كيفية تصدير نماذج Ultralytics YOLO باستخدام Ultralytics Platform

أطلقنا الشهر الماضي Ultralytics Platform، وهي مساحة عمل موحّدة مصممة لتبسيط سير عمل الرؤية الحاسوبية بالكامل. وتجمع إمكانات رئيسية للذكاء الاصطناعي الخاص بالرؤية، بما في ذلك إدارة مجموعات البيانات، وإضافة التعليقات التوضيحية، وتدريب النماذج، واختبارها، ونشرها، ومراقبتها، في واجهة واحدة سهلة الاستخدام.

الشكل 1. لمحة عن Ultralytics Platform (المصدر)

ضمن سير العمل المتكامل هذا، يؤدي النشر دورًا محوريًا في نقل النماذج من مرحلة التجريب إلى الاستخدام الفعلي. وقد استعرضنا سابقًا مختلف خيارات النشر المتاحة على المنصة، بما في ذلك الاستدلال المشترك عبر واجهات API، ونقاط النهاية المخصصة لعمليات النشر الإنتاجية القابلة للتوسع، وتصدير النماذج لتشغيلها على الأجهزة الطرفية أو البنية التحتية الخارجية.

والآن، لنلقِ نظرةً عن كثب على تصدير النماذج وكيف يدعم النشر عبر بيئات مختلفة. فعلى خلاف الاستدلال ونقاط النهاية المخصصة، اللذين ينفذان النماذج ضمن البنية التحتية التي تديرها Ultralytics Platform، يتيح تصدير النماذج نشرها وتشغيلها في بيئات خارجية مثل الأجهزة الطرفية، وتطبيقات الأجهزة المحمولة، والبنية التحتية المخصصة.

قبل أن تتمكن النماذج من العمل في هذه البيئات، يجب تحويلها إلى تنسيقات تدعمها بيئة التشغيل المستهدفة. ولكل إعداد نشر متطلباته الخاصة، بدءًا من التنسيقات الخفيفة للأجهزة المحمولة والطرفية، وصولًا إلى التنسيقات عالية الأداء للأنظمة السحابية والأنظمة المعتمدة على GPU.

تقليديًا، قد تستغرق هذه العملية وقتًا طويلًا، إذ تتضمن نصوصًا برمجية وتبعيات وأدوات متعددة. أما مع Ultralytics Platform، فأصبح التصدير أبسط بكثير. إذ يمكن تحويل النماذج وتحسينها ببضع نقرات فقط، من دون إعداد إضافي.

في هذه المقالة، سنستعرض معنى تصدير النماذج، والتنسيقات التي تدعمها Ultralytics Platform، وكيفية اختيار التنسيق المناسب لحالة استخدامك. لنبدأ!

نظرة عامة على تصدير النماذج#

يتضمن تصدير النموذج تحويل نموذج مُدرَّب مسبقًا أو مُدرَّبًا مخصصًا إلى تنسيق يمكن استخدامه خارج إطاره الأصلي. وقد بُنيت نماذج Ultralytics YOLO باستخدام PyTorch، وخُزنت بتنسيقها الأصلي الذي يعمل بكفاءة للتدريب والتقييم والتجريب ضمن منظومة PyTorch.

لكن بيئات النشر غالبًا ما تمتلك بيئات تشغيل ومتطلبات عتاد مختلفة. ولذلك، لا يكون التنسيق المستخدم أثناء التدريب مناسبًا دائمًا للنشر.

فعلى سبيل المثال، قد يتطلب تطبيق محمول تنسيقًا خفيفًا مُحسّنًا لاستهلاك منخفض للطاقة، بينما يحتاج تطبيق قائم على المتصفح إلى تنسيق يعمل بكفاءة في بيئات الويب.

تستفيد الأجهزة الطرفية، مثل الكاميرات والأنظمة المضمنة، من نماذج مدمجة وسريعة، في حين صُممت الأنظمة السحابية للاستدلال عالي الأداء. ولدعم هذه السيناريوهات المختلفة، يجب تصدير النماذج إلى تنسيقات متوافقة.

لماذا أصبح خيار تصدير النماذج أكثر أهمية من أي وقت مضى؟#

تُنشر نماذج الرؤية الحاسوبية اليوم بالقرب من أماكن إنشاء البيانات، ولا سيما على الأجهزة الطرفية. إذ تشغّل الهواتف الذكية تطبيقات رؤية آنية، وتجري كاميرات المراقبة مراقبةً على الجهاز، وتعتمد الأنظمة الذاتية على اتخاذ قرارات فورية.

لكن النشر في هذه البيئات ينطوي على مجموعة تحديات خاصة به. فالأجهزة الطرفية تتمتع بقدرة حسابية محدودة، ومتطلبات صارمة لزمن الاستجابة، وقيود على الذاكرة واستهلاك الطاقة. وقد لا يعمل نموذج يحقق أداءً جيدًا أثناء التدريب مع توفر موارد كافية بكفاءة في ظل هذه الظروف المقيدة.

يمكن أن يساعد تصدير النموذج إلى التنسيق المناسب في معالجة هذه التحديات. فمن خلال تحويل النموذج بالطريقة الملائمة، يمكن تحسينه للسرعة، وتقليل حجمه، وجعله متوافقًا مع عتاد محدد.

وفي الوقت نفسه، يوفر التصدير مرونةً أكبر. إذ يمكن تكييف النموذج نفسه لبيئات نشر مختلفة عبر تحويله إلى تنسيقات متعددة استنادًا إلى متطلبات محددة.

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

فعلى سبيل المثال، جرى تحسين تنسيق نموذج NCNN للأجهزة المحمولة والطرفية ذات الاستخدام المنخفض للموارد. بينما صُمم تنسيق OpenVINO لعتاد Intel، ويوفر أداءً أفضل على وحدات المعالجة المركزية (CPUs)، ووحدات معالجة الرسومات (GPUs)، ووحدات المعالجة العصبية (NPUs).

في معظم الحالات، كان تحقيق هذا المستوى من المرونة يتطلب التعامل مع التحويل اليدوي والتبعيات وأدوات متعددة، مما يجعل العملية معقدة وتستغرق وقتًا طويلًا. وتعمل Ultralytics Platform على تبسيط سير العمل هذا بجعل تصدير النماذج أكثر سهولة وإدارة.

كيف تبسّط Ultralytics Platform تصدير النماذج؟#

عادةً ما يُعامل تصدير النموذج بوصفه خطوة منفصلة ومعقدة في سير عمل الرؤية الحاسوبية. وتغيّر Ultralytics Platform ذلك من خلال دمج خيار تصدير النموذج مباشرةً في مساحة عمل واحدة تغطي كل شيء بدءًا من التدريب ووصولًا إلى النشر.

تتمثل إحدى مزاياها الرئيسية في تجربة التصدير من دون كتابة تعليمات برمجية. فلا حاجة إلى كتابة نصوص برمجية، أو إدارة البيئات، أو استخدام أوامر خاصة بإطار عمل معين. ويمكن تصدير النماذج ببضع نقرات فقط عبر واجهة مباشرة.

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

تتولى المنصة في الخلفية تنفيذ المهام المعقدة. إذ تُبسَّط المهام التي كانت تتطلب عادةً أدوات متعددة وإعدادًا يدويًا ضمن عملية واحدة. ولست بحاجة إلى تثبيت تبعيات إضافية أو التعامل مع مشكلات التوافق، مما يجعل الانتقال من نموذج مُدرَّب إلى حل جاهز للإنتاج أسهل بكثير.

تنسيقات تصدير النماذج التي تدعمها Ultralytics Platform#

تدعم Ultralytics Platform 17 تنسيقًا للتصدير، مما يسهّل إعداد النماذج لمجموعة واسعة من بيئات النشر من دون تعقيد إضافي.

فيما يلي نظرة عامة على بعض تنسيقات التصدير الشائعة الاستخدام:

• التوافق بين المنصات وقابلية التشغيل البيني: يُستخدم ONNX وTorchScript على نطاق واسع لتشغيل النماذج عبر أطر عمل وبيئات مختلفة. ويعمل ONNX كجسر بين المنظومات، مما يسهّل نقل النماذج بين الأدوات، بينما يتيح TorchScript تشغيل نماذج PyTorch في بيئة الإنتاج من دون الحاجة إلى بيئة تشغيل Python.
• الاستدلال عالي الأداء على وحدات GPU: صُمم TensorRT لوحدات GPU من NVIDIA، ويركز على تحسين النماذج لتحقيق زمن استجابة منخفض ومعدل نقل عالٍ. وهو يدعم تقنيات مثل تقليل الدقة ودمج الطبقات لتسريع الاستدلال، مما يجعله خيارًا قويًا للتطبيقات الآنية والتطبيقات واسعة النطاق في بيئة الإنتاج.
• النشر على الأجهزة المحمولة والطرفية: جرى تحسين CoreML وLiteRT (TensorFlow Lite) وNCNN للأجهزة ذات قدرات الحوسبة والذاكرة المحدودة. وتقلل هذه التنسيقات حجم النموذج وتحسّن الكفاءة، مما يتيح أداءً سلسًا على الهواتف الذكية والأنظمة المضمنة وعتاد الأجهزة الطرفية. ويُستخدم CoreML عادةً ضمن منظومات Apple، بينما يشيع استخدام LiteRT في Android.
• التنفيذ المحسّن للعتاد: صُمم OpenVINO لعتاد Intel، بما في ذلك وحدات CPU ووحدات GPU ووحدات VPU، ويساعد على تحسين سرعة الاستدلال وكفاءته على تلك الأجهزة. وتفيد التنسيقات الخاصة بالعتاد، مثل هذا التنسيق، عندما تحتاج إلى تحقيق أفضل أداء ممكن من نظام معين.
• بيئات التشغيل الخاصة بأطر العمل والمتخصصة: تدعم تنسيقات مثل PaddlePaddle وExecuTorch منظومات واحتياجات نشر محددة، بما في ذلك تشغيل النماذج بكفاءة على الأجهزة الطرفية أو دمجها مع حزم تعلم عميق معينة.

كيفية تصدير نموذج باستخدام Ultralytics Platform#

يُعد تصدير النموذج على Ultralytics Platform عملية بسيطة قائمة على واجهة المستخدم. ويُدار سير العمل بالكامل عبر الواجهة، من دون الحاجة إلى نصوص برمجية أو أدوات لسطر الأوامر.

إليك كيفية تصدير نموذج باستخدام المنصة:

• سجّل الدخول واختر نموذجك: انتقل إلى مشروعك وافتح النموذج المُدرَّب الذي تريد تصديره.
• انتقل إلى علامة التبويب Export: انقر داخل لوحة معلومات النموذج على علامة التبويب Export لعرض خيارات التصدير المتاحة.
• حدّد تنسيق التصدير: اختر تنسيقًا مثل ONNX أو TensorRT أو CoreML استنادًا إلى احتياجات النشر لديك.
• اضبط إعدادات التصدير (اختياري): عدّل معلمات مثل حجم الصورة أو الدقة أو حجم الدفعة لتحسين الأداء.
• ابدأ عملية التصدير: انقر على “Start Export” لبدء العملية. وتتولى المنصة تحويل النموذج تلقائيًا.
• نزّل النموذج المُصدَّر: بعد اكتمال التصدير، يمكنك تنزيل النموذج واستخدامه في مسار النشر لديك.

الشكل 4. نظرة على ضبط إعدادات التصدير في Ultralytics Platform

اختيار تنسيق التصدير المناسب#

أثناء استكشاف تنسيقات التصدير المختلفة التي تدعمها Ultralytics Platform، قد تتساءل عن التنسيق الذي ينبغي اختياره. وتعتمد الإجابة فعليًا على المكان والطريقة اللذين تخطط لاستخدام نموذجك فيهما.

إليك بعض العوامل التي ينبغي مراعاتها:

• متطلبات زمن الاستجابة: بالنسبة إلى التطبيقات الآنية مثل تحليلات الفيديو أو الأنظمة الذاتية، يُعد زمن الاستجابة المنخفض أمرًا بالغ الأهمية. وغالبًا ما تكون التنسيقات المحسّنة للاستدلال عالي الأداء، مثل TensorRT، أكثر ملاءمة.
• قيود العتاد: تتطلب الأجهزة ذات الذاكرة وقدرة المعالجة المحدودتين، مثل الهواتف المحمولة أو الأنظمة المضمنة، تنسيقات خفيفة مثل LiteRT أو NCNN.
• حجم النموذج واستهلاك الطاقة: عند العمل مع الأجهزة الطرفية، يصبح حجم النموذج واستهلاك الطاقة عاملين مهمين. وتساعد النماذج الأصغر والمحسّنة على ضمان أداء ثابت من دون استنزاف الموارد.
• بيئة النشر: إذا كان نموذجك بحاجة إلى العمل عبر منصات مختلفة، فإن تنسيقات مثل ONNX توفر المرونة. أما في حالات الاستخدام الخاصة بمنصة معينة، مثل تطبيقات iOS، فعادةً ما يكون CoreML الخيار الأفضل.

لا يوجد تنسيق واحد مناسب للجميع. فالأمر يعتمد فعليًا على تحقيق التوازن بين الأداء والتوافق وقيود البيئة المستهدفة. وتسهّل Ultralytics Platform ذلك من خلال إتاحة تجربة التنسيقات المختلفة ومقارنتها من دون جهد إضافي.

أهم النقاط#

يُعد التصدير خطوة أساسية لتهيئة نموذجك للاستخدام الفعلي عبر بيئات مختلفة. ومع Ultralytics Platform، تصبح هذه العملية أبسط بكثير، إذ تتيح لك تحويل النماذج وتحسينها من دون إعداد إضافي أو تعقيد. ومن خلال اختيار التنسيق المناسب لحالة استخدامك، يمكنك ضمان عمل نموذجك بكفاءة أينما نشرته.

انضم إلى مجتمعنا المتنامي، واطّلع على مستودعنا على GitHub لمعرفة المزيد عن الرؤية الحاسوبية. واستكشف صفحات حلولنا للتعرّف أكثر على تطبيقات مثل الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في الخدمات اللوجستية. واكتشف خيارات الترخيص لدينا وابدأ البناء باستخدام الذكاء الاصطناعي الخاص بالرؤية!