين مجموعة بيانات يستند إلى مجموعة بيانات COCO8 (الكائنات الشائعة في السياق)، وهي نسخة صغيرة تجريبية من مجموعة بيانات COCO الكاملة، وتُستخدم غالبًا للاختبار والتجريب.

إذا كنت تختبر Ultralytics YOLO11 لتطبيق محدد، مثل مراقبة حركة المرور أو التصوير الطبي، فإن استخدام مجموعة بيانات ذات صلة (مثل مجموعة بيانات لحركة المرور أو مجموعة بيانات طبية) سيقدم رؤى أكثر دقة. يمنحك إجراء الاختبار المعياري باستخدام COCO فكرة عامة عن الأداء، لكن للحصول على أفضل النتائج، يمكنك اختيار مجموعة بيانات تعكس حالة الاستخدام الفعلية لديك.

فهم مخرجات الاختبار المعياري لـ Ultralytics YOLO11#

بعد إجراء الاختبار المعياري لـ Ultralytics YOLO11، تتمثل الخطوة التالية في تفسير النتائج. بعد تشغيل الاختبار المعياري، سترى أرقامًا مختلفة في النتائج. وتساعد هذه المقاييس في تقييم مدى أداء YOLO11 من حيث الدقة والسرعة.

فيما يلي بعض مقاييس الاختبار المعياري البارزة في Ultralytics YOLO11 التي ينبغي الانتباه إليها:

• mAP50-95: يقيس دقة اكتشاف الكائنات. وتشير القيمة الأعلى إلى قدرة النموذج الأفضل على التعرّف إلى الكائنات.
• accuracy_top5: يُستخدم عادةً في مهام التصنيف. ويوضح معدل ظهور التصنيف الصحيح ضمن التنبؤات الخمسة الأولى.
• زمن الاستدلال: الوقت المستغرق لمعالجة صورة واحدة، ويُقاس بالمللي ثانية. وتشير القيم الأقل إلى معالجة أسرع.

الشكل 4. رسم بياني يوضح أداء YOLO11 في الاختبار المعياري.

عوامل أخرى يجب مراعاتها عند إجراء اختبار معياري لـ Ultralytics YOLO11#

لا تخبرك نتائج الاختبار المعياري وحدها إلا بجزء من الصورة. وللحصول على فهم أفضل للأداء، من المفيد مقارنة الإعدادات وخيارات الأجهزة المختلفة. فيما يلي بعض الأمور المهمة التي ينبغي النظر فيها:

• GPU مقابل CPU: يمكن لوحدات معالجة الرسومات معالجة الصور بسرعة أكبر بكثير من وحدات المعالجة المركزية. ويساعد الاختبار المعياري في معرفة ما إذا كانت وحدة المعالجة المركزية سريعة بما يكفي لاحتياجاتك أو ما إذا كنت ستستفيد من استخدام وحدة معالجة رسومات.
• إعدادات الدقة (FP32، FP16، INT8): تتحكم هذه الإعدادات في طريقة تعامل النموذج مع الأرقام. وتجعل الدقة الأقل (مثل FP16 أو INT8) النموذج يعمل بسرعة أكبر ويستخدم ذاكرة أقل، لكنها قد تقلل الدقة قليلًا.
• تنسيقات التصدير: يمكن أن يؤدي تحويل النموذج إلى تنسيق مثل TensorRT إلى تشغيله بسرعة أكبر بكثير على أجهزة معينة. ويفيد ذلك عند تحسين السرعة على أجهزة محددة.

كيفية إجراء اختبار معياري لـ Ultralytics YOLO11 على أجهزة مختلفة#

تتيح حزمة Ultralytics Python تحويل نماذج YOLO11 إلى تنسيقات مختلفة تعمل بكفاءة أكبر على أجهزة محددة، مما يحسن السرعة واستخدام الذاكرة معًا. وقد جرى تحسين كل تنسيق تصدير لأجهزة مختلفة.

من ناحية، يمكن أن يسرّع تنسيق ONNX الأداء عبر بيئات متنوعة. ومن ناحية أخرى، يحسن OpenVINO الكفاءة على أجهزة Intel، كما تُعد تنسيقات مثل CoreML أو TF SavedModel مثالية لأجهزة Apple وتطبيقات الأجهزة المحمولة.

لنلقِ نظرة على كيفية إجراء اختبار معياري لـ Ultralytics YOLO11 بتنسيق محدد. تختبر التعليمات البرمجية أدناه YOLO11 بتنسيق ONNX، المستخدم على نطاق واسع لتشغيل نماذج الذكاء الاصطناعي على 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")

بعيدًا عن نتائج الاختبار المعياري، يعتمد اختيار التنسيق المناسب على مواصفات نظامك واحتياجات النشر. فعلى سبيل المثال، تحتاج السيارات ذاتية القيادة إلى اكتشاف سريع للكائنات. وإذا كنت تخطط لاستخدام وحدات معالجة الرسومات NVIDIA لتسريع الأداء، فإن تنسيق TensorRT هو الخيار المثالي لتشغيل Ultralytics YOLO11 على وحدة معالجة رسومات NVIDIA.

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

أهم النقاط المستخلصة#

تجعل حزمة Ultralytics Python إجراء الاختبار المعياري لـ YOLO11 سهلًا من خلال توفير أوامر بسيطة يمكنها تنفيذ اختبار الأداء نيابةً عنك. وباتباع بضع خطوات فقط، يمكنك معرفة تأثير الإعدادات المختلفة في سرعة النماذج ودقتها، مما يساعدك على اتخاذ خيارات مستنيرة دون الحاجة إلى خبرة تقنية عميقة.

يمكن أن يُحدث اختيار الأجهزة والإعدادات المناسبة فرقًا كبيرًا أيضًا. ويتيح ضبط معلمات مثل حجم النموذج ومجموعة البيانات تحسين Ultralytics YOLO11 بدقة للحصول على أفضل أداء، سواء كنت تشغّله على وحدة معالجة رسومات متطورة أو محليًا على جهاز طرفي.

تواصل مع مجتمعنا واستكشف مشاريع الذكاء الاصطناعي المتطورة على مستودعنا في GitHub. وتعرّف إلى تأثير الذكاء الاصطناعي في الزراعة ودور الرؤية الحاسوبية في التصنيع من خلال صفحات حلولنا. واستكشف خطط الترخيص لدينا وابدأ رحلتك في الذكاء الاصطناعي الآن!