كيفية تصدير نماذج Ultralytics YOLO باستخدام منصة Ultralytics

أطلقنا الشهر الماضي منصة Ultralytics، وهي مساحة عمل موحدة صُممت لتبسيط سير عمل الرؤية الحاسوبية بأكمله. وتجمع المنصة إمكانات الذكاء الاصطناعي المرئي الأساسية، بما فيها إدارة مجموعات البيانات، والتوسيم، وتدريب النماذج، واختبارها، ونشرها، ومراقبتها، في واجهة واحدة مبسطة.

الشكل 1. لمحة عن منصة Ultralytics (المصدر)

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

والآن، لنتناول تصدير النماذج بمزيد من التفصيل وكيفية دعمه للنشر في بيئات مختلفة. فعلى خلاف الاستدلال ونقاط النهاية المخصصة، اللذين يشغّلان النماذج ضمن بنية تحتية تديرها منصة Ultralytics، يتيح تصدير النماذج نشرها وتشغيلها في بيئات خارجية، مثل الأجهزة الطرفية وتطبيقات الأجهزة المحمولة والبنى التحتية المخصصة.

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

تقليديًا، قد تستغرق هذه العملية وقتًا طويلًا، إذ تتطلب كتابة البرامج النصية وإدارة التبعيات واستخدام أدوات متعددة. أما مع منصة Ultralytics، فأصبح التصدير أبسط بكثير؛ إذ يمكن تحويل النماذج وتحسينها ببضع نقرات، دون إعداد إضافي.

في هذه المقالة، سنوضح معنى تصدير النماذج، والتنسيقات التي تدعمها منصة Ultralytics، وكيفية اختيار التنسيق المناسب لحالة الاستخدام. لنبدأ!

نظرة عامة على تصدير النماذج#

يتضمن تصدير النموذج تحويل نموذج مدرّب مسبقًا أو مخصص التدريب إلى تنسيق قابل للاستخدام خارج إطار العمل الأصلي. وتُبنى نماذج Ultralytics YOLO باستخدام PyTorch وتُخزّن بتنسيقها الأصلي، الذي يلائم التدريب والتقييم والتجارب ضمن منظومة PyTorch.

لكن بيئات النشر غالبًا ما تستخدم بيئات تشغيل ومتطلبات أجهزة مختلفة. لذلك، لا يكون التنسيق المستخدم أثناء التدريب مناسبًا دائمًا للنشر.

فعلى سبيل المثال، قد يتطلب تطبيق الأجهزة المحمولة تنسيقًا خفيف الوزن مُحسّنًا لاستهلاك منخفض للطاقة، بينما يحتاج التطبيق المستند إلى المتصفح إلى تنسيق يعمل بكفاءة في بيئات الويب.

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

لماذا أصبح خيار تصدير النماذج أهم من أي وقت مضى#

يجري اليوم نشر نماذج الرؤية الحاسوبية أقرب إلى مواقع توليد البيانات، لا سيما على الأجهزة الطرفية. فالهواتف الذكية تشغّل تطبيقات الرؤية في الوقت الفعلي، وكاميرات الدوائر التلفزيونية المغلقة تنفذ المراقبة على الجهاز، والأنظمة الذاتية تعتمد على اتخاذ القرارات فورًا.

لكن النشر في هذه البيئات ينطوي على مجموعة من التحديات. فالأجهزة الطرفية محدودة القدرة الحاسوبية، وتفرض متطلبات صارمة لزمن الاستجابة، كما تعاني قيودًا في الذاكرة واستهلاك الطاقة. وقد لا يعمل النموذج الذي يؤدي جيدًا أثناء التدريب بفضل الموارد الكافية بكفاءة في ظل هذه الظروف المقيدة.

يساعد تصدير النموذج إلى التنسيق المناسب على معالجة هذه التحديات. فمن خلال تحويل النموذج على النحو الملائم، يمكن تحسين سرعته وتقليل حجمه وتهيئته للعمل مع أجهزة محددة.

وفي الوقت نفسه، يوفر التصدير مرونة أكبر؛ إذ يمكن تكييف النموذج نفسه مع بيئات نشر مختلفة عبر تحويله إلى تنسيقات متعددة وفقًا لمتطلبات محددة.

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

فعلى سبيل المثال، تنسيق نموذج NCNN مُحسّن للأجهزة المحمولة والطرفية ذات الموارد المحدودة. أما تنسيق OpenVINO فهو مصمم خصيصًا لأجهزة 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، ما يجعل العملية معقدة وتستغرق وقتًا طويلًا. وتبسط منصة Ultralytics سير العمل هذا بجعل تصدير النماذج أكثر سهولة ويسرًا في الإدارة.

كيف تبسط منصة Ultralytics تصدير النماذج#

عادةً ما يُعامل تصدير النماذج على أنه خطوة منفصلة ومعقدة في سير عمل الرؤية الحاسوبية. وتغير منصة Ultralytics ذلك من خلال دمج خيار تصدير النموذج مباشرةً في مساحة عمل واحدة تغطي كل شيء، من التدريب إلى النشر.

ومن أبرز مزاياها تجربة التصدير دون كتابة أي تعليمات برمجية. فلا حاجة إلى كتابة برامج نصية أو إدارة البيئات أو استخدام أوامر خاصة بإطار عمل معين؛ إذ يمكن تصدير النماذج ببضع نقرات عبر واجهة سهلة الاستخدام.

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

تتولى المنصة في الخلفية المهام الأكثر تعقيدًا. فهي تجمع في عملية واحدة المهام التي تتطلب عادةً أدوات متعددة وإعدادًا يدويًا. ولا حاجة إلى تثبيت تبعيات إضافية أو التعامل مع مشكلات التوافق، ما يسهل كثيرًا الانتقال من نموذج مدرّب إلى حل جاهز للإنتاج.

تنسيقات تصدير النماذج التي تدعمها منصة Ultralytics#

تدعم منصة Ultralytics 21 تنسيقًا للتصدير، ما يسهّل إعداد النماذج لمجموعة واسعة من بيئات النشر 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 جسرًا بين المنظومات، ما يسهّل نقل النماذج بين الأدوات، بينما يتيح TorchScript تشغيل نماذج PyTorch في بيئة الإنتاج دون الحاجة إلى بيئة تشغيل Python.
• الاستدلال عالي الأداء على GPU: صُمم TensorRT للعمل مع وحدات GPU من NVIDIA، ويركز على تحسين النماذج لخفض زمن الاستجابة وزيادة معدل الإنتاجية. ويدعم تقنيات مثل تقليل الدقة ودمج الطبقات لتسريع الاستدلال، ما يجعله خيارًا قويًا للتطبيقات الآنية وتطبيقات الإنتاج واسعة النطاق.
• النشر على الأجهزة المحمولة والطرفية: تُحسّن تنسيقات CoreML وLiteRT (TensorFlow Lite) وNCNN للعمل على الأجهزة ذات قدرات الحوسبة والذاكرة المحدودة. وتقلل هذه التنسيقات حجم النموذج وتحسن كفاءته، ما يتيح أداءً سلسًا على الهواتف الذكية والأنظمة المضمنة والأجهزة الطرفية. ويُستخدم CoreML عادةً ضمن منظومة Apple، بينما ينتشر LiteRT على Android.
• التنفيذ المحسّن للأجهزة: صُمم OpenVINO خصيصًا لأجهزة Intel، بما فيها وحدات CPU وGPU ووحدات VPU، ويساعد على تحسين سرعة الاستدلال وكفاءته على هذه الأجهزة. وتفيد التنسيقات المخصصة لأجهزة معينة عندما تحتاج إلى تحقيق أفضل أداء ممكن على نظام محدد.
• أطر العمل وبيئات التشغيل المتخصصة: تدعم تنسيقات مثل PaddlePaddle وExecuTorch منظومات واحتياجات نشر محددة، بما فيها تشغيل النماذج بكفاءة على الأجهزة الطرفية أو دمجها مع مجموعات تقنيات تعلم عميق بعينها.

كيفية تصدير نموذج باستخدام منصة Ultralytics#

تصدير نموذج عبر منصة Ultralytics عملية بسيطة تعتمد على واجهة المستخدم. ويُنفذ سير العمل بأكمله عبر الواجهة، دون الحاجة إلى برامج نصية أو أدوات سطر الأوامر.

فيما يلي خطوات تصدير نموذج باستخدام المنصة:

• سجّل الدخول واختر نموذجك: انتقل إلى مشروعك وافتح النموذج المدرّب الذي تريد تصديره.
• انتقل إلى علامة تبويب Export: من لوحة معلومات النموذج، انقر على علامة تبويب Export لعرض خيارات التصدير المتاحة.
• حدّد تنسيقًا للتصدير: اختر تنسيقًا مثل ONNX أو TensorRT أو CoreML وفقًا لاحتياجات النشر.
• 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. وستتولى المنصة التحويل تلقائيًا.
• نزّل النموذج المُصدّر: بعد اكتمال التصدير، يمكنك تنزيل النموذج واستخدامه في مسار عمل النشر.

الشكل 4. نظرة على إعدادات التصدير في منصة Ultralytics

اختيار تنسيق التصدير المناسب#

أثناء استكشاف تنسيقات التصدير المختلفة التي تدعمها منصة Ultralytics، قد تتساءل عن التنسيق الذي ينبغي اختياره. ويعتمد الجواب فعليًا على المكان والطريقة التي تنوي استخدام النموذج بهما.

إليك بعض العوامل التي ينبغي مراعاتها:

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

لا يوجد تنسيق واحد يناسب جميع الحالات؛ فالاختيار يتوقف على الموازنة بين الأداء والتوافق وقيود البيئة المستهدفة. وتسهل منصة Ultralytics هذه المهمة، إذ تتيح لك تجربة تنسيقات مختلفة ومقارنتها دون جهد إضافي.

أبرز النقاط#

يُعد التصدير خطوة أساسية لإعداد النموذج للاستخدام الفعلي في بيئات مختلفة. ومع منصة Ultralytics، تصبح هذه العملية أبسط بكثير، إذ تتيح تحويل النماذج وتحسينها دون إعداد إضافي أو تعقيد. وباختيار التنسيق المناسب لحالة الاستخدام، يمكنك ضمان عمل النموذج بكفاءة أينما نشرته.

انضم إلى مجتمعنا المتنامي وتفقّد مستودع GitHub لمعرفة المزيد عن الرؤية الحاسوبية. واستكشف صفحات حلولنا لمعرفة المزيد عن تطبيقات مثل الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في الخدمات اللوجستية. تعرّف على خيارات الترخيص وابدأ البناء باستخدام الذكاء الاصطناعي المرئي!