كيفية اختيار GPU سحابي لتدريب ذكاء الرؤية الاصطناعي على منصة Ultralytics Platform

في الشهر الماضي، قدمنا Ultralytics Platform، وهي بيئة متكاملة مصممة لتبسيط سير عمل الرؤية الحاسوبية بالكامل، بدءاً من إدارة مجموعات البيانات وصولاً إلى تدريب النماذج ونشرها. تجمع Ultralytics Platform كل ما يلزم لبناء نماذج الذكاء الاصطناعي البصري وتوسيع نطاقها في تجربة واحدة وموحدة.

يعد تدريب النماذج جزءاً أساسياً من سير العمل هذا، حيث تتعلم الشبكات العصبية الأنماط من البيانات لعمل تنبؤات دقيقة، ويلعب الوصول إلى موارد الحوسبة المناسبة دوراً حاسماً. في السابق، استكشفنا كيفية دعم Ultralytics Platform لـ تدريب النماذج المدعوم بوحدات معالجة الرسومات (GPU) السحابية، مما يسمح للمستخدمين بتدريب نماذج الرؤية الحاسوبية دون الحاجة إلى إدارة البنية التحتية المحلية.

مع توفر إمكانية الوصول عند الطلب إلى وحدات معالجة رسومات (GPU) قوية من NVIDIA، يمكن للمستخدمين - من الطلاب والشركات الناشئة إلى الباحثين والمؤسسات الكبيرة - تشغيل أحمال عمل الذكاء الاصطناعي بكفاءة أكبر من أي وقت مضى. وفي حين أن البدء في التدريب السحابي أمر بسيط، فإن اختيار وحدة معالجة الرسومات المناسبة يتطلب مراعاة عوامل مثل حجم مجموعة البيانات، وتعقيد النموذج، والتكلفة.

مع توفر مجموعة واسعة من الخيارات اليوم، بدءاً من وحدات معالجة الرسومات RTX ذات التكلفة الفعالة وصولاً إلى وحدات NVIDIA H100 عالية الأداء وأجهزة Blackwell من الجيل التالي، يمكن أن يؤثر اختيار التكوين المناسب بشكل كبير على كل من تطوير النموذج والتكلفة.

في هذه المقالة، سنلقي نظرة على تدريب الرؤية الحاسوبية باستخدام وحدات معالجة الرسومات السحابية على منصة Ultralytics وكيفية اختيار الأجهزة المناسبة لحمل العمل الخاص بك. لنبدأ!

نظرة عامة على التدريب السحابي على منصة Ultralytics

قبل الغوص في كيفية اختيار وحدة معالجة رسومات (GPU) للتدريب السحابي على منصة Ultralytics، دعنا نأخذ خطوة إلى الوراء ونلقي نظرة على كيفية عمل التدريب السحابي.

ما هو التدريب السحابي باستخدام GPU؟

يشير التدريب السحابي باستخدام GPU إلى استخدام وحدات معالجة رسومات مستضافة في بيئة حوسبة سحابية لتدريب نماذج التعلم الآلي والتعلم العميق، بدلاً من الاعتماد على أجهزتك المحلية أو محطة العمل الخاصة بك. على منصة Ultralytics، يتيح لك هذا الوصول إلى وحدات GPU قوية عند الطلب وتشغيل مهام التدريب عن بُعد، دون الحاجة إلى إعداد خاص بك.

وهذا يسهل توسيع نطاق مواردك بناءً على حمل العمل الخاص بك. يمكنك اختيار وحدات GPU أكثر قوة أو زيادة السعة حسب الحاجة، دون أن تكون مقيداً بقدرات نظامك. يمكنك التفكير في الأمر على أنه وصول إلى أجهزة قوية، أو عقد (nodes)، في مراكز بيانات بعيدة، حيث يمكنك زيادة أو تقليل الموارد حسب الحاجة.

كما أنه يزيل الحاجة إلى إعداد وصيانة الأجهزة المكلفة. لست مضطراً لشراء وحدات GPU، أو تثبيت برامج التشغيل، أو التعامل مع مشكلات التوافق.

تتولى منصة Ultralytics كل شيء من خلال خدمات سحابية مُدارة، بدءاً من توفير الموارد وإعداد البيئة وصولاً إلى التنسيق وتشغيل مهام التدريب، بحيث يمكنك التركيز على تدريب نماذجك وتجربتها وتحسينها.

كيف يعمل تدريب النماذج على منصة Ultralytics

على منصة Ultralytics، يعد سير عمل التدريب المسرع بواسطة GPU بسيطاً. يمكنك البدء بإحضار مجموعة البيانات الخاصة بك بعدة طرق.

يمكنك تحميل بياناتك الخاصة، أو استخدام مجموعات بيانات عامة متاحة على المنصة، أو استنساخ مجموعات بيانات تمت مشاركتها من قبل المجتمع للبناء على العمل القائم. يؤدي استنساخ مجموعة بيانات إلى إنشاء نسخة في مساحة العمل الخاصة بك، مما يتيح لك تعديلها وتوسيعها مع الحفاظ على الأصل دون تغيير.

بمجرد اختيار مجموعة بيانات، يمكنك مراجعة وتنظيم صورك وتوضيحاتك لضمان هيكلة كل شيء بشكل صحيح. تتضمن المنصة أيضاً أدوات توضيح مدمجة، مما يسمح لك بتصنيف البيانات لمهام مثل اكتشاف الكائنات، والتجزئة، والتصنيف، أو تسريع العملية باستخدام ميزات مدعومة بالذكاء الاصطناعي.

الشكل 1. عرض مجموعة بيانات داخل منصة Ultralytics (المصدر)

بعد ذلك، يمكنك اختيار أو إنشاء مشروع لإدارة عمليات التدريب الخاصة بك. تساعدك المشاريع في تنظيم ومقارنة النماذج، وتتبع مقاييس الأداء، والاحتفاظ بالتجارب ذات الصلة في مكان واحد.

من هناك، يمكنك الانتقال إلى التدريب السحابي، حيث تختار نموذجاً، وتضبط المعلمات، وتحدد وحدة GPU بناءً على احتياجات الأداء والميزانية الخاصة بك. تتولى المنصة التعامل مع البنية التحتية السحابية الأساسية نيابة عنك.

تقوم المنصة بتوفير مثيل (instance) وحدة GPU المختار، وإعداد مجموعة البيانات الخاصة بك، وتشغيل مهمة التدريب في السحابة. مع تقدم التدريب، يمكنك مراقبة المقاييس، والسجلات، وأداء النظام في الوقت الفعلي، دون الحاجة إلى إدارة الإعداد، أو بيئات CUDA، أو أطر عمل مثل PyTorch أو TensorFlow، أو الأجهزة.

ميزات التدريب الرئيسية بواسطة GPU على منصة Ultralytics

إليك بعض الميزات الرئيسية لـ التدريب السحابي بواسطة GPU على منصة Ultralytics:

• التدريب بنقرة واحدة: ابدأ مهام التدريب بأقل قدر من الإعداد وانتقل بسرعة من مجموعة البيانات إلى تدريب النموذج دون تكوين معقد.
• وحدات GPU عند الطلب: اختر من بين مجموعة من خيارات وحدات GPU بناءً على احتياجاتك، وقم بتوسيع نطاق الموارد حسب الحاجة دون التزامات طويلة الأجل.
• المراقبة في الوقت الفعلي: تتبع تقدم التدريب باستخدام مخططات وسجلات حية، واعرض مقاييس النظام مثل استخدام وحدة GPU والذاكرة في الوقت الفعلي.
• نقاط التحقق التلقائية: يتم حفظ تقدم التدريب على فترات منتظمة، مما يسهل استئناف العمل أو استعادته إذا لزم الأمر.
• نشر سهل: بمجرد اكتمال التدريب، يمكنك نشر نماذجك المدربة واستخدامها في التطبيقات أو سير العمل من خلال واجهات برمجة تطبيقات الاستدلال المشتركة، أو نقاط النهاية المخصصة، أو عن طريق تصديرها للاستخدام على أنظمة خارجية. تتيح خيارات النشر هذه استدلالاً منخفض التأخير، مما يجعل من الممكن تشغيل تطبيقات الوقت الفعلي مثل تحليل الفيديو، وأنظمة الأتمتة، وحلول الذكاء الاصطناعي التفاعلية.

خيارات وحدات معالجة الرسومات (GPU) السحابية المختلفة داخل منصة Ultralytics

الآن بعد أن رأينا كيفية عمل التدريب على المنصة، دعنا نلقي نظرة على خيارات وحدات GPU المختلفة المتاحة. يمكن لوحدة GPU التي تختارها أن تؤثر على سرعة تدريب نموذجك، ومدى جودة أدائه، ومقدار تكلفته.

تقدم منصة Ultralytics مجموعة واسعة من وحدات GPU، تبدأ بخيارات مثل RTX 2000 Ada وRTX A4500، وتنتقل عبر وحدات مثل RTX 4000 Ada، وRTX A5000، وRTX 3090، وRTX A6000، وتمتد إلى خيارات أكثر قوة مثل RTX 4090 وRTX PRO 6000.

الشكل 2. مثال على خيارات وحدات GPU المختلفة المدعومة من منصة Ultralytics (المصدر)

بالنسبة لمعظم المستخدمين، تعد RTX PRO 6000 خياراً افتراضياً متوازناً. فهي تقدم أداءً موثوقاً عبر مجموعة متنوعة من أحمال العمل دون الحاجة إلى الكثير من الضبط. وتعد RTX 4090 خياراً شائعاً آخر، حيث توفر أداءً قوياً مقابل سعرها.

للمهام الأصغر مثل التجارب السريعة، أو النمذجة الأولية، أو العمل مع مجموعات بيانات خفيفة الوزن، تعتبر وحدات GPU مثل RTX 2000 Ada وRTX A4500 نقطة بداية جيدة. ومع نمو حمل العمل الخاص بك، توفر خيارات مثل RTX 4000 Ada، وRTX A5000، وRTX 3090 أداءً أكثر اتساقاً للتدريب العام.

في الطرف الأعلى، تم تصميم وحدات GPU مثل A100 (Ampere)، وH100 وH200 (Hopper)، وB200 (Blackwell) لأحمال العمل واسعة النطاق. وهي الأنسب لتدريب نماذج كبيرة جداً، أو التعامل مع مجموعات بيانات ضخمة، أو تشغيل مهام يكون فيها السرعة والأداء أمراً بالغ الأهمية.

فهم أنواع وحدات GPU المختلفة وحالات استخدامها

بعد ذلك، دعنا نلقي نظرة على كيفية مقارنة أنواع مختلفة من وحدات GPU وأين تناسب بشكل أفضل.

تعتبر وحدات RTX GPU من NVIDIA عموماً أكثر فعالية من حيث التكلفة وغالباً ما تُستخدم للتدريب اليومي، والتجريب، وأحمال العمل الصغيرة إلى المتوسطة. إنها توفر توازناً بين الأداء وإمكانية الوصول، مما يجعلها مناسبة لمجموعة واسعة من حالات الاستخدام.

في المقابل، تم تصميم وحدات GPU مثل A100، وA40، وL40 لأحمال العمل الأثقل والتدريب على نطاق أوسع. إنها توفر ثباتاً وقابلية توسع أعلى، خاصة عند العمل مع مجموعات بيانات أكبر أو نماذج أكثر تعقيداً.

في الطرف الأعلى، تمثل وحدات GPU مثل H100 وتلك القائمة على بنية Blackwell من NVIDIA أجهزة ذكاء اصطناعي أحدث. وقد صُممت هذه لأحمال العمل عالية الأداء وعادة ما تُستخدم للتدريب واسع النطاق، أو الأبحاث المتقدمة، أو المهام الحساسة للوقت.

توفر مجموعة خيارات وحدات GPU المتاحة على منصة Ultralytics مرونة عبر أحمال العمل المختلفة. اعتماداً على متطلباتك، يمكنك البدء بإعدادات أصغر وتوسيع النطاق حسب الحاجة.

كيفية اختيار وحدة GPU سحابية مناسبة لمشروعك

عند اختيار وحدة GPU للتدريب السحابي على منصة Ultralytics، هناك عدة عوامل يجب مراعاتها، بما في ذلك حجم مجموعة البيانات، وتعقيد النموذج، والتكلفة. دعنا نستعرض كل عامل من هذه العوامل.

مطابقة قوة وحدة GPU مع حجم مجموعة البيانات

أحد العوامل الرئيسية في اختيار وحدة GPU هو حجم مجموعة البيانات الخاصة بك، لأنه يؤثر على المدة التي يستغرقها التدريب ومقدار قوة الحوسبة التي تحتاجها.

بالنسبة لمجموعات البيانات الصغيرة، التي تقل عادةً عن 1000 صورة، غالباً ما تكون وحدة GPU خفيفة الوزن مثل RTX 2000 كافية. وهذا يعمل بشكل جيد للتجارب السريعة وعمليات التدريب الأقصر.

بالنسبة لمجموعات البيانات متوسطة الحجم، التي تتراوح بين 1000 و10000 صورة، توفر وحدات GPU مثل RTX 4090 أو RTX A6000 توازناً أفضل بين الأداء والكفاءة، مما يساعدك على التدريب بسلاسة أكبر دون تأخيرات طويلة.

بالنسبة لمجموعات البيانات الأكبر، التي تزيد عن 10000 صورة، ستحتاج على الأرجح إلى أجهزة أكثر قوة للحفاظ على أوقات تدريب معقولة. وحدات GPU مثل H100 هي الأنسب للتعامل مع أحمال العمل الثقيلة والتوسع بفعالية.

بشكل عام، يتعلق الأمر بمطابقة حجم مجموعة البيانات الخاصة بك مع مستوى قوة الحوسبة وقدرة المعالجة المتوازية التي تحتاجها.

اختيار وحدة GPU بناءً على حجم النموذج وتعقيده

عامل مهم آخر في اختيار وحدة GPU هو حجم وتعقيد نموذج الرؤية الحاسوبية الخاص بك. ستحتاج النماذج بأحجام مختلفة إلى كميات مختلفة من الطاقة للحوسبة.

على سبيل المثال، تحتاج النماذج الأصغر إلى قوة حوسبة أقل من وحدة GPU ويمكن تشغيلها بكفاءة على وحدات مثل RTX 2000 Ada، أو RTX A4500، أو حتى RTX 4090 إذا كنت ترغب في الحصول على نتائج أسرع. هذه مثالية للتجارب السريعة، والنمذجة الأولية، والمهام الأبسط، مما يتيح لك التكرار بشكل أسرع واختبار الأفكار دون تكاليف حوسبة عالية.

من ناحية أخرى، تتطلب النماذج الأكبر والأكثر تعقيداً مساحة أكبر من الذاكرة وقوة معالجة أعلى بكثير. وحدات GPU مثل RTX A6000، وRTX PRO 6000، والخيارات المتطورة مثل H100 هي الأنسب لأحمال العمل هذه. يمكنها التعامل مع بنيات أكبر، وتقليل وقت التدريب، ومنع مشكلات الذاكرة، وهو أمر مهم بشكل خاص عند العمل مع صور عالية الدقة، أو أحجام دفعات (batch sizes) كبيرة، أو تصميمات نماذج أكثر تقدماً.

مقارنة حجم الدفعة وذاكرة وحدة GPU

وبالمثل، يلعب حجم الدفعة دوراً مهماً في تدريب النماذج. وهو يشير إلى عدد عينات التدريب التي يعالجها النموذج في وقت واحد في خطوة واحدة.

يمكن لأحجام الدفعات الأكبر تحسين كفاءة التدريب من خلال معالجة المزيد من البيانات في وقت واحد، لكنها تتطلب أيضاً المزيد من ذاكرة وحدة GPU (VRAM). بشكل عام، يمكن لوحدات GPU ذات عرض نطاق ترددي أعلى للذاكرة دعم أحجام دفعات أكبر، بينما قد تتطلب وحدات GPU ذات ذاكرة أقل دفعات أصغر.

على سبيل المثال، يمكن لوحدات GPU مثل RTX A6000، أو RTX PRO 6000، أو A100 التعامل مع أحجام دفعات أكبر بسهولة أكبر نظراً لذاكرتها الأعلى، بينما قد تتطلب خيارات مثل RTX 4090 أو RTX 2000 Ada أحجام دفعات أصغر اعتماداً على حمل العمل.

ومع ذلك، ليس من الضروري دائماً استخدام أكبر وحدة GPU. يمكن لوحدات GPU المتطورة تحسين السرعة والسعة، لكنها تأتي أيضاً بتكاليف أعلى. في كثير من الحالات، يمكن أن يكون تعديل حجم الدفعة على وحدة GPU أصغر خياراً أكثر كفاءة.

في النهاية، الهدف هو إيجاد التوازن الصحيح بين حجم الدفعة، وذاكرة وحدة GPU المتاحة، والتكلفة بناءً على نموذجك ومجموعة البيانات الخاصة بك.

تأثير تكوين التدريب على أداء وحدة GPU

عامل آخر يؤثر على أداء وحدة GPU هو تكوين التدريب. يتضمن ذلك معلمات مثل عدد الدورات (epochs)، وحجم الصورة، وإعدادات أخرى تتحكم في كيفية تدريب النموذج.

على سبيل المثال، تزيد أحجام الصور الأكبر من مقدار الحوسبة المطلوبة لكل خطوة. يمكن أن يؤدي هذا إلى إبطاء التدريب وقد يتطلب المزيد من قوة الحوسبة أو الذاكرة للحفاظ على أداء جيد.

وبالمثل، تؤدي زيادة عدد الدورات إلى تمديد إجمالي وقت التدريب، خاصة على الأجهزة الأقل قوة. تشير الدورة (epoch) إلى مرور كامل واحد عبر مجموعة البيانات بأكملها أثناء التدريب.

تضيف تقنيات مثل زيادة البيانات (data augmentation) معالجة إضافية أثناء التدريب. تطبق زيادة البيانات تحويلات مثل القلب، أو التدوير، أو التحجيم لزيادة تنوع البيانات وتحسين أداء النموذج. وفي حين أن هذا يمكن أن يحسن متانة النموذج، إلا أنه يمكن أن يقلل أيضاً من سرعة التدريب.

بشكل عام، يمكن لوحدات GPU الأكثر قوة التعامل مع هذه المتطلبات المتزايدة بكفاءة أكبر، ولكن التأثير سيعتمد على التكوين العام وحمل العمل.

الموازنة بين التكلفة ووقت التدريب

عند اختيار وحدة GPU لمشروعك، غالباً ما تكون هناك مقايضة بين سرعة التدريب وتسعير وحدة GPU.

تسهل منصة Ultralytics تقدير هذه التكاليف وفهمها قبل بدء مهمة التدريب. بناءً على التكوين الخاص بك، بما في ذلك حجم مجموعة البيانات، والنموذج، ووحدة GPU، يمكنك رؤية تكلفة تقديرية ومدة التدريب مقدماً.

الشكل 3. تجعل منصة Ultralytics تقدير تكاليف السحابة وفهمها أمراً سهلاً. (المصدر)

عادة ما تكون تكلفة وحدات GPU الأسرع بالساعة أعلى ولكنها يمكن أن تقلل من إجمالي وقت التدريب. وحدات GPU مثل RTX 4090، وRTX PRO 6000، وH100 قادرة بشكل عام على إكمال التدريب بسرعة أكبر نظراً لأدائها الأعلى.

تميل وحدات GPU الأبطأ إلى الحصول على تكلفة أقل بالساعة ولكنها تستغرق وقتاً أطول لإكمال التدريب. على سبيل المثال، غالباً ما تُستخدم وحدات GPU مثل RTX 2000 Ada وRTX A4500 لأحمال العمل الصغيرة أو المهام طويلة الأمد حيث يتم إعطاء الأولوية للتكلفة المنخفضة.

بالإضافة إلى ذلك، فإن بعض وحدات GPU الأكثر تطوراً، مثل H200 وB200، متاحة فقط في خطط Pro أو Enterprise، بينما يمكن الوصول إلى معظم الخيارات الأخرى في المستوى المجاني (Free tier) أيضاً.

نظرة على استراتيجيات تحسين التكلفة

بعيداً عن اختيار وحدة GPU المناسبة، هناك بعض الطرق العملية للحفاظ على تكاليف التدريب تحت السيطرة. أحد أكثر الأساليب فعالية هو البدء بتجارب اختبارية صغيرة قبل توسيع النطاق.

بدلاً من القفز مباشرة إلى التدريب الكامل، ابدأ بعدد أقل من الدورات للتأكد من أن إعدادك يعمل كما هو متوقع. يساعدك هذا في التحقق بسرعة من بياناتك، وتوضيحاتك، وتكوين نموذجك، ويتجنب إنفاق الوقت والحوسبة على عمليات قد لا تنتج نتائج مفيدة.

مع تقدم التدريب، راقب مقاييسك وأوقف العمليات مبكراً إذا استقر الأداء أو توقف عن التحسن. يمكن أن تساعدك مراقبة منحنيات التدريب في تقرير ما إذا كنت ستستمر أو تعدل إعداداتك.

يمكنك أيضاً ضبط معلمات مثل حجم الدفعة وحجم الصورة. القيم الأصغر تقلل من استخدام الذاكرة والحوسبة، مما يجعل من العملي أكثر التجربة، أو اختبار تكوينات مختلفة، أو تشغيل محاكاة صغيرة النطاق قبل توسيع النطاق.

الشكل 4. تصورات مقاييس التدريب على منصة Ultralytics (المصدر)

علاوة على ذلك، تساعد منصة Ultralytics في تبسيط إدارة التكلفة. فهي توفر تقديراً مدمجاً للتكلفة بحيث يمكنك فهم النفقات المتوقعة قبل بدء المهمة.

باستخدام نظام الدفع مقابل الاستخدام القائم على الرصيد، أنت تدفع فقط مقابل وقت الحوسبة الذي تستخدمه فعلياً. وهذا يجعل من السهل البقاء ضمن الميزانية وتوسيع النطاق بمجرد أن تصبح واثقاً من إعداد التدريب الخاص بك.

أفضل الممارسات المتعلقة بالتدريب السحابي بواسطة GPU للرؤية الحاسوبية

إليك بعض أفضل الممارسات التي يجب وضعها في الاعتبار للتدريب السحابي بواسطة GPU على منصة Ultralytics:

• التحقق من مجموعات البيانات قبل التدريب: تأكد من أن مجموعة البيانات الخاصة بك نظيفة، وموضحة جيداً، ومتسقة قبل البدء. يساعد اكتشاف المشكلات مبكراً في تجنب إهدار الحوسبة ويحسن أداء النموذج.
• تشغيل تجارب سريعة أولاً: ابدأ بعمليات اختبار صغيرة وعدد دورات أقل للتحقق من إعداداتك. يساعد هذا في تحديد المشكلات مبكراً دون الالتزام بمهام تدريب طويلة ومكلفة. بطريقة ما، أنت تنشئ نموذجاً يمكنك إعادة استخدامه وتوسيع نطاقه بمجرد أن يعمل كل شيء كما هو متوقع.
• مراقبة المقاييس الرئيسية: تتبع مقاييس مثل الفقد (loss)، وmAP، والدقة (precision)، والاستدعاء (recall) طوال فترة التدريب. تعمل هذه المقاييس كمعايير لتقييم أداء النموذج وتساعدك في تقرير متى يجب التعديل أو التوقف.
• الحفاظ على كفاءة خطوط معالجة البيانات: تأكد من أن تحميل البيانات ومعالجتها مسبقاً يتسمان بالكفاءة، حيث تعتمد هذه الوظائف على موارد وحدة المعالجة المركزية (CPU) ويمكن أن تصبح اختناقات تؤثر على أداء التدريب العام.
• استخدام الأدوات المدمجة: استخدم المخططات، وسجلات وحدة التحكم، ومقاييس النظام لمراقبة التدريب في الوقت الفعلي واتخاذ قرارات مستنيرة بسرعة.

النقاط الرئيسية

يعتمد اختيار وحدة GPU سحابية مناسبة للرؤية الحاسوبية على منصة Ultralytics على فهم حمل العمل الخاص بك، بما في ذلك حجم مجموعة البيانات، وتعقيد النموذج، وتكوين التدريب. مع توفر مجموعة من خيارات وحدات GPU، والمدعومة بالبنية التحتية السحابية والأجهزة الافتراضية، يمكنك البدء بخيار متوازن وتوسيع النطاق مع نمو احتياجات تدريب نموذجك أو ضبطه الدقيق. من خلال الجمع بين الأجهزة المناسبة والممارسات الجيدة مثل المراقبة والتحكم في التكلفة، يمكنك تدريب نماذج ذكاء اصطناعي متطورة بكفاءة مع تحقيق أقصى استفادة من مرونة الحوسبة عالية الأداء.

اطلع على مجتمعنا المتنامي ومستودع GitHub لمعرفة المزيد عن الرؤية الحاسوبية. إذا كنت تتطلع إلى بناء حلول رؤية، ألقِ نظرة على خيارات الترخيص الخاصة بنا. استكشف صفحات حلولنا لمعرفة المزيد حول فوائد الرؤية الحاسوبية في التصنيع والذكاء الاصطناعي في الزراعة.