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 للرؤية الحاسوبية يدعم العديد من مهام تحليل البيانات المرئية مثل اكتشاف الكائنات وتجزئة المثيل. لفهم قدراته بشكل كامل، يمكنك قياس أدائه على إعدادات مختلفة لمعرفة كيفية تعامله مع سيناريوهات العالم الحقيقي.

في هذه المقالة، سنستكشف كيفية قياس أداء نماذجUltralytics YOLO مثل YOLO11 ومقارنة أدائها عبر مختلف الأجهزة، ومعرفة كيفية تأثير تنسيقات التصدير المختلفة على سرعتها وكفاءتها. لنبدأ!

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 موثوق للذكاء الاصطناعي للرؤية مصمم لأداء مهام الرؤية الحاسوبية المختلفة بدقة. وهو يعمل على تحسين إصدارات نموذج YOLO السابقة ومليء بالميزات التي يمكن أن تساعد في حل مشاكل العالم الحقيقي. على سبيل المثال، يمكن استخدامه detect الأجسام، classify الصور، segment المناطق، track الحركات، وغير ذلك. كما يمكن استخدامه في تطبيقات في العديد من الصناعات، من الأمن إلى الأتمتة والتحليلات.

‍

تتمثل إحدى الفوائد الرئيسية المتعلقةYOLO11 Ultralytics YOLO11 في مدى سهولة استخدامه. من خلال بضعة أسطر من التعليمات البرمجية، يمكن لأي شخص دمجها في مشاريع الذكاء الاصطناعي الخاصة به دون التعامل مع إعدادات معقدة أو خبرة تقنية متقدمة. 

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 مختلفة من الطرازات، كل منها مُحسَّن لمهام مختلفة. يساعد القياس المعياري في تحديد الإصدار الذي يناسب احتياجاتك الخاصة. على سبيل المثال، أحد الأفكار الرئيسية التي يمكن أن يكشف عنها القياس المعياري هو أن النماذج الأصغر، مثل النانو أو الصغير، تميل إلى العمل بشكل أسرع ولكنها قد تقايض بعض الدقة.

كيفية قياس معايير نماذج YOLO مثل YOLO11

والآن بعد أن فهمنا ما هو القياس المعياري وأهميته. دعنا نتعرف على كيفية إجراء المقارنة المعيارية لنماذج YOLO مثل YOLO11 وتقييم كفاءتها لجمع رؤى قيمة.

للبدء، يمكنك تثبيت حزمةUltralytics Python عن طريق تشغيل الأمر التالي في جهازك الطرفي أو موجه الأوامر: "pip install ultralytics". إذا واجهت أي مشاكل أثناء التثبيت، راجع دليل المشكلات الشائعة للحصول على نصائح حول استكشاف الأخطاء وإصلاحها.

بمجرد تثبيت الحزمة، يمكنك قياس YOLO11 بسهولة باستخدام بضعة 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 دقته في اكتشاف الكائنات. 

يشير ذكر "coco8yaml" في الشيفرة البرمجية إلى ملف تكوين مجموعة البيانات استنادًا إلى COCO8 (كائنات شائعة في السياق) - وهي نسخة صغيرة من مجموعة بيانات COCO الكاملة، وغالبًا ما تُستخدم 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) سيعطيك رؤى أكثر دقة. توفر المقارنة المعيارية باستخدام COCO فكرة عامة عن الأداء، ولكن للحصول على أفضل النتائج، يمكنك اختيار مجموعة بيانات تعكس حالة الاستخدام الفعلي.

فهم مخرجات المقارنة المعيارية YOLO11

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

فيما يلي بعض مقاييس YOLO11 المعيارية البارزة التي يجب البحث عنها:

• mAP50: يقيس دقة اكتشاف الأجسام. والقيمة الأعلى تعني أن النموذج أفضل في التعرف على الأجسام.
  ‍
• 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 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:

• GPU مقابل CPU: يمكن لوحدات معالجة الرسومات معالجة الصور أسرع بكثير من وحدات المعالجة المركزية. يساعدك قياس الأداء على معرفة ما إذا كانت وحدة المعالجة CPU سريعة بما يكفي لاحتياجاتك أو إذا كنت ستستفيد من استخدام GPU.
  ‍
• 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.
  ‍
• تنسيقات التصدير: تحويل النموذج إلى تنسيق مثل TensorRT يمكن أن يجعله يعمل بشكل أسرع بكثير على أجهزة معينة. هذا مفيد إذا كنت تعمل على تحسين السرعة على أجهزة معينة.

كيفية 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 من السرعة واستخدام الذاكرة. يتم تحسين كل تنسيق تصدير للأجهزة المختلفة. 

فمن ناحية، يمكن لتنسيقONNX تسريع الأداء في بيئات مختلفة. ومن ناحية أخرى، تعمل OpenVINO على تحسين الكفاءة على أجهزة Intel كما أن التنسيقات مثل CoreML أو TF SavedModel مثالية لأجهزة Apple وتطبيقات الأجهزة المحمولة. 

دعنا نلقي نظرة على كيفية قياس YOLO11 بتنسيق معين. يقيس الرمز أدناه قياس YOLO11 بتنسيق ONNX والذي يُستخدم 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، يعتمد اختيار التنسيق الصحيح على مواصفات نظامك واحتياجات النشر. على سبيل المثال، تحتاج السيارات ذاتية القيادة إلى اكتشاف سريع للأجسام. إذا كنت تخطط لاستخدام وحدات معالجة رسومات NVIDIA لتسريع الأداء، فإن تنسيق TensorRT هو الخيار المثالي لتشغيل YOLO11 علىGPU NVIDIA .

‍

النقاط الرئيسية

تعمل حزمة Ultralytics Python على تسهيل قياس أداء YOLO11 من خلال توفير أوامر بسيطة يمكنها التعامل مع اختبار الأداء نيابةً عنك. من خلال بضع خطوات فقط، يمكنك أن ترى كيف تؤثر الإعدادات المختلفة على سرعة ودقة النماذج، مما يساعدك على اتخاذ خيارات مستنيرة دون الحاجة إلى خبرة تقنية عميقة.

يمكن أن تُحدث الأجهزة والإعدادات الصحيحة فرقًا كبيرًا. يتيح لك ضبط معلمات مثل حجم النموذج ومجموعة البيانات ضبط YOLO11 للحصول على أفضل أداء، سواء كنت تشغله على GPU متطورة أو محليًا على جهاز متطور.

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!