كيفية تبسيط Ultralytics Platform لنشر نماذج الرؤية الحاسوبية

تعمل Ultralytics مع مجتمع الرؤية الحاسوبية منذ سنوات، حيث تنشئ نماذج وأدوات تجعل الذكاء الاصطناعي للرؤية متاحًا بدرجة أكبر للجميع. ومن خلال Ultralytics Platform، نخطو خطوة إضافية بجمع سير عمل تطوير الرؤية الحاسوبية بالكامل في بيئة موحدة واحدة، بدءًا من إدارة مجموعات البيانات ووسمها وصولًا إلى تدريب النماذج والتحقق منها ونشرها.

وعلى وجه الخصوص، يسعدنا أن نجعل نشر نماذج الرؤية الحاسوبية أسهل. ومع استمرار انتقال الرؤية الحاسوبية إلى تطبيقات العالم الحقيقي، يظل تحليل الصور والفيديو خارج البيئات الخاضعة للتحكم أمرًا معقدًا.

وعلى خلاف إعدادات الاختبار التي تكون فيها الظروف قابلة للتنبؤ، تتضمن سيناريوهات العالم الحقيقي إضاءة متباينة ومدخلات متغيرة وأحمال عمل غير متوقعة، مما يجعل النشر أحد أكثر أجزاء سير عمل الرؤية تحديًا.

ينطوي النشر على أكثر من مجرد إتاحة نموذج للاستخدام. فهو يتطلب إعداد عمليات قادرة على التعامل مع بيانات العالم الحقيقي، وضمان سير كل شيء بسلاسة مع نمو الاستخدام وتوسع المشاريع.

تحتاج الفرق أيضًا إلى تتبع الأداء والحفاظ على الموثوقية بمرور الوقت. وغالبًا ما يعني ذلك التبديل بين أدوات ذكاء اصطناعي مختلفة للاختبار والتكامل والنشر والمراقبة، مما قد يبطئ تطوير النماذج ويضيف تعقيدًا غير ضروري.

ينتهي الأمر بسير العمل مجزأً. تعمل Ultralytics Platform على توحيد هذه العملية وتبسيطها.

توفر المنصة دعمًا مدمجًا لخدمة النماذج واختبارها ومراقبتها ضمن بيئة واحدة. ويمكن للفرق التحقق من صحة النماذج باستخدام الاستدلال القائم على المتصفح، ودمجها في التطبيقات من خلال خدمات استدلال مشتركة، ونشرها إلى نقاط نهاية مخصصة مع إمكانات مراقبة الأداء.

الشكل 1. نظرة على صفحة النشر ضمن Ultralytics Platform (المصدر)

في هذه المقالة، سنستكشف كيف تعيد Ultralytics Platform تعريف نشر نماذج الرؤية الحاسوبية، بدءًا من الاختبار والتكامل وصولًا إلى النشر في بيئة الإنتاج والمراقبة. لنبدأ!

نظرة عامة على نشر نماذج الرؤية الحاسوبية#

في دورة حياة التعلم الآلي، يُعد نشر النموذج المرحلة التي ينتقل فيها النموذج من التجريب إلى الاستخدام في العالم الحقيقي. وبالنسبة إلى نماذج الرؤية الحاسوبية المبنية باستخدام التعلم العميق والشبكات العصبية الالتفافية، يعني ذلك عمومًا إتاحتها لمعالجة الصور ومقاطع الفيديو في الوقت الفعلي.

بعد نشر هذه النماذج، تستقبل بيانات جديدة تمر عادةً بخطوات معالجة مسبقة مثل تغيير الحجم أو التطبيع أو التنسيق. ثم تُمرر البيانات المعالجة إلى النموذج، الذي يطبق الأنماط التي تعلمها أثناء التدريب لإنشاء تنبؤات عالية الدقة.

اعتمادًا على حالة الاستخدام، قد يشمل ذلك مهام مختلفة للرؤية الحاسوبية. فعلى سبيل المثال، تدعم نماذج Ultralytics YOLO، مثل Ultralytics YOLO26، نطاقًا واسعًا من مهام الرؤية، بما في ذلك اكتشاف الكائنات وتصنيف الصور وتقسيم المثيلات وتقدير الوضعية واكتشاف مربعات الإحاطة الموجهة (OBB).

ولجعل ذلك عمليًا في تطبيقات العالم الحقيقي، غالبًا ما تحتاج النماذج إلى التكامل مع أنظمة قادرة على التعامل بكفاءة مع كل من المعالجة المسبقة والاستدلال. وهنا تصبح البنية التحتية للنشر ضرورية.

في بيئات الإنتاج، يتم عادةً الوصول إلى النماذج من خلال REST APIs أو أنظمة خدمة النماذج. وتتيح هذه الواجهات للتطبيقات إرسال البيانات واستقبال التنبؤات برمجيًا، مما يسهل التكامل مع التطبيقات الخارجية أو أجهزة إنترنت الأشياء أو الأنظمة الروبوتية التي تعتمد على الفهم البصري في الوقت الفعلي.

قيود أدوات نشر الرؤية الحاسوبية التقليدية#

قد يبدو نشر نماذج الرؤية الحاسوبية أمرًا مباشرًا، لكنه كان حتى الآن مختلفًا كثيرًا في الممارسة العملية. لننظر في إعداد شائع: تُلتقط البيانات أولًا من الكاميرات أو المستشعرات، ثم تُرسل إلى نموذج لإجراء الاستدلال، وبعد ذلك تُعاد إلى التطبيق على هيئة تنبؤات.

في الواقع، غالبًا ما تتولى أدوات وخدمات منفصلة كل خطوة من هذه الخطوات. فقد يتولى نظام ما التقاط البيانات، ويدير نظام آخر خدمة النماذج، بينما تُستخدم أدوات إضافية للتوسعة والمراقبة والتسجيل. ويمكن أن يصبح الحفاظ على اتصال هذه المكونات وتشغيلها بموثوقية أمرًا معقدًا بسرعة.

ومع نمو الاستخدام، يزداد هذا التعقيد. إذ يمكن أن تؤدي إدارة البنية التحتية والتعامل مع التبعيات والحفاظ على أداء متسق عبر المسار الكامل إلى إبطاء التطوير وزيادة صعوبة نشر نماذج الرؤية الحاسوبية في تطبيقات العالم الحقيقي.

تجمع Ultralytics Platform هذه المكونات في بيئة موحدة واحدة. ويوفر ذلك طريقة أكثر تماسكًا لإدارة سير عمل النشر بالكامل، مع دعم الأداء والموثوقية على نطاق واسع.

خيارات نشر النماذج التي تتيحها Ultralytics Platform#

بالإضافة إلى توحيد عملية نشر النماذج، توفر Ultralytics Platform أيضًا مرونة في كيفية نشر النماذج واستخدامها.

لدعم المراحل المختلفة من نشر نماذج الرؤية الحاسوبية، توفر المنصة أربعة خيارات: الاختبار القائم على المتصفح مع الاستدلال الفوري، والاستدلال المشترك عبر واجهات API للتطوير، ونقاط النهاية المخصصة لعمليات النشر الإنتاجية القابلة للتوسع عبر المناطق العالمية، وتصدير النماذج لتشغيلها على بنية تحتية خارجية أو أجهزة طرفية.

لذلك، دعونا نلقِ نظرة أقرب على كيفية عمل كل من هذه الخيارات.

تحقق من النماذج بسرعة باستخدام علامة التبويب Predict#

قبل نقل النموذج إلى بيئة الإنتاج، من المهم فهم أدائه على بيانات جديدة لم يسبق له رؤيتها. تتضمن Ultralytics Platform علامة تبويب Predict مدمجة تتيح لك تشغيل الاستدلال مباشرةً في المتصفح دون أي إعداد أو بنية تحتية أو تبعيات.

تجعل علامة تبويب Predict التحقق من صحة النماذج سريعًا وتفاعليًا. يمكنك تحميل الصور أو استخدام أمثلة محملة مسبقًا أو التقاط المدخلات باستخدام كاميرا الويب، ويُشغّل الاستدلال تلقائيًا بمجرد توفير البيانات.

تظهر النتائج فورًا مع تراكبات مرئية ودرجات ثقة ومخرجات مفصلة، مما يمنحك رؤية واضحة لكيفية تصرف النموذج.

الشكل 2. مثال على التحقق من صحة نموذج باستخدام علامة تبويب Predict (المصدر)

وهذا يعني أنه يمكنك، من خلال بضع نقرات، اختبار مدخلات مختلفة وضبط المعلمات وتقييم الأداء ضمن واجهة واحدة قبل الانتقال إلى النشر.

تشغيل عمليات استدلال مشتركة للاختبار أو الاستخدام المحدود#

لنفترض أنك درّبت نموذجًا وتحققت من صحته باستخدام علامة تبويب Predict. غالبًا ما تكون الخطوة التالية هي بدء دمج هذا النموذج في تطبيق أو سير عمل.

بدلًا من إعداد البنية التحتية أو إدارة الخوادم، توفر Ultralytics Platform خدمات استدلال مشتركة تتيح لك إرسال البيانات إلى نموذجك واستقبال التنبؤات من خلال REST APIs بسيطة.

خلف الكواليس، يعمل الاستدلال المشترك على نظام متعدد المستأجرين عبر عدد قليل من المناطق الأساسية، حيث تُوجّه الطلبات تلقائيًا إلى أقرب خدمة متاحة. ويساعد ذلك في الحفاظ على أداء سريع الاستجابة، مع إتاحة الوصول المتسق إلى النماذج للمستخدمين في مواقع مختلفة.

يمكنك إرسال المدخلات باستخدام طلبات HTTP قياسية واستقبال مخرجات منظمة في المقابل، مما يجعل ربط النماذج بالتطبيقات أو البرامج النصية أو سير عمل الأتمتة أمرًا مباشرًا. ويُعد هذا الإعداد خيارًا مناسبًا للتطوير والاختبار والتكاملات أو الاستخدام الأخف قبل الانتقال إلى عمليات نشر إنتاجية أكثر قابلية للتوسع.

انشر النماذج عالميًا عبر نقاط نهاية مخصصة#

بمجرد أن يصبح النموذج جاهزًا للإنتاج، يجب أن يتعامل مع حركة مرور العالم الحقيقي بموثوقية وعلى نطاق واسع. تدعم Ultralytics Platform ذلك من خلال نقاط النهاية المخصصة، حيث تعمل النماذج كخدمات أحادية المستأجر عبر 43 منطقة عالمية. ويساعد النشر بالقرب من المستخدمين النهائيين على تقليل زمن الاستجابة والحفاظ على أداء متسق عبر المواقع المختلفة.

تعمل كل نقطة نهاية باستخدام موارد حوسبة مخصصة لها وعنوان URL فريد لطلبات الاستدلال. ويسهّل هذا المستوى من التحكم ضبط عمليات النشر وفقًا لاحتياجات الأداء، بدءًا من حالات الاستخدام الخفيفة وصولًا إلى التطبيقات الأكثر تطلبًا وعالية معدل النقل التي تحتاج إلى موارد حوسبة أكبر.

الشكل 3. يمكنك نشر النماذج عبر 43 منطقة عالمية باستخدام Ultralytics Platform (المصدر)

ومع ذلك، صُممت نقاط النهاية المخصصة للتعامل مع أحمال العمل المتغيرة ذاتيًا، من خلال التوسعة التلقائية التي تضبط الموارد استنادًا إلى حركة المرور الواردة. فهي تتوسع أثناء فترات الطلب المرتفع وتتقلص عندما ينخفض الاستخدام. ومع تفعيل التوسع إلى الصفر افتراضيًا، تُغلق نقاط النهاية الخاملة تلقائيًا وتُعادُّ تشغيلها عند وصول طلبات جديدة، مما يساعد على تحسين استخدام الموارد دون تدخل يدوي.

صدّر نموذجك بسهولة باستخدام Ultralytics Platform#

أصبح الذكاء الاصطناعي الطرفي اليوم ضروريًا بصورة متزايدة، إذ تعتمد المزيد من التطبيقات على تشغيل النماذج مباشرةً على أجهزة مثل الهواتف الذكية والكاميرات والأنظمة المضمنة. كما يمكن أن يساعد تشغيل النماذج محليًا في تلبية متطلبات خصوصية البيانات، لأن البيانات الحساسة مثل الصور أو تدفقات الفيديو يمكن معالجتها مباشرةً على الجهاز دون إرسالها إلى خوادم خارجية.

في هذه السيناريوهات، تحتاج النماذج إلى العمل خارج Ultralytics Platform، مما يجعل تصدير النماذج جزءًا مهمًا من عملية النشر. غالبًا ما تُدرّب نماذج Ultralytics YOLO باستخدام Python وPyTorch، ثم يمكن تصديرها إلى أكثر من 17 تنسيقًا مختلفًا، بما في ذلك ONNX وTensorRT وCoreML وOpenVINO.

يضمن هذا النطاق الواسع من التنسيقات التوافق عبر أجهزة متنوعة، بدءًا من وحدات معالجة الرسومات عالية الأداء (GPUs) وصولًا إلى الأجهزة المحمولة والمضمنة. بالإضافة إلى ذلك، يتيح التصدير ضبط الأداء لبيئات محددة.

اعتمادًا على التنسيق، يمكن للنماذج تحقيق سرعات استدلال أعلى، مثل تحسين أداء GPU باستخدام TensorRT أو تنفيذ محسّن على CPU باستخدام ONNX وOpenVINO. كما يمكن لخيارات التكميم مثل FP16 وINT8 تقليل حجم النموذج وتحسين معدل النقل، وهو أمر مفيد بصورة خاصة لعمليات النشر الطرفية.

في Ultralytics Platform، أُدرج التصدير مباشرةً في سير العمل، مما يجعل إنشاء نماذج محسّنة سريعًا ومن خلال بضع نقرات فقط. ويمكن للفرق الانتقال من التدريب إلى تشغيل النماذج على أنظمة خارجية دون إضافة عبء إضافي.

الشكل 4. مجموعة من تنسيقات التصدير على Ultralytics Platform.

اختيار خيار نشر النموذج المناسب#

يدعم كل خيار من خيارات النشر في Ultralytics Platform مرحلة مختلفة من سير العمل، بدءًا من الاختبار المبكر وصولًا إلى الاستخدام في بيئة الإنتاج. فيما يلي نظرة عامة على الحالات التي قد تستخدم فيها كل خيار:

• علامة تبويب Predict: تُستخدم عادةً مباشرةً بعد التدريب أو الضبط الدقيق، عندما تريد التحقق من أداء النموذج على بيانات جديدة باستخدام الاستدلال القائم على المتصفح.
• الاستدلال المشترك: في هذه المرحلة، يمكن دمج النماذج في التطبيقات عبر واجهات API، مما يتيح اختبار التفاعلات الواقعية أثناء التطوير.
• نقاط النهاية المخصصة: تُستخدم هذه النقاط لعمليات النشر الإنتاجية، حيث تحتاج النماذج إلى أداء متسق وموارد مخصصة والقدرة على التوسع عبر المناطق العالمية.
• تصدير النموذج: عندما تحتاج النماذج إلى العمل خارج المنصة، يتيح خيار تصديرها نشرها على الأجهزة الطرفية أو تطبيقات الأجهزة المحمولة أو البنية التحتية المخصصة.

غالبًا ما تنتقل الفرق بين هذه الخيارات خطوة بخطوة، من التحقق إلى التكامل وأخيرًا إلى النشر في بيئة الإنتاج، وكل ذلك ضمن المنصة.

مراقبة النماذج المنشورة من خلال Ultralytics Platform#

على الرغم من أهمية النشر، فإن مسار الرؤية لا ينتهي عند ذلك. فبمجرد تشغيل النموذج في بيئة الإنتاج، تصبح المراقبة المستمرة ضرورية لضمان أدائه بموثوقية بمرور الوقت.

توفر Ultralytics Platform أدوات مراقبة مدمجة تمنح الفرق رؤية واضحة لكيفية تصرف نماذج الذكاء الاصطناعي للرؤية بمرور الوقت، وتدعم سير عمل أكثر تنظيمًا لعمليات التعلم الآلي (MLOps).

تتضمن صفحة Deploy لوحة معلومات تتتبع مقاييس رئيسية مثل إجمالي الطلبات وعمليات النشر النشطة وزمن استجابة الطلبات ومعدلات الأخطاء. وتساعد هذه الرؤى الفرق على فهم أنماط الاستخدام وتقييم استجابة النظام وضمان أداء منخفض زمن الاستجابة عبر أحمال العمل المختلفة.

الشكل 5. تجعل Ultralytics Platform مراقبة النماذج المنشورة أمرًا سهلًا. (المصدر)

توفر كل نقطة نهاية مخصصة أيضًا قابلية ملاحظة مفصلة من خلال عروض النشر الفردية. ويشمل ذلك الوصول إلى السجلات وحالة سلامة النموذج وبيانات الأداء في الوقت الفعلي. ويمكن استخدام السجلات لتصحيح المشكلات وتتبع الطلبات الفاشلة وتحديد المشكلات المحتملة المتعلقة بالتبعيات أو البنية التحتية.

مع تطور بيئات الإنتاج، يمكن لعوامل مثل تغير بيانات الإدخال أو متطلبات التوسعة أو تغير أنماط الاستخدام أن تؤثر في دقة النموذج ومتانته. ومن خلال مراقبة مقاييس الأداء باستمرار، تستطيع الفرق اكتشاف الحالات الشاذة وتحديد الاختناقات واتخاذ إجراءات تصحيحية مثل تحسين النموذج أو ضبط الموارد للحفاظ على خدمة نماذج متسقة وموثوقة.

بناء قابلية التوسع في عمليات نشر نماذج الرؤية الحاسوبية#

لطالما كان توسيع نطاق أنظمة الرؤية الحاسوبية يعني ربط سير عمل وأطر عمل لم تُصمم أصلًا للعمل معًا. وغالبًا ما توجد مسارات البيانات وحلقات التدريب والبنية التحتية للنشر وأنظمة المراقبة في أماكن منفصلة، مما يخلق احتكاكًا في كل مرحلة.

لا يكمن التحدي الحقيقي في بناء النماذج فحسب، بل في إبقائها متحركة. أي الانتقال من البيانات إلى الإنتاج، والتكيف مع المدخلات الجديدة، والتعامل مع الطلب المتزايد، والتحسين المستمر دون إبطاء.

ما يميز Ultralytics Platform هو أن هذه الحركة مدمجة فيها. فبدلًا من التعامل مع كل مرحلة كخطوة منفصلة، تربط المنصة هذه المراحل في حلقة مستمرة يمكن فيها تطوير النماذج ونشرها ومراقبتها وتحديثها ضمن البيئة نفسها.

يغير هذا التحول طريقة توسعة الفرق لأنظمتها. فلم يعد الأمر متعلقًا بتنسيق الأدوات أو البنية التحتية، بل بالحفاظ على الزخم مع نمو الأنظمة.

أهم النقاط المستخلصة#

يتطلب إدخال نماذج التعلم الآلي، مثل نماذج الرؤية الحاسوبية، في تطبيقات العالم الحقيقي أن تكون موثوقة وقابلة للتوسع وسهلة الإدارة. وتبسط Ultralytics Platform هذه العملية من خلال جمع وظائف متنوعة، مثل خدمة النماذج والنشر والمراقبة، في بيئة موحدة واحدة. وبفضل خيارات النشر المرنة والأدوات المدمجة، تستطيع الفرق الانتقال من التجريب إلى الإنتاج بسرعة أكبر وبتعقيد أقل.

اطّلع على مجتمعنا واستكشف مستودع GitHub لمعرفة المزيد. واستكشف صفحات حلولنا للاطلاع على تطبيقات متنوعة مثل الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في الخدمات اللوجستية. وتعرّف على خيارات الترخيص وابدأ البناء اليوم!