كيفية قياس أداء نماذج Ultralytics YOLO مثل YOLO11

مع تزايد عدد نماذج الذكاء الاصطناعي المتاحة اليوم، يُعد اختيار النموذج الأنسب لتطبيقك المحدد أمرًا أساسيًا لتحقيق نتائج دقيقة وموثوقة. تختلف النماذج من حيث السرعة والدقة والأداء العام. فكيف يمكننا تحديد النموذج الأنسب لمهمة معينة؟ تكتسب هذه المسألة أهمية خاصة في الأنظمة الآنية، مثل المركبات ذاتية القيادة والحلول الأمنية والروبوتات، حيث يُعد اتخاذ القرارات بسرعة وموثوقية أمرًا بالغ الأهمية.

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

فعلى سبيل المثال، يُعد Ultralytics YOLO11 (الذي خلفه Ultralytics YOLO26) نموذجاً في الرؤية الحاسوبية يدعم مهاماً متنوعة لتحليل البيانات المرئية، مثل اكتشاف الأجسام وتجزئة الكائنات. لفهم إمكاناته بالكامل، يمكنك قياس أدائه على إعدادات مختلفة لمعرفة كيفية تعامله مع سيناريوهات العالم الحقيقي.

سنستكشف في هذه المقالة كيفية قياس أداء نماذج Ultralytics YOLO مثل YOLO11، ومقارنة أدائها على أجهزة مختلفة، ومعرفة تأثير تنسيقات التصدير المتنوعة في سرعتها وكفاءتها.

ما المقصود بالمقارنة المعيارية للنماذج؟#

عند استخدام نموذج لذكاء الرؤية الاصطناعي في تطبيق من العالم الحقيقي، كيف يمكنك معرفة ما إذا كان سريعًا ودقيقًا وموثوقًا بما يكفي؟ يمكن أن توفر المقارنة المعيارية للنموذج رؤى تساعد على الإجابة عن ذلك. والمقارنة المعيارية للنماذج هي عملية اختبار نماذج ذكاء اصطناعي مختلفة ومقارنتها لمعرفة أيها يحقق أفضل أداء.

يتضمن ذلك تحديد خط أساس للمقارنة، واختيار مقاييس الأداء المناسبة (مثل الدقة أو السرعة)، واختبار جميع النماذج في الظروف نفسها. تساعد النتائج على تحديد نقاط القوة والضعف لكل نموذج، مما يسهل اختيار الأنسب لحل الذكاء الاصطناعي الخاص بك. وعلى وجه الخصوص، تُستخدم مجموعة بيانات معيارية غالباً لإجراء مقارنات عادلة وتقييم أداء النموذج في سيناريوهات متنوعة من العالم الحقيقي.

الشكل 1. لماذا نجري مقارنة معيارية لنماذج الرؤية الحاسوبية؟ الصورة من المؤلف.

يتضح مدى أهمية المقارنة المعيارية في التطبيقات الآنية مثل المراقبة أو الروبوتات، حيث يمكن حتى للتأخيرات الطفيفة أن تؤثر في اتخاذ القرارات. وتساعد المقارنة المعيارية على تقييم قدرة النموذج على معالجة الصور بسرعة مع الاستمرار في تقديم تنبؤات موثوقة.

كما تؤدي المقارنة المعيارية دورًا أساسيًا في تحديد اختناقات الأداء. فإذا كان النموذج يعمل ببطء أو يستهلك موارد مفرطة، يمكن للمقارنة المعيارية أن تكشف ما إذا كانت المشكلة ناجمة عن قيود الأجهزة أو تكوينات النموذج أو تنسيقات التصدير. وتُعد هذه الرؤى بالغة الأهمية لاختيار الإعداد الأكثر فعالية.

المقارنة المعيارية للنماذج مقارنةً بتقييم النماذج واختبارها#

المقارنة المعيارية للنماذج وتقييمها واختبارها مصطلحات شائعة في الذكاء الاصطناعي، وغالبًا ما تُستخدم معًا. ورغم تشابهها، فإنها ليست متماثلة، ولكل منها وظيفة مختلفة. يتحقق اختبار النماذج من أداء نموذج واحد عبر تشغيله على مجموعة بيانات اختبار وقياس عوامل مثل الدقة والسرعة. أما تقييم النماذج، فيتجاوز ذلك إلى تحليل النتائج لفهم نقاط القوة والضعف في النموذج ومدى فعاليته في مواقف العالم الحقيقي. ويركز كلاهما على نموذج واحد في كل مرة.

أما المقارنة المعيارية للنماذج، فتقارن عدة نماذج جنبًا إلى جنب باستخدام الاختبارات ومجموعات البيانات نفسها. وهي تساعد على معرفة النموذج الأنسب لمهمة محددة من خلال إبراز الاختلافات في الدقة والسرعة والكفاءة. وبينما يركز الاختبار والتقييم على نموذج واحد، تساعد المقارنة المعيارية على اختيار النموذج المناسب (أو الأفضل) عبر مقارنة الخيارات المختلفة بإنصاف.

الشكل 2. أوجه اختلاف المقارنة المعيارية للنماذج عن التقييم والاختبار. الصورة من المؤلف.

لمحة عامة عن Ultralytics YOLO11#

Ultralytics YOLO11 نموذج موثوق لذكاء الرؤية الاصطناعي، صُمم لتنفيذ مهام الرؤية الحاسوبية المتنوعة بدقة. وهو يحسّن الإصدارات السابقة من نماذج YOLO ويضم مجموعة من الميزات التي تساعد على حل مشكلات العالم الحقيقي. فعلى سبيل المثال، يمكن استخدامه لاكتشاف الكائنات وتصنيف الصور وتجزئة المناطق وتتبع الحركة وغير ذلك. كما يمكن استخدامه في تطبيقات قطاعات عديدة، من الأمن إلى الأتمتة والتحليلات.

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

من أبرز مزايا Ultralytics YOLO11 سهولة استخدامه. فببضعة أسطر من الشيفرة فقط، يمكن لأي شخص دمجه في مشروعات الذكاء الاصطناعي دون التعامل مع إعدادات معقدة أو الحاجة إلى خبرة تقنية متقدمة.

كما يعمل بسلاسة على أجهزة مختلفة، ويحقق كفاءة في العمل على وحدات المعالجة المركزية (CPU) ووحدات معالجة الرسومات (GPU) ومسرّعات الذكاء الاصطناعي المتخصصة الأخرى. وسواء نُشر على أجهزة طرفية أو خوادم سحابية، فإنه يقدم أداءً قويًا.

يتوفر Ultralytics YOLO11 بأحجام نماذج متعددة، لكل منها تحسينات تناسب مهاماً مختلفة. ويساعد قياس الأداء على تحديد الإصدار الأنسب لاحتياجاتك المحددة. فعلى سبيل المثال، قد يكشف قياس الأداء أن النماذج الأصغر، مثل Nano أو Small، تعمل بسرعة أكبر، لكنها قد تقدم دقة أقل.

كيفية إجراء مقارنة معيارية لنماذج YOLO مثل Ultralytics YOLO11#

بعد أن تناولنا ماهية قياس الأداء وأهميته، دعونا نستعرض كيفية قياس أداء نماذج YOLO مثل Ultralytics YOLO11 وتقييم كفاءتها لاستخلاص معلومات قيّمة.

للبدء، يمكنك تثبيت حزمة Ultralytics لـPython بتشغيل الأمر التالي في الطرفية أو موجه الأوامر: “pip install ultralytics”. وإذا واجهت أي مشكلات أثناء التثبيت، فراجع دليل المشكلات الشائعة للحصول على نصائح لاستكشاف الأخطاء وإصلاحها.

بعد تثبيت الحزمة، يمكنك بسهولة إجراء مقارنة معيارية لـUltralytics YOLO11 باستخدام بضعة أسطر فقط من شيفرة Python:

from ultralytics.utils.benchmarks import benchmark

# ⁨إجراء مقارنة معيارية على GPU⁩
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, device=0)

عند تشغيل الشيفرة الموضحة أعلاه، فإنها تحسب سرعة معالجة النموذج للصور، وعدد الإطارات التي يمكنه معالجتها في الثانية الواحدة، ومدى دقته في اكتشاف الكائنات.

تشير عبارة “coco8.yaml” في الشيفرة إلى ملف تكوين لمجموعة بيانات يستند إلى مجموعة بيانات COCO8 (الكائنات الشائعة في السياقات)، وهي نسخة صغيرة تجريبية من مجموعة بيانات COCO الكاملة، تُستخدم غالبًا للاختبار والتجريب.

إذا كنت تختبر Ultralytics YOLO11 لتطبيق محدد، مثل مراقبة حركة المرور أو التصوير الطبي، فإن استخدام مجموعة بيانات مناسبة (مثل مجموعة بيانات لحركة المرور أو مجموعة بيانات طبية) سيقدم رؤى أدق. تمنحك المقارنة المعيارية باستخدام COCO فكرة عامة عن الأداء، لكن للحصول على أفضل النتائج، يمكنك اختيار مجموعة بيانات تعكس حالة الاستخدام الفعلية.

فهم مخرجات المقارنة المعيارية لـUltralytics YOLO11#

بعد إجراء المقارنة المعيارية لـUltralytics YOLO11، تتمثل الخطوة التالية في تفسير النتائج. بعد تشغيل المقارنة، سترى أرقامًا متنوعة في النتائج. وتساعد هذه المقاييس على تقييم أداء YOLO11 من حيث الدقة والسرعة.

إليك بعض مقاييس المقارنة المعيارية البارزة لـUltralytics YOLO11 التي يجدر الانتباه إليها:

• mAP_50-95: يقيس دقة اكتشاف الكائنات. وتعني القيمة الأعلى أن النموذج أفضل في التعرّف على الكائنات.
• accuracy_top5: يُستخدم هذا المقياس عادةً في مهام التصنيف. ويوضح مدى تكرار ظهور التصنيف الصحيح ضمن التنبؤات الخمسة الأولى.
• زمن الاستدلال: الوقت اللازم لمعالجة صورة واحدة، ويُقاس بالمللي ثانية. وتعني القيم الأقل معالجة أسرع.

الشكل 4. رسم بياني يوضح أداء YOLO11 في المقارنة المعيارية.

عوامل أخرى ينبغي مراعاتها عند إجراء مقارنة معيارية لـUltralytics YOLO11#

لا تكشف نتائج المقارنة المعيارية وحدها سوى جزء من الصورة. وللحصول على فهم أفضل للأداء، من المفيد مقارنة إعدادات وخيارات أجهزة مختلفة. إليك بعض النقاط المهمة التي ينبغي مراعاتها:

• GPU مقابل CPU: تستطيع وحدات GPU معالجة الصور بسرعة أكبر بكثير من وحدات CPU. وتساعدك المقارنة المعيارية على معرفة ما إذا كانت وحدة CPU سريعة بما يكفي لاحتياجاتك أم أن استخدام GPU سيعود عليك بالفائدة.
• إعدادات الدقة (FP32 وFP16 وINT8): تتحكم هذه الإعدادات في كيفية تعامل النموذج مع الأعداد، وتُضبط باستخدام الوسيطة quantize (على سبيل المثال، quantize=16). تؤدي الدقة الأقل (مثل FP16 أو INT8) إلى تشغيل النموذج بسرعة أكبر واستهلاك ذاكرة أقل، لكنها قد تخفض الدقة قليلاً.
• تنسيقات التصدير: يمكن أن يؤدي تحويل النموذج إلى تنسيق مثل TensorRT إلى تسريع تشغيله كثيرًا على أجهزة معينة. وهذا مفيد عند تحسين السرعة على أجهزة محددة.

كيفية إجراء مقارنة معيارية لـUltralytics YOLO11 على أجهزة مختلفة#

تتيح حزمة Ultralytics لـPython تحويل نماذج YOLO11 إلى تنسيقات مختلفة تعمل بكفاءة أكبر على أجهزة محددة، مما يحسن السرعة واستخدام الذاكرة. ويكون كل تنسيق تصدير محسّنًا لأجهزة مختلفة.

من جهة، يمكن أن يسرّع تنسيق ONNX الأداء في بيئات مختلفة. ومن جهة أخرى، يحسّن OpenVINO الكفاءة على أجهزة Intel، ويُعد CoreML مثالياً لأجهزة Apple، بينما يناسب LiteRT (المعروف سابقاً باسم TensorFlow Lite) تطبيقات الأجهزة المحمولة.

لنلقِ نظرة على كيفية إجراء مقارنة معيارية لـUltralytics YOLO11 بتنسيق محدد. تقيس الشيفرة أدناه أداء YOLO11 بتنسيق ONNX، المستخدم على نطاق واسع لتشغيل نماذج الذكاء الاصطناعي على وحدات CPU وGPU.

from ultralytics.utils.benchmarks import benchmark

# ⁨إجراء مقارنة معيارية لتنسيق تصدير محدد (مثل ONNX)⁩
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

إلى جانب نتائج قياس الأداء، يعتمد اختيار التنسيق المناسب على مواصفات نظامك واحتياجات النشر. فعلى سبيل المثال، تتطلب السيارات ذاتية القيادة اكتشاف الأجسام بسرعة. وإذا كنت تخطط لاستخدام وحدات GPU من NVIDIA لتسريع الأداء، فإن تنسيق TensorRT هو الخيار الأمثل لتشغيل Ultralytics YOLO11 على وحدة GPU من NVIDIA.

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

أبرز النقاط#

تسهّل حزمة Ultralytics لـPython إجراء مقارنة معيارية لـYOLO11 من خلال توفير أوامر بسيطة تتولى اختبارات الأداء نيابةً عنك. وبخطوات قليلة فقط، يمكنك معرفة كيف تؤثر الإعدادات المختلفة في سرعة النماذج ودقتها، مما يساعدك على اتخاذ قرارات مستنيرة دون الحاجة إلى خبرة تقنية عميقة.

يمكن للأجهزة والإعدادات المناسبة أن تحدث فرقًا كبيرًا أيضًا. ويتيح ضبط معلمات مثل حجم النموذج ومجموعة البيانات تحسين Ultralytics YOLO11 لتحقيق أفضل أداء، سواء شغّلته على وحدة GPU متطورة أو محليًا على جهاز طرفي.

تواصل مع مجتمعنا واستكشف مشاريع الذكاء الاصطناعي على مستودعنا على GitHub. تعرّف على أثر الذكاء الاصطناعي في الزراعة ودور الرؤية الحاسوبية في التصنيع عبر صفحات حلولنا. استكشف خطط الترخيص وابدأ رحلتك في الذكاء الاصطناعي الآن!