كيفية اختيار GPU سحابي لتدريب الذكاء الاصطناعي للرؤية على منصة Ultralytics

قدمنا الشهر الماضي منصة Ultralytics، وهي بيئة شاملة من البداية إلى النهاية صُممت لتبسيط سير عمل الرؤية الحاسوبية بأكمله، بدءًا من إدارة مجموعات البيانات وصولًا إلى تدريب النماذج ونشرها. تجمع منصة Ultralytics كل ما يلزم لبناء نماذج ذكاء الرؤية الاصطناعي وتوسيع نطاقها في تجربة موحدة.

يُعد تدريب النماذج جزءًا أساسيًا من سير العمل هذا، إذ تتعلم الشبكات العصبية الأنماط من البيانات لإنتاج تنبؤات دقيقة، كما يؤدي الوصول إلى موارد الحوسبة المناسبة دورًا حاسمًا. وقد استعرضنا سابقًا كيف تدعم منصة Ultralytics تدريب النماذج المعتمد على وحدات معالجة الرسومات (GPU) السحابية، ما يتيح للمستخدمين تدريب نماذج الرؤية الحاسوبية دون إدارة بنية تحتية محلية.

مع إتاحة الوصول عند الطلب إلى وحدات NVIDIA GPU القوية، يمكن للمستخدمين، من الطلاب والشركات الناشئة إلى الباحثين والمؤسسات الكبيرة، تشغيل أعباء عمل الذكاء الاصطناعي بكفاءة أكبر من أي وقت مضى. ورغم سهولة البدء بالتدريب السحابي، فإن اختيار GPU المناسب يتطلب مراعاة عوامل مثل حجم مجموعة البيانات وتعقيد النموذج والتكلفة.

مع توافر مجموعة واسعة من الخيارات اليوم، بدءًا من وحدات RTX GPU الاقتصادية وصولًا إلى أجهزة NVIDIA H100 عالية الأداء وأجهزة Blackwell من الجيل التالي، يمكن أن يؤثر اختيار التكوين المناسب تأثيرًا كبيرًا في تطوير النموذج والتكلفة.

في هذه المقالة، سنستعرض تدريب الرؤية الحاسوبية باستخدام وحدات GPU سحابية على منصة Ultralytics، وكيفية اختيار الأجهزة المناسبة لعبء العمل لديك. لنبدأ!

نظرة عامة على التدريب السحابي في منصة Ultralytics#

قبل التعمق في كيفية اختيار GPU للتدريب السحابي على منصة Ultralytics، لنتوقف قليلًا ونلقِ نظرة على آلية عمل التدريب السحابي.

ما التدريب السحابي باستخدام GPU؟#

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

يسهّل ذلك توسيع مواردك بما يتناسب مع عبء العمل. ويمكنك اختيار وحدات GPU أقوى أو زيادة السعة عند الحاجة، دون التقيد بإمكانات نظامك. ويمكنك تصور الأمر كالوصول إلى أجهزة قوية، أو عُقد، في مراكز بيانات بعيدة، حيث تستطيع زيادة السعة أو خفضها حسب الحاجة.

كما يلغي ذلك الحاجة إلى إعداد أجهزة باهظة الثمن وصيانتها. فلن تحتاج إلى شراء وحدات GPU أو تثبيت برامج التشغيل أو التعامل مع مشكلات التوافق.

تتولى منصة Ultralytics كل شيء عبر خدمات سحابية مُدارة، بدءًا من توفير الموارد وإعداد البيئة وصولًا إلى التنسيق وتشغيل مهام التدريب، لتتمكن من التركيز على تدريب نماذجك وتجربتها وتحسينها.

آلية تدريب النماذج على منصة Ultralytics#

في منصة Ultralytics، يتسم سير عمل التدريب المعزز بـGPU بالبساطة. يمكنك البدء بإضافة مجموعة البيانات بعدة طرق.

يمكنك تحميل بياناتك الخاصة، أو استخدام مجموعات البيانات العامة المتاحة على المنصة، أو استنساخ مجموعات البيانات التي يشاركها المجتمع للبناء على أعمال موجودة. يؤدي استنساخ مجموعة بيانات إلى إنشاء نسخة منها في مساحة عملك، ما يتيح لك تعديلها وتوسيعها مع إبقاء النسخة الأصلية دون تغيير.

بعد تحديد مجموعة البيانات، يمكنك مراجعة الصور والتعليقات التوضيحية وتنظيمها لضمان هيكلة كل شيء على النحو الصحيح. وتتضمن المنصة أيضًا أدوات مدمجة للتعليق التوضيحي، تتيح لك وسم البيانات لمهام مثل اكتشاف الأجسام والتجزئة والتصنيف، أو تسريع العملية بميزات مدعومة بالذكاء الاصطناعي.

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

بعد ذلك، يمكنك تحديد مشروع أو إنشاء مشروع لإدارة عمليات التدريب. تساعدك المشاريع على تنظيم النماذج ومقارنتها، وتتبع مقاييس الأداء، وجمع التجارب المرتبطة في مكان واحد.

ومن هناك، يمكنك الانتقال إلى التدريب السحابي، حيث تختار نموذجًا وتضبط المعلمات وتحدد GPU بما يتناسب مع احتياجاتك من الأداء والميزانية. وتتولى المنصة إدارة البنية التحتية السحابية الأساسية نيابةً عنك.

توفّر المنصة مثيل GPU المحدد، وتُعدّ مجموعة البيانات، وتشغّل مهمة التدريب في السحابة. ومع تقدم التدريب، يمكنك مراقبة المقاييس والسجلات وأداء النظام في الوقت الفعلي، دون الحاجة إلى إدارة الإعداد أو بيئات CUDA أو أطر العمل مثل PyTorch أو TensorFlow أو الأجهزة.

الميزات الرئيسية للتدريب باستخدام GPU على منصة Ultralytics#

فيما يلي بعض الميزات الرئيسية لـالتدريب السحابي باستخدام GPU على منصة Ultralytics:

• التدريب بنقرة واحدة: ابدأ مهام التدريب بإعداد بسيط، وانتقل سريعًا من مجموعة البيانات إلى تدريب النموذج دون الحاجة إلى تكوين معقد.
• وحدات GPU عند الطلب: اختر من بين مجموعة من خيارات GPU بما يتناسب مع احتياجاتك، ووسّع الموارد عند الحاجة دون التزامات طويلة الأجل.
• المراقبة في الوقت الفعلي: تتبّع تقدم التدريب باستخدام الرسوم البيانية والسجلات المباشرة، واعرض مقاييس النظام، مثل استخدام GPU والذاكرة، في الوقت الفعلي.
• نقاط تحقق تلقائية: يُحفظ تقدم التدريب على فترات منتظمة، ما يسهّل استئناف العمل أو استعادته عند الحاجة.
• سهولة النشر: بعد اكتمال التدريب، يمكنك نشر النماذج المدرَّبة واستخدامها في التطبيقات أو سير العمل عبر واجهات API مشتركة للاستدلال، أو نقاط نهاية مخصصة، أو تصديرها لاستخدامها على أنظمة خارجية. تتيح خيارات النشر هذه استدلالًا منخفض زمن الاستجابة، ما يجعل تشغيل التطبيقات في الوقت الفعلي ممكنًا، مثل تحليلات الفيديو وأنظمة الأتمتة وحلول الذكاء الاصطناعي التفاعلية.

خيارات GPU السحابية المختلفة على منصة Ultralytics#

بعد أن تعرفنا إلى آلية التدريب على المنصة، لنلقِ نظرة على خيارات GPU المختلفة المتاحة. فقد يؤثر اختيارك لـGPU في سرعة تدريب النموذج وأدائه وتكلفته.

تقدم منصة Ultralytics مجموعة واسعة من وحدات GPU، بدءًا من خيارات مثل RTX 2000 Ada وRTX A4500، مرورًا بوحدات مثل RTX 4000 Ada وRTX A5000 وRTX 3090 وRTX A6000، وصولًا إلى الخيارات الأقوى مثل RTX 4090 وRTX PRO 6000.

الشكل 2. مثال على خيارات GPU المختلفة التي تدعمها منصة Ultralytics (المصدر)

يُعد RTX PRO 6000 خيارًا افتراضيًا متوازنًا لمعظم المستخدمين. فهو يقدم أداءً موثوقًا عبر مجموعة متنوعة من أعباء العمل دون الحاجة إلى كثير من الضبط. ويُعد RTX 4090 خيارًا شائعًا آخر، إذ يقدم أداءً قويًا مقابل سعره.

للمهام الأصغر، مثل التجارب السريعة أو إعداد النماذج الأولية أو العمل على مجموعات بيانات خفيفة، تُعد وحدات GPU مثل RTX 2000 Ada وRTX A4500 نقطة بداية مناسبة. ومع نمو عبء العمل، توفر خيارات مثل RTX 4000 Ada وRTX A5000 وRTX 3090 أداءً أكثر اتساقًا لأعمال التدريب العامة.

أما وحدات GPU من الفئة الأعلى، مثل A100 (Ampere) وH100 وH200 (Hopper) وB200 (Blackwell)، فهي مصممة لأعباء العمل واسعة النطاق. وهي الأنسب لتدريب النماذج الضخمة جدًا، والتعامل مع مجموعات البيانات الهائلة، أو تشغيل المهام التي تتطلب سرعة وأداءً حاسمين.

فهم أنواع GPU المختلفة وحالات استخدامها#

بعد ذلك، لنلقِ نظرة على كيفية مقارنة أنواع GPU المختلفة وأفضل استخداماتها.

تُعد وحدات NVIDIA RTX GPU عمومًا أقل تكلفة، وتُستخدم عادةً في التدريب اليومي والتجارب وأعباء العمل الصغيرة والمتوسطة. وهي تحقق توازنًا بين الأداء وسهولة الوصول، ما يجعلها مناسبة لمجموعة واسعة من حالات الاستخدام.

في المقابل، صُممت وحدات GPU مثل A100 وA40 وL40 لأعباء العمل الأكبر حجمًا والتدريب على نطاق أوسع. وهي توفر استقرارًا وقابلية توسع أعلى، لا سيما عند العمل على مجموعات بيانات أكبر أو نماذج أكثر تعقيدًا.

أما وحدات GPU من الفئة الأعلى، مثل H100 وتلك المعتمدة على بنية Blackwell من NVIDIA، فتمثل أحدث أجهزة الذكاء الاصطناعي. وهي مصممة لأعباء العمل عالية الأداء، وتُستخدم عادةً في التدريب واسع النطاق أو الأبحاث المتقدمة أو المهام الحساسة للوقت.

توفر مجموعة خيارات GPU المتاحة على منصة Ultralytics مرونة تناسب أعباء العمل المختلفة. وبحسب متطلباتك، يمكنك البدء بإعدادات أصغر وتوسيع نطاقها عند الحاجة.

كيفية اختيار GPU السحابي المناسب لمشروعك#

عند اختيار GPU للتدريب السحابي على منصة Ultralytics، تجب مراعاة عدة عوامل، منها حجم مجموعة البيانات وتعقيد النموذج والتكلفة. لنستعرض هذه العوامل واحدًا تلو الآخر.

مواءمة قدرة GPU مع حجم مجموعة البيانات#

يُعد حجم مجموعة البيانات أحد العوامل الرئيسية في اختيار GPU، لأنه يؤثر في مدة التدريب ومقدار القدرة الحاسوبية التي تحتاج إليها.

غالبًا ما تكفي GPU خفيفة مثل RTX 2000 لمجموعات البيانات الصغيرة، التي يقل عدد صورها عادةً عن 1,000 صورة. وهي مناسبة للتجارب السريعة وعمليات التدريب القصيرة.

بالنسبة إلى مجموعات البيانات المتوسطة، التي تضم نحو 1,000 إلى 10,000 صورة، توفر وحدات GPU مثل RTX 4090 أو RTX A6000 توازنًا أفضل بين الأداء والكفاءة، ما يساعدك على التدريب بسلاسة أكبر دون تأخيرات طويلة.

أما مجموعات البيانات الأكبر، التي تتجاوز 10,000 صورة، فستحتاج على الأرجح إلى أجهزة أقوى للحفاظ على مدة تدريب معقولة. وتناسب وحدات GPU مثل H100 التعامل مع أعباء العمل الأثقل والتوسع بفاعلية أكبر.

إجمالًا، يتعلق الأمر بمواءمة حجم مجموعة البيانات مع مستوى القدرة الحاسوبية وإمكانات المعالجة المتوازية التي تحتاج إليها.

اختيار GPU استنادًا إلى حجم النموذج وتعقيده#

من العوامل المهمة الأخرى عند اختيار GPU حجم نموذج ذكاء الرؤية الاصطناعي وتعقيده. فالنماذج بأحجامها المختلفة تحتاج إلى قدرات حوسبة متفاوتة.

على سبيل المثال، تحتاج النماذج الأصغر إلى قدرة حوسبة أقل من GPU، ويمكن تشغيلها بكفاءة على وحدات GPU مثل RTX 2000 Ada أو RTX A4500، أو حتى RTX 4090 إذا كنت ترغب في نتائج أسرع. وهي مثالية للتجارب السريعة وإعداد النماذج الأولية والمهام الأبسط، إذ تتيح لك تكرار العمل بوتيرة أسرع واختبار الأفكار دون تكاليف حوسبة مرتفعة.

من ناحية أخرى، تتطلب النماذج الأكبر والأكثر تعقيدًا ذاكرة وقدرة معالجة أكبر بكثير. وتناسب وحدات GPU مثل RTX A6000 وRTX PRO 6000 والخيارات المتطورة مثل H100 أعباء العمل هذه. فهي قادرة على التعامل مع بُنى أكبر، وتقليل مدة التدريب، وتفادي مشكلات الذاكرة، وهو أمر مهم خصوصًا عند التعامل مع صور عالية الدقة أو أحجام دفعات كبيرة أو تصميمات نماذج أكثر تقدمًا.

مقارنة حجم الدفعة وذاكرة GPU#

وبالمثل، يؤدي حجم الدفعة دورًا مهمًا في تدريب النماذج. وهو يشير إلى عدد عينات التدريب التي يعالجها النموذج دفعة واحدة في خطوة واحدة.

يمكن لأحجام الدفعات الأكبر تحسين كفاءة التدريب عبر معالجة بيانات أكثر دفعة واحدة، لكنها تتطلب أيضًا مزيدًا من ذاكرة GPU (VRAM). وبوجه عام، تدعم وحدات GPU ذات النطاق الترددي الأعلى للذاكرة أحجام دفعات أكبر، بينما قد تتطلب الوحدات ذات الذاكرة الأقل دفعات أصغر.

على سبيل المثال، يمكن لوحدات GPU مثل RTX A6000 وRTX PRO 6000 وA100 التعامل بسهولة أكبر مع أحجام دفعات أكبر بفضل ذاكرتها الأعلى، بينما قد تتطلب خيارات مثل RTX 4090 أو RTX 2000 Ada أحجام دفعات أصغر بحسب عبء العمل.

لكن استخدام أكبر GPU ليس ضروريًا دائمًا. فقد تحسن وحدات GPU الأعلى فئة السرعة والسعة، لكنها تأتي بتكلفة أكبر أيضًا. وفي حالات كثيرة، قد يكون ضبط حجم الدفعة على GPU أصغر خيارًا أكثر كفاءة.

في نهاية المطاف، الهدف هو تحقيق التوازن المناسب بين حجم الدفعة وذاكرة GPU المتاحة والتكلفة، وفقًا للنموذج ومجموعة البيانات.

تأثير إعدادات التدريب في أداء GPU#

من العوامل الأخرى المؤثرة في أداء GPU إعدادات التدريب. وتشمل هذه الإعدادات معلمات مثل عدد الحِقب وحجم الصورة والإعدادات الأخرى التي تتحكم في طريقة تدريب النموذج.

على سبيل المثال، تزيد أحجام الصور الأكبر مقدار العمليات الحسابية المطلوبة في كل خطوة. وقد يؤدي ذلك إلى إبطاء التدريب، كما قد يتطلب قدرة حوسبة أو ذاكرة أكبر للحفاظ على أداء جيد.

وبالمثل، تؤدي زيادة عدد الحِقب إلى إطالة مدة التدريب الإجمالية، لا سيما على الأجهزة الأقل قوة. وتشير الحقبة إلى مرور كامل واحد على مجموعة البيانات بأكملها أثناء التدريب.

تضيف تقنيات مثل زيادة البيانات أيضًا معالجة إضافية أثناء التدريب. وتطبق زيادة البيانات تحويلات مثل القلب والتدوير وتغيير الحجم لزيادة تنوع البيانات وتحسين أداء النموذج. وقد يحسن ذلك متانة النموذج، لكنه قد يقلل سرعة التدريب أيضًا.

بوجه عام، تستطيع وحدات GPU الأقوى التعامل مع هذه المتطلبات المتزايدة بكفاءة أكبر، لكن الأثر يعتمد على التكوين الكلي وعبء العمل.

الموازنة بين التكلفة ومدة التدريب#

عند اختيار GPU لمشروعك، غالبًا ما تكون هناك مفاضلة بين سرعة التدريب وسعر GPU.

تسهل منصة Ultralytics تقدير هذه التكاليف وفهمها قبل بدء مهمة التدريب. فاستنادًا إلى إعداداتك، بما فيها حجم مجموعة البيانات والنموذج وGPU، يمكنك الاطلاع مسبقًا على التكلفة ومدة التدريب التقديريتين.

الشكل 3. تسهّل منصة Ultralytics تقدير تكاليف السحابة وفهمها. (المصدر)

تكون تكلفة وحدات GPU الأسرع عادةً أعلى لكل ساعة، لكنها قد تقلل مدة التدريب الإجمالية. وتتمكن وحدات GPU مثل RTX 4090 وRTX PRO 6000 وH100 عمومًا من إكمال التدريب بسرعة أكبر بفضل أدائها الأعلى.

تميل وحدات GPU الأبطأ إلى انخفاض تكلفتها لكل ساعة، لكنها تستغرق وقتًا أطول لإكمال التدريب. فعلى سبيل المثال، تُستخدم وحدات GPU مثل RTX 2000 Ada وRTX A4500 غالبًا لأعباء العمل الصغيرة أو المهام الطويلة التي تكون فيها الأولوية للتكلفة المنخفضة.

إضافةً إلى ذلك، لا تتوفر بعض وحدات GPU الأعلى فئة، مثل H200 وB200، إلا ضمن خطتي Pro أو Enterprise، بينما تتاح معظم الخيارات الأخرى أيضًا ضمن الفئة المجانية.

نظرة على استراتيجيات تحسين التكلفة#

إلى جانب اختيار GPU المناسب، توجد طرق عملية قليلة لإبقاء تكاليف التدريب تحت السيطرة. ومن أكثر الأساليب فاعلية البدء بتشغيل اختبارات صغيرة قبل توسيع النطاق.

بدلًا من الانتقال مباشرةً إلى التدريب الكامل، ابدأ بعدد أقل من العصور التدريبية للتأكد من أن إعدادك يعمل كما هو متوقع. يساعدك ذلك على التحقق سريعًا من بياناتك وتعليقاتها التوضيحية وإعدادات النموذج، ويجنبك إهدار الوقت والموارد الحاسوبية على عمليات تدريب قد لا تحقق نتائج مفيدة.

مع تقدم التدريب، راقب مقاييسك وأوقف عمليات التدريب مبكرًا إذا استقر الأداء أو توقف عن التحسن. تساعدك مراقبة منحنيات التدريب على تحديد ما إذا كان ينبغي مواصلة التدريب أو تعديل إعداداتك.

يمكنك أيضًا ضبط معلمات مثل حجم الدفعة وحجم الصورة. تقلل القيم الأصغر استهلاك الذاكرة والموارد الحاسوبية، ما يجعل التجربة واختبار الإعدادات المختلفة أو إجراء عمليات محاكاة صغيرة النطاق أكثر عملية قبل التوسع.

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

إضافةً إلى ذلك، تساعد منصة Ultralytics على تبسيط إدارة التكاليف. وتوفر تقديرًا مدمجًا للتكاليف، حتى تتمكن من معرفة النفقات المتوقعة قبل بدء المهمة.

باستخدام نظام قائم على الرصيد والدفع حسب الاستخدام، لا تدفع إلا مقابل وقت الحوسبة الذي تستخدمه فعليًا. ويسهل ذلك الالتزام بالميزانية والتوسع عندما تطمئن إلى إعداد التدريب لديك.

أفضل الممارسات المتعلقة بالتدريب السحابي على GPU للرؤية الحاسوبية#

إليك بعض أفضل الممارسات التي ينبغي مراعاتها عند التدريب السحابي على GPU باستخدام منصة Ultralytics:

• تحقق من مجموعات البيانات قبل التدريب: تأكد من أن مجموعة بياناتك نظيفة، وموضّحة جيدًا، ومتسقة قبل البدء. يساعد اكتشاف المشكلات مبكرًا على تجنب هدر الموارد الحاسوبية وتحسين أداء النموذج.
• ابدأ بتجارب سريعة: ابدأ بعمليات اختبار صغيرة وعدد أقل من العصور التدريبية للتحقق من إعداداتك. يساعدك ذلك على اكتشاف المشكلات مبكرًا دون الالتزام بمهام تدريب طويلة ومكلفة. وبذلك تنشئ قالبًا يمكنك إعادة استخدامه وتوسيعه عندما يعمل كل شيء كما هو متوقع.
• راقب المقاييس الأساسية: تتبّع مقاييس مثل الخسارة وmAP والدقة والاستدعاء طوال التدريب. وتُعد هذه المقاييس معايير لتقييم أداء النموذج، كما تساعدك على تحديد وقت التعديل أو الإيقاف.
• حافظ على كفاءة مسارات معالجة البيانات: تأكد من كفاءة تحميل البيانات والمعالجة المسبقة، إذ تعتمد هذه الوظائف على موارد CPU وقد تتحول إلى اختناقات تؤثر في أداء التدريب الإجمالي.
• استخدم الأدوات المدمجة: استخدم المخططات وسجلات وحدة التحكم ومقاييس النظام لمراقبة التدريب في الوقت الفعلي واتخاذ قرارات مدروسة بسرعة.

أبرز النقاط#

يعتمد اختيار GPU سحابي مناسب للرؤية الحاسوبية على منصة Ultralytics على فهم عبء العمل، بما في ذلك حجم مجموعة البيانات وتعقيد النموذج وإعدادات التدريب. وبفضل مجموعة خيارات GPU المتاحة، المدعومة بالبنية التحتية السحابية والآلات الافتراضية، يمكنك البدء بخيار متوازن والتوسع مع تزايد احتياجات تدريب النموذج أو ضبطه الدقيق. ومن خلال الجمع بين الأجهزة المناسبة والممارسات الجيدة، مثل المراقبة وضبط التكاليف، يمكنك تدريب نماذج ذكاء اصطناعي متطورة بكفاءة والاستفادة إلى أقصى حد من مرونة الحوسبة عالية الأداء.

اطّلع على مجتمعنا ومستودع GitHub المتناميين لمعرفة المزيد عن الرؤية الحاسوبية. إذا كنت تتطلع إلى إنشاء حلول للرؤية، فاطّلع على خيارات الترخيص. استكشف صفحات حلولنا لمعرفة المزيد عن فوائد الرؤية الحاسوبية في التصنيع والذكاء الاصطناعي في الزراعة.