كيفية تصدير نماذج Ultralytics YOLO باستخدام Ultralytics Platform

في الشهر الماضي، أطلقنا Ultralytics Platform، وهي مساحة عمل موحدة صُممت لتبسيط سير عمل الرؤية الحاسوبية بالكامل. فهي تجمع بين القدرات الرئيسية للرؤية المدعومة بالذكاء الاصطناعي، بما في ذلك إدارة مجموعات البيانات، والتعليق التوضيحي، وتدريب النماذج، والاختبار، والنشر، والمراقبة، في واجهة واحدة مبسطة.

الشكل 1. نظرة سريعة على منصة Ultralytics Platform (المصدر)

كجزء من سير العمل الشامل هذا، يلعب النشر دوراً حاسماً في نقل النماذج من مرحلة التجربة إلى الاستخدام الفعلي. في السابق، استكشفنا خيارات النشر المختلفة المتاحة على المنصة، بما في ذلك الاستنتاج المشترك عبر واجهات برمجة التطبيقات (APIs)، ونقاط النهاية المخصصة لعمليات النشر القابلة للتوسع في الإنتاج، وتصدير النماذج للتشغيل على أجهزة الحافة أو البنية التحتية الخارجية.

الآن، دعونا نلقي نظرة فاحصة على تصدير النماذج وكيف يدعم ذلك النشر عبر بيئات مختلفة. على عكس الاستنتاج المشترك ونقاط النهاية المخصصة، التي تنفذ النماذج ضمن البنية التحتية التي تديرها منصة Ultralytics Platform، يتيح تصدير النماذج نشرها وتشغيلها في بيئات خارجية مثل أجهزة الحافة، وتطبيقات الهاتف المحمول، والبنية التحتية المخصصة.

قبل أن تتمكن النماذج من العمل في هذه البيئات، يجب تحويلها إلى تنسيقات تدعمها بيئة التشغيل المستهدفة. لكل إعداد نشر متطلباته الخاصة، بدءاً من التنسيقات خفيفة الوزن لأجهزة الهاتف المحمول والحافة وصولاً إلى التنسيقات عالية الأداء لأنظمة السحابة والأنظمة التي تعتمد على وحدات معالجة الرسومات (GPUs).

تقليدياً، يمكن أن تستغرق هذه العملية وقتاً طويلاً، وتتضمن استخدام نصوص برمجية وتبعيات وأدوات متعددة. أما مع منصة Ultralytics Platform، فقد أصبح التصدير أبسط بكثير. يمكن تحويل النماذج وتحسينها في بضع نقرات فقط، دون الحاجة إلى إعدادات إضافية.

في هذه المقالة، سنتناول ما يعنيه تصدير النماذج، والتنسيقات التي تدعمها منصة Ultralytics Platform، وكيفية اختيار التنسيق المناسب لحالة استخدامك. لنبدأ!

Link to this sectionنظرة عامة على تصدير النموذج#

يتضمن تصدير النموذج تحويل نموذج مدرب مسبقاً أو مخصص إلى تنسيق يمكن استخدامه خارج إطاره الأصلي. تم بناء نماذج Ultralytics YOLO باستخدام PyTorch وتخزينها بتنسيقها الأصلي، وهو ما يعمل بشكل جيد للتدريب والتقييم والتجريب داخل بيئة PyTorch.

ومع ذلك، غالباً ما تحتوي بيئات النشر على بيئات تشغيل ومتطلبات أجهزة مختلفة. وبسبب هذا، فإن التنسيق المستخدم أثناء التدريب ليس مناسباً دائماً للنشر.

على سبيل المثال، قد يتطلب تطبيق الهاتف المحمول تنسيقاً خفيف الوزن محسناً لاستهلاك طاقة منخفض، بينما يحتاج التطبيق القائم على المتصفح إلى تنسيق يعمل بكفاءة في بيئات الويب.

تستفيد أجهزة الحافة، مثل الكاميرات والأنظمة المدمجة، من النماذج المدمجة والسريعة، بينما صُممت أنظمة السحابة للاستنتاج عالي الأداء. لدعم هذه السيناريوهات المختلفة، يجب تصدير النماذج إلى تنسيقات متوافقة.

Link to this sectionلماذا أصبح خيار تصدير النماذج أكثر أهمية من أي وقت مضى#

اليوم، يتم نشر نماذج الرؤية الحاسوبية بالقرب من مكان توليد البيانات، خاصة على أجهزة الحافة. فالهواتف الذكية تشغل تطبيقات رؤية في الوقت الفعلي، وكاميرات المراقبة (CCTV) تقوم بالمراقبة على الجهاز نفسه، وتعتمد الأنظمة ذاتية القيادة على اتخاذ القرارات الفورية.

ومع ذلك، فإن النشر في هذه البيئات يأتي مع مجموعة من التحديات الخاصة به. فأجهزة الحافة لديها قدرة حوسبة محدودة، ومتطلبات زمن انتقال صارمة، وقيود على الذاكرة واستهلاك الطاقة. النموذج الذي يعمل بشكل جيد أثناء التدريب بموارد كافية قد لا يعمل بكفاءة في ظل هذه الظروف المقيدة.

يمكن أن يساعد تصدير النموذج إلى التنسيق الصحيح في معالجة هذه التحديات. من خلال تحويل النموذج بشكل مناسب، يمكن تحسينه من حيث السرعة، وتقليل حجمه، وجعله متوافقاً مع أجهزة معينة.

في الوقت نفسه، يوفر التصدير المرونة. يمكن تكييف النموذج نفسه لبيئات نشر مختلفة عن طريق تحويله إلى تنسيقات متعددة بناءً على متطلبات محددة.

الشكل 2. بعض تنسيقات التصدير المتاحة داخل منصة Ultralytics Platform (المصدر)

على سبيل المثال، تم تحسين تنسيق نموذج NCNN لأجهزة الهاتف المحمول والحافة ذات استهلاك الموارد المنخفض. بينما تم تصميم تنسيق OpenVINO ليناسب أجهزة Intel ويقدم أداءً أفضل على وحدات المعالجة المركزية (CPUs)، ووحدات معالجة الرسومات (GPUs)، ووحدات المعالجة العصبية (NPUs).

في معظم الحالات، كان تحقيق هذا المستوى من المرونة يعني التعامل مع التحويل اليدوي، والتبعيات، وأدوات متعددة، مما يجعل العملية معقدة وتستغرق وقتاً طويلاً. تعمل منصة Ultralytics Platform على تبسيط سير العمل هذا من خلال جعل تصدير النماذج أكثر سهولة وإدارة.

Link to this sectionكيف تبسط منصة Ultralytics Platform تصدير النماذج#

عادةً ما يتم التعامل مع تصدير النموذج كخطوة منفصلة ومعقدة في مهام الرؤية الحاسوبية. تغير منصة Ultralytics Platform هذا من خلال دمج خيار تصدير النموذج مباشرة في مساحة عمل واحدة تغطي كل شيء من التدريب إلى النشر.

إحدى مزاياها الرئيسية هي تجربة التصدير بدون كود (no-code). لا حاجة لكتابة نصوص برمجية، أو إدارة بيئات، أو استخدام أوامر خاصة بإطار عمل معين. يمكن تصدير النماذج في بضع نقرات فقط عبر واجهة مباشرة.

الشكل 3. مثال على تصدير نموذج من منصة Ultralytics Platform (المصدر)

خلف الكواليس، تتولى المنصة المهام الشاقة. يتم تبسيط المهام التي تتطلب عادةً أدوات متعددة وإعداداً يدوياً في عملية واحدة. لست مضطراً لتثبيت تبعيات إضافية أو التعامل مع مشكلات التوافق، مما يجعل الانتقال من نموذج مدرب إلى حل جاهز للإنتاج أسهل بكثير.

Link to this sectionتنسيقات تصدير النماذج التي تدعمها منصة Ultralytics Platform#

تدعم منصة Ultralytics Platform 17 تنسيقاً للتصدير، مما يسهل إعداد النماذج لمجموعة واسعة من بيئات النشر دون تعقيد إضافي.

إليك نظرة عامة على بعض تنسيقات التصدير المستخدمة بشكل شائع:

• عبر الأنظمة الأساسية وقابلية التشغيل البيني: يُستخدم كل من ONNX و TorchScript على نطاق واسع لتشغيل النماذج عبر أطر عمل وبيئات مختلفة. يعمل ONNX كجسر بين الأنظمة البيئية، مما يسهل نقل النماذج بين الأدوات، بينما يتيح TorchScript تشغيل نماذج PyTorch في الإنتاج دون الحاجة إلى بيئة تشغيل Python.
• استنتاج عالي الأداء على وحدات GPU: صُمم TensorRT لوحدات معالجة الرسومات من NVIDIA ويركز على تحسين النماذج لتقليل زمن الانتقال وزيادة الإنتاجية. وهو يدعم تقنيات مثل تقليل الدقة ودمج الطبقات لتسريع الاستنتاج، مما يجعله خياراً قوياً للتطبيقات في الوقت الفعلي وعلى مستوى الإنتاج.
• النشر على الأجهزة المحمولة والحافة: تم تحسين CoreML، و LiteRT (TensorFlow Lite)، و NCNN للأجهزة ذات قدرات الحوسبة والذاكرة المحدودة. تعمل هذه التنسيقات على تقليل حجم النموذج وتحسين الكفاءة، مما يتيح أداءً سلساً على الهواتف الذكية، والأنظمة المدمجة، وأجهزة الحافة. يُستخدم CoreML عادةً في أنظمة Apple، بينما يشيع استخدام LiteRT لنظام Android.
• تنفيذ محسن للأجهزة: صُمم OpenVINO ليناسب أجهزة Intel، بما في ذلك وحدات المعالجة المركزية (CPUs)، ووحدات معالجة الرسومات (GPUs)، ووحدات معالجة الرؤية (VPUs)، ويساعد في تحسين سرعة الاستنتاج وكفاءته على تلك الأجهزة. تكون التنسيقات الخاصة بالأجهزة مثل هذا مفيدة عندما تحتاج إلى الحصول على أفضل أداء من نظام معين.
• أطر العمل المتخصصة وبيئات التشغيل المتخصصة: تدعم تنسيقات مثل PaddlePaddle و ExecuTorch أنظمة بيئية واحتياجات نشر محددة، بما في ذلك تشغيل النماذج بكفاءة على أجهزة الحافة أو التكامل مع مجموعات معينة من تقنيات التعلم العميق.

Link to this sectionكيفية تصدير نموذج باستخدام منصة Ultralytics Platform#

يعد تصدير النموذج على منصة Ultralytics Platform عملية بسيطة تعتمد على واجهة المستخدم. يتم التعامل مع سير العمل بالكامل من خلال الواجهة، دون الحاجة إلى نصوص برمجية أو أدوات سطر الأوامر.

إليك كيفية تصدير نموذج باستخدام المنصة:

• تسجيل الدخول واختيار النموذج الخاص بك: انتقل إلى مشروعك وافتح النموذج المدرب الذي تريد تصديره.
• الانتقال إلى علامة التبويب Export (تصدير): داخل لوحة تحكم النموذج، انقر فوق علامة التبويب Export لعرض خيارات التصدير المتاحة.
• اختيار تنسيق التصدير: اختر تنسيقاً مثل ONNX أو TensorRT أو CoreML بناءً على احتياجات النشر الخاصة بك.
• تكوين إعدادات التصدير (اختياري): اضبط المعلمات مثل حجم الصورة، أو الدقة، أو حجم الدفعة (batch size) لتحسين الأداء.
• بدء عملية التصدير: انقر فوق "Start Export" لبدء العملية. تعالج المنصة التحويل تلقائياً.
• تنزيل النموذج المصدر: بمجرد اكتمال التصدير، يمكنك تنزيل النموذج واستخدامه في خط أنابيب النشر الخاص بك.

الشكل 4. نظرة على تكوين إعدادات التصدير في منصة Ultralytics Platform

Link to this sectionاختيار تنسيق التصدير الصحيح#

بينما تستكشف تنسيقات التصدير المختلفة التي تدعمها منصة Ultralytics Platform، قد تتساءل عن أي منها تختار. الإجابة تعتمد حقاً على المكان الذي تخطط لاستخدام نموذجك فيه وكيفية ذلك.

إليك بعض العوامل التي يجب مراعاتها:

• متطلبات زمن الانتقال: بالنسبة للتطبيقات في الوقت الفعلي مثل تحليل الفيديو أو الأنظمة ذاتية القيادة، يعد زمن الانتقال المنخفض أمراً بالغ الأهمية. غالباً ما تكون التنسيقات المحسنة للاستنتاج عالي الأداء، مثل TensorRT، أكثر ملاءمة.
• قيود الأجهزة: تتطلب الأجهزة ذات الذاكرة وقوة المعالجة المحدودة، مثل الهواتف المحمولة أو الأنظمة المدمجة، تنسيقات خفيفة الوزن مثل LiteRT أو NCNN.
• حجم النموذج واستهلاك الطاقة: عند العمل مع أجهزة الحافة، يصبح حجم النموذج واستهلاك الطاقة أمراً مهماً. تساعد النماذج الأصغر والمحسنة في ضمان أداء ثابت دون استنزاف الموارد.
• بيئة النشر: إذا كان نموذجك يحتاج إلى العمل عبر منصات مختلفة، فإن تنسيقات مثل ONNX توفر المرونة. بالنسبة لحالات الاستخدام الخاصة بالمنصات، مثل تطبيقات iOS، غالباً ما يكون CoreML هو الخيار الأفضل.

لا يوجد تنسيق واحد يناسب الجميع. الأمر يتعلق حقاً بموازنة الأداء، والتوافق، وقيود بيئتك المستهدفة. تجعل منصة Ultralytics Platform هذا الأمر أسهل من خلال السماح لك بتجربة ومقارنة تنسيقات مختلفة دون جهد إضافي.

Link to this sectionأهم النتائج#

يعد التصدير خطوة حيوية في تجهيز نموذجك للاستخدام الفعلي عبر بيئات مختلفة. مع منصة Ultralytics Platform، تصبح هذه العملية أبسط بكثير، مما يتيح لك تحويل النماذج وتحسينها دون إعدادات إضافية أو تعقيد. من خلال اختيار التنسيق الصحيح لحالة استخدامك، يمكنك ضمان تشغيل نموذجك بكفاءة أينما قمت بنشره.

انضم إلى مجتمعنا المتنامي وتفقد مستودع GitHub الخاص بنا لمعرفة المزيد عن الرؤية الحاسوبية. استكشف صفحات الحلول الخاصة بنا لمعرفة المزيد عن تطبيقات مثل الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في الخدمات اللوجستية. اكتشف خيارات الترخيص لدينا وابدأ في البناء باستخدام الذكاء الاصطناعي للرؤية!